@article{gerard_hyperkaliemies_2024,
	series = {Congrès É{MOIS} 2024},
	title = {Hyperkaliémies au cours d'un séjour à l'hôpital : travaux exploratoires préalables à leur prévention par une approche associant avis expert et intelligence artificielle},
	volume = {72},
	issn = {2950-4333},
	shorttitle = {Hyperkaliémies au cours d'un séjour à l'hôpital},
	url = {https://www.sciencedirect.com/science/article/pii/S2950433324000570},
	doi = {10.1016/j.jeph.2024.202247},
	abstract = {Introduction
L'hyperkaliémie est associée à une augmentation importante du taux de mortalité. Des logiciels, appelés systèmes d'aide à la décision médicale (CDSS) existent et permettent d'alerter sur les risques d’évènements indésirables mais, la multiplication des alertes (« over-alerting ») engendre une perte de pertinence de ces alertes. Les données collectées au cours des séjours hospitaliers constituent une base de données de santé et peuvent être utilisées pour analyser les évènements indésirables médicamenteux de façon rétrospective par des méthodes de « data-mining » dans le but de définir des règles d'alerte pour prévenir ces évènements.
Méthodes
Les données de 15 000 séjours hospitaliers ont été simulées dans le cadre du CPER Tec'Santé, sur la base de séjours hospitaliers réels. Des caractéristiques potentiellement associées avec une hyperkaliémie ont été sélectionnées dans les séjours à partir des résultats de biologie, des codes ATC des médicaments, de la classification CIM-10 des diagnostics et des codes actes de la CCAM. Trois méthodes d'analyses statistiques ont été comparées : des analyses bivariées de comparaisons de moyennes ou de proportions, un modèle de régression logistique pas-à-pas descendant et un modèle de « Classification and Regression Tree » (CART).
Résultats
Ces travaux exploratoires ont permis de mettre en évidence des caractéristiques potentiellement associées à l'hyperkaliémie. Ainsi, 22 caractéristiques ont été mises en évidence par régression logistique. L'utilisation de CART a permis de calculer la probabilité d'apparition des évènements parmi les 15 000 séjours dont 1,49 \% présentent un évènement d'hyperkaliémie; ainsi que la possibilité de déterminer des règles de prévention des hyperkaliémies chez les patients remplissant certaines conditions, par exemple : si administration de médicaments de l'hyperkaliémie et de l'hyperphosphatémie et absence administration de l'angiotensine ii et hyponatrémie et durée de séjour supérieure ou égale à 1,5 jour alors la proportion d'hyperkaliémie est de 50,7 \% (parmi 69 cas).
Conclusion
Les modèles de CART permettent de définir des règles de détection des évènements indésirables à partir de réutilisation des données de santé qui pourrait être implémentées dans des logiciels d'aide à la décision. Cependant, ces travaux doivent être confirmés sur des données réelles.},
	urldate = {2024-06-07},
	journal = {Journal of Epidemiology and Population Health},
	author = {Gérard, E. and Lenain, R. and Chazard, E.},
	month = mar,
	year = {2024},
	keywords = {Classification and regression tree, Clinical Decision Support System, Data-reuse},
	pages = {202247},
}

{"_id":"QLm6LbyFfyJoqJuQv","bibbaseid":"grard-lenain-chazard-hyperkalimiesaucoursdunsjourlhpitaltravauxexploratoirespralablesleurprventionparuneapprocheassociantavisexpertetintelligenceartificielle-2024","author_short":["Gérard, E.","Lenain, R.","Chazard, E."],"bibdata":{"bibtype":"article","type":"article","series":"Congrès ÉMOIS 2024","title":"Hyperkaliémies au cours d'un séjour à l'hôpital : travaux exploratoires préalables à leur prévention par une approche associant avis expert et intelligence artificielle","volume":"72","issn":"2950-4333","shorttitle":"Hyperkaliémies au cours d'un séjour à l'hôpital","url":"https://www.sciencedirect.com/science/article/pii/S2950433324000570","doi":"10.1016/j.jeph.2024.202247","abstract":"Introduction L'hyperkaliémie est associée à une augmentation importante du taux de mortalité. Des logiciels, appelés systèmes d'aide à la décision médicale (CDSS) existent et permettent d'alerter sur les risques d’évènements indésirables mais, la multiplication des alertes (« over-alerting ») engendre une perte de pertinence de ces alertes. Les données collectées au cours des séjours hospitaliers constituent une base de données de santé et peuvent être utilisées pour analyser les évènements indésirables médicamenteux de façon rétrospective par des méthodes de « data-mining » dans le but de définir des règles d'alerte pour prévenir ces évènements. Méthodes Les données de 15 000 séjours hospitaliers ont été simulées dans le cadre du CPER Tec'Santé, sur la base de séjours hospitaliers réels. Des caractéristiques potentiellement associées avec une hyperkaliémie ont été sélectionnées dans les séjours à partir des résultats de biologie, des codes ATC des médicaments, de la classification CIM-10 des diagnostics et des codes actes de la CCAM. Trois méthodes d'analyses statistiques ont été comparées : des analyses bivariées de comparaisons de moyennes ou de proportions, un modèle de régression logistique pas-à-pas descendant et un modèle de « Classification and Regression Tree » (CART). Résultats Ces travaux exploratoires ont permis de mettre en évidence des caractéristiques potentiellement associées à l'hyperkaliémie. Ainsi, 22 caractéristiques ont été mises en évidence par régression logistique. L'utilisation de CART a permis de calculer la probabilité d'apparition des évènements parmi les 15 000 séjours dont 1,49 % présentent un évènement d'hyperkaliémie; ainsi que la possibilité de déterminer des règles de prévention des hyperkaliémies chez les patients remplissant certaines conditions, par exemple : si administration de médicaments de l'hyperkaliémie et de l'hyperphosphatémie et absence administration de l'angiotensine ii et hyponatrémie et durée de séjour supérieure ou égale à 1,5 jour alors la proportion d'hyperkaliémie est de 50,7 % (parmi 69 cas). Conclusion Les modèles de CART permettent de définir des règles de détection des évènements indésirables à partir de réutilisation des données de santé qui pourrait être implémentées dans des logiciels d'aide à la décision. Cependant, ces travaux doivent être confirmés sur des données réelles.","urldate":"2024-06-07","journal":"Journal of Epidemiology and Population Health","author":[{"propositions":[],"lastnames":["Gérard"],"firstnames":["E."],"suffixes":[]},{"propositions":[],"lastnames":["Lenain"],"firstnames":["R."],"suffixes":[]},{"propositions":[],"lastnames":["Chazard"],"firstnames":["E."],"suffixes":[]}],"month":"March","year":"2024","keywords":"Classification and regression tree, Clinical Decision Support System, Data-reuse","pages":"202247","bibtex":"@article{gerard_hyperkaliemies_2024,\n\tseries = {Congrès É{MOIS} 2024},\n\ttitle = {Hyperkaliémies au cours d'un séjour à l'hôpital : travaux exploratoires préalables à leur prévention par une approche associant avis expert et intelligence artificielle},\n\tvolume = {72},\n\tissn = {2950-4333},\n\tshorttitle = {Hyperkaliémies au cours d'un séjour à l'hôpital},\n\turl = {https://www.sciencedirect.com/science/article/pii/S2950433324000570},\n\tdoi = {10.1016/j.jeph.2024.202247},\n\tabstract = {Introduction\nL'hyperkaliémie est associée à une augmentation importante du taux de mortalité. Des logiciels, appelés systèmes d'aide à la décision médicale (CDSS) existent et permettent d'alerter sur les risques d’évènements indésirables mais, la multiplication des alertes (« over-alerting ») engendre une perte de pertinence de ces alertes. Les données collectées au cours des séjours hospitaliers constituent une base de données de santé et peuvent être utilisées pour analyser les évènements indésirables médicamenteux de façon rétrospective par des méthodes de « data-mining » dans le but de définir des règles d'alerte pour prévenir ces évènements.\nMéthodes\nLes données de 15 000 séjours hospitaliers ont été simulées dans le cadre du CPER Tec'Santé, sur la base de séjours hospitaliers réels. Des caractéristiques potentiellement associées avec une hyperkaliémie ont été sélectionnées dans les séjours à partir des résultats de biologie, des codes ATC des médicaments, de la classification CIM-10 des diagnostics et des codes actes de la CCAM. Trois méthodes d'analyses statistiques ont été comparées : des analyses bivariées de comparaisons de moyennes ou de proportions, un modèle de régression logistique pas-à-pas descendant et un modèle de « Classification and Regression Tree » (CART).\nRésultats\nCes travaux exploratoires ont permis de mettre en évidence des caractéristiques potentiellement associées à l'hyperkaliémie. Ainsi, 22 caractéristiques ont été mises en évidence par régression logistique. L'utilisation de CART a permis de calculer la probabilité d'apparition des évènements parmi les 15 000 séjours dont 1,49 \\% présentent un évènement d'hyperkaliémie; ainsi que la possibilité de déterminer des règles de prévention des hyperkaliémies chez les patients remplissant certaines conditions, par exemple : si administration de médicaments de l'hyperkaliémie et de l'hyperphosphatémie et absence administration de l'angiotensine ii et hyponatrémie et durée de séjour supérieure ou égale à 1,5 jour alors la proportion d'hyperkaliémie est de 50,7 \\% (parmi 69 cas).\nConclusion\nLes modèles de CART permettent de définir des règles de détection des évènements indésirables à partir de réutilisation des données de santé qui pourrait être implémentées dans des logiciels d'aide à la décision. Cependant, ces travaux doivent être confirmés sur des données réelles.},\n\turldate = {2024-06-07},\n\tjournal = {Journal of Epidemiology and Population Health},\n\tauthor = {Gérard, E. and Lenain, R. and Chazard, E.},\n\tmonth = mar,\n\tyear = {2024},\n\tkeywords = {Classification and regression tree, Clinical Decision Support System, Data-reuse},\n\tpages = {202247},\n}\n\n","author_short":["Gérard, E.","Lenain, R.","Chazard, E."],"key":"gerard_hyperkaliemies_2024","id":"gerard_hyperkaliemies_2024","bibbaseid":"grard-lenain-chazard-hyperkalimiesaucoursdunsjourlhpitaltravauxexploratoirespralablesleurprventionparuneapprocheassociantavisexpertetintelligenceartificielle-2024","role":"author","urls":{"Paper":"https://www.sciencedirect.com/science/article/pii/S2950433324000570"},"keyword":["Classification and regression tree","Clinical Decision Support System","Data-reuse"],"metadata":{"authorlinks":{}}},"bibtype":"article","biburl":"https://api.zotero.org/users/1597782/collections/MSB7W4UM/items?key=gxIPM4PJtMVcB8OpssCWodtP&format=bibtex&limit=100&start=0&sort=date","dataSources":["doevpoZ8x7wJceFTM"],"keywords":["classification and regression tree","clinical decision support system","data-reuse"],"search_terms":["hyperkali","mies","cours","jour","pital","travaux","exploratoires","alables","leur","vention","par","une","approche","associant","avis","expert","intelligence","artificielle","gérard","lenain","chazard"],"title":"Hyperkaliémies au cours d'un séjour à l'hôpital : travaux exploratoires préalables à leur prévention par une approche associant avis expert et intelligence artificielle","year":2024}