prédiction des recettes des cas non codés PrediRec

Travail de diplôme 2007
Filière Informatique de gestion
Facturation par APDRG :
prédiction des recettes des cas non codés
PrediRec
Etudiant : Mathieu Giotta
Professeur : Henning Mueller
www.hevs.ch

SIMAV
PrediRec ICHV - Sion
Auteur : Mathieu Giotta Date de création : 25.11.2007
Fichier : PrediRec - 002 Rapport de projet No de version : V finale
Etat : Dernière révision :
Distribution : Date de distribution :
Publication :
Giotta Mathieu 1 / 77 Imprimé le 19 décembre 2007
HES-SO Valais, décembre 2007
Projet SIMAV
Rapport Final
Facturation par APDRG :
prédiction des recettes des cas non codés
Institut Central des Hôpitaux Valaisans
Av. Grand Champsec 86
Case postale 736
1951 Sion
Suisse

SIMAV PrediRec ICHV – Sion
Table des matières
1 Introduction .......................................................................................................................4
1.1 Présentation du mandant...........................................................................................4
1.2 Contexte du projet......................................................................................................4
1.3 But du développement...............................................................................................4
1.4 Description de l’existant.............................................................................................4
2 Description générale des but de PrediRec........................................................................5
2.1 Vue d’ensemble des fonctionnalités ..........................................................................5
2.2 Plan............................................................................................................................6
2.3 Environnement technique..........................................................................................6
3 Présentation des techniques de Data Mining....................................................................7
3.1 Définition....................................................................................................................7
3.2 Méthodologies du Data Mining ..................................................................................7
3.2.1 Définition du problème........................................................................................8
3.2.2 Préparation des données....................................................................................8
3.2.3 Création du modèle ............................................................................................9
3.2.4 Exploration du modèle........................................................................................9
3.2.5 Validation du modèle..........................................................................................9
3.2.6 Déploiement et mise à jour du modèle...............................................................9
3.3 Tâches du Data Mining..............................................................................................9
3.3.1 Classification.....................................................................................................10
3.3.2 Régression........................................................................................................10
3.3.3 Segmentation – Clustering ...............................................................................10
3.3.4 Association .......................................................................................................10
3.3.5 Analyse de séquence .......................................................................................11
3.4 Technique du Data Mining.......................................................................................11
3.4.1 Le raisonnement à base de cas........................................................................11
3.4.2 Les arbres de décision......................................................................................11
3.4.3 Les algorithmes génétiques..............................................................................11
3.4.4 Les réseaux bayésiens.....................................................................................11
3.4.5 Les réseaux de neurones.................................................................................12
4 Présentation de l’outil de Data Mining.............................................................................13
4.1 Principaux logiciels de Data Mining.........................................................................13
4.1.1 SAS® Enterprise Miner.....................................................................................13
4.1.2 SPSS® Clementine ..........................................................................................13
4.1.3 Microsoft® SQL Server Analysis Services........................................................13
4.2 Choix de l’outil de Data Mining ................................................................................13
4.3 Les types de données..............................................................................................13
4.4 Les types de contenu...............................................................................................14
4.5 Les algorithmes inclus dans SSAS..........................................................................15
4.5.1 Microsoft Decision Trees (MDT).......................................................................15
4.5.2 Microsoft Naive Bayes (MNB)...........................................................................18
4.5.3 Clusters Microsoft.............................................................................................20
4.5.4 Microsoft Neural Network (MNN)......................................................................23
4.5.5 Microsoft Time Series (MTS)............................................................................27
4.5.6 Microsoft Sequence Clustering (MSC) .............................................................29
4.5.7 Algorithme Microsoft Association......................................................................31
5 Description détaillée des fonctionnalités de PrediRec....................................................33
5.1.1 Use Case..........................................................................................................33
5.1.2 Description du Use Case : PrediRec – Utilisation Multi Case...........................34
5.1.3 Diagrammes de séquences..............................................................................35
5.1.4 Interfaces utilisateurs........................................................................................36
Giotta Mathieu 2 / 77 Imprimé le 19 décembre 2007
HES-SO Valais, décembre 2007

SIMAV PrediRec ICHV – Sion
6 Définition des modèles d’analyse de PrediRec...............................................................38
6.1 Définition du problème.............................................................................................38
6.2 Choix des variables à estimer..................................................................................38
6.3 Préparation des données.........................................................................................38
6.4 Création du modèle..................................................................................................43
6.5 Exploration du modèle.............................................................................................44
6.6 Evaluation des différents modèles...........................................................................46
6.6.1 Le classeur PrediRec_Resultat ........................................................................46
6.6.2 Les tests des modèles d’analyses....................................................................53
6.7 Déploiement et mise à jour du modèle ....................................................................60
7 Choix des modèles finaux...............................................................................................62
8 Conclusion ......................................................................................................................63
9 Analyse du travail de diplôme.........................................................................................65
9.1 Connaissances acquises.........................................................................................65
9.2 Problèmes rencontrés + solutions trouvées.............................................................65
9.3 Déclaration sur l’honneur.........................................................................................67
9.4 Remerciements........................................................................................................68
10 Glossaire .....................................................................................................................69
11 Bibliographie................................................................................................................74
11.1 Ouvrage................................................................................................................74
11.2 Publication............................................................................................................74
12 Liens Internet...............................................................................................................75
Giotta Mathieu 3 / 77 Imprimé le 19 décembre 2007
HES-SO Valais, décembre 2007

SIMAV PrediRec ICHV – Sion
1 Introduction
1.1 Présentation du mandant
Le SIMAV est l’acronyme de Service d’Informatique Médicale et Administrative Valaisan.
Ce service est intégré au Réseau Santé Valais (RSV) et doit fournir l’appui informatique
nécessaire au bon fonctionnement des hôpitaux valaisans. Ce service est dirigé par le Dr.
Gnaegi.
Le SIMAV effectue les développements, la gestion et la maintenance de l’infrastructure
informatique du RSV. Parmi ses nombreuses tâches, nous pouvons citer :
• maintenance réseau ;
• maintenance matérielle ;
• support aux utilisateurs (back office) ;
• développement de petites solutions.
C’est dans cette dernière activité que s’inscrit ce projet.
1.2 Contexte du projet
Depuis 2005, tous les séjours hospitaliers en soins somatiques aigus (médecine, chirurgie,
gynécologie-obstétrique, pédiatrie, etc.) sont facturés par le RSV sous forme de forfaits liés à
la pathologie (APDRG pour All Patients Diagnosis Related Groups). Cette méthodologie de
facturation remplace celle des forfaits journaliers qui était utilisée auparavant. La génération
de ces forfaits APDRGs implique le codage préalable des diagnostics et des interventions
documentés dans le dossier médical du patient. Or, lors du bouclement comptable des
hôpitaux valaisans, tous les patients sortis durant l’exercice terminé ne sont pas forcements
codés, et ne peuvent donc pas être facturés.
Il est alors nécessaire de provisionner les recettes, qui seront perçues après bouclement,
afin de les intégrer à l’exercice comptable en cours. Cependant, comme ces recettes
dépendent de la pathologie, elles ne sont à priori pas connues.
1.3 But du développement
Le but de ce projet est de déterminer un modèle d’analyse afin d’estimer au mieux les
recettes liées aux cas non codés à partir des informations disponibles dans les systèmes
opérationnels.
Pour parvenir à provisionner les recettes de ces cas, il a été décidé de mettre en place une
solution de Data Mining, que nous appellerons « PrediRec » dans le reste du document.
1.4 Description de l’existant
Actuellement, les hôpitaux calculent leurs provisions pour le secteur somatique aigu de
manière empirique sur la base d’un montant moyen forfaitaire.
Cette solution ne donne pas entière satisfaction, car elle ne tient pas compte de la lourdeur
des cas et, de plus, cette méthode est assez fastidieuse.
Giotta Mathieu 4 / 77 Imprimé le 19 décembre 2007
HES-SO Valais, décembre 2007