La prédiction du nombre d’arrivées aux urgences est un problème faisant partie plus largement du domaine de prédiction de séries chronologique, c’est-à-dire la prédiction de valeurs futures. Plusieurs méthodes peuvent être utilisées dans ce domaine et pendant longtemps l’analyse et les inférences statistiques ont été la méthode de choix. Toutefois, avec la croissance actuelle des capacités de calcul, de la facilité d’accès à des machines puissantes ainsi qu’aux progrès constants observés dans le domaine du Machine Learning, les neural networks et autres intelligences artificielles deviennent de plus en plus attrayants pour résoudre ce genre de problème et constituent actuellement les méthodes les plus performantes en termes de précision moyenne des prédictions.

Pour notre modèle de prédiction du nombre d’arrivées aux urgences nous avons donc choisi de nous baser sur un modèle de Deep Learning. Plus précisément, il s’agit d’un neural network de plusieurs couches composé de nœuds de type LSTM (Long-Short term memory) et d’opérations de convolution. La combinaison de ces deux aspects permet au modèle d’extraire les informations importantes affectant les prédictions tout en conservant les dépendances intrinsèques de l’aspect séquentiel des données à disposition.

Au sein du domaine du Machine Learning, les outils informatiques à disposition à l’heure actuelle permettent à notre modèle d’avoir une grande capacité d’adaptation. En d’autres termes, en fonction du nombre de valeurs futures à prédire, de la granularité attendue (jour ou heure), des différentes catégories envisageables et des facteurs externes ayant une potentielle influence sur les prédictions, notre modèle s’adaptera automatiquement afin de retourner les meilleurs prédictions et informations d’après l’objectif donné.

Cependant, comme un neural network peut souvent être trop complexe pour interpréter correctement son comportement, nous accompagnons ses résultats avec une analyse statistique des données afin d’offrir à l’utilisateur une meilleure compréhension de la situation et du comportement du modèle.

A titre d’exemple, nous avons mis en place un modèle de prédiction entraîné sur 2 ans de données correspondant aux nombres d’arrivées quotidiennes au département des urgences. L’objectif fixé étant de prédire les valeurs de 14 jours à l’avance en fonction du groupe d’âge des patients. Le modèle optimal est obtenu après l’évaluation de plus de 300 neural networks, tous avec une architecture et une configuration différente. Les prédictions ensuite renvoyées par ce modèle sur des données de test atteignent un taux de précision de 93.35%, soit environ 187 parmi les 200 arrivées quotidiennes moyennes.