Prévoir l'utilisation des lits d'hôpital pendant le COVID-19 en Australie

De 2020 à 2022, le virus COVID-19 a touché les systèmes de santé dans le monde entier, entraînant un grand nombre d'infections. Beaucoup de gens avaient besoin de soins hospitaliers, surtout durant les pics de la pandémie. Cette vague de patients a souvent fait que les hôpitaux n'avaient pas assez de lits disponibles. Le nombre de lits d'hôpital utilisés par les patients COVID-19 dépend de combien de nouveaux patients arrivent et combien de temps ils restent. Savoir combien de lits seront nécessaires peut aider les responsables de la santé à mieux planifier.

En Australie, la réponse initiale au COVID-19 était différente de celle de beaucoup d'autres endroits. En décembre 2021, plus de 80 % des adultes avaient reçu leurs vaccinations, et très peu avaient été signalés comme infectés grâce à des mesures de santé publique strictes. Cependant, le variant Omicron est apparu en novembre 2021, entraînant une forte hausse d'infections en 2022, avec au moins 17 % de la population infectée d'ici mars 2022.

#Focus de l'étude

Cet article se concentre sur la période de mars à septembre 2022, durant laquelle l'Australie a fait face à deux vagues d'infection significatives. La première vague a été causée par le variant Omicron BA.2, atteignant son pic en mars et avril 2022. La seconde vague était due aux variants BA.4 et BA.5, qui ont culminé fin juillet 2022.

On a développé une méthode pour prédire l'utilisation des lits d'hôpital sur une courte période de 21 jours. Au lieu de se concentrer sur les admissions quotidiennes de patients, on a centré nos prédictions sur l'Occupation des lits, car cela est plus directement lié à la capacité hospitalière. Les chiffres d'occupation des lits ont été suivis et rapportés pour chaque État et territoire australien depuis le début de la pandémie.

Pour faire des Prévisions, on a utilisé des données provenant de sources externes pour estimer le nombre de Nouveaux cas de COVID-19. Ces chiffres ont ensuite été traduits en niveaux d'occupation attendus dans les services d'hôpital et les unités de soins intensifs (USI) à l'aide d'un modèle prenant en compte les chances d'Hospitalisation et d'admission en USI basées sur des données en temps réel.

#Processus de prévision

Les prévisions étaient partagées chaque semaine avec des groupes décisionnels importants liés à la santé publique. On a examiné la performance de nos prévisions entre mars et septembre 2022 en utilisant des méthodes visuelles et des mesures statistiques.

On a créé des projections de combien de patients COVID-19 occuperaient des lits d'hôpital et des espaces en USI chaque semaine, en utilisant un processus de prévision détaillé. Ce processus simulait comment les patients COVID-19 se déplaceraient à travers le système hospitalier en fonction de leurs besoins de soins. On a pris en compte plusieurs facteurs importants tels que l'âge des cas et leur probabilité d'avoir besoin d'hospitalisation ou de soins intensifs.

Notre modèle de prévision a été structuré pour fournir des comptes d'occupation qui correspondraient aux données d'occupation réelles des hôpitaux. Pour garantir des prévisions précises, les simulations qui ne correspondaient pas à l'occupation des lits reportée étaient écartées. Une fenêtre de calibration de sept jours a été utilisée pour affiner le modèle en fonction des données les plus récentes.

#Simulation du parcours patient

Notre modèle implique la simulation de la façon dont les patients COVID-19 sévères se déplacent à travers le système hospitalier. Il commence avec de nouveaux cas et la date d'apparition de leurs symptômes. Une partie de ces cas nécessite une hospitalisation, en commençant dans un service général. À partir de là, certains patients peuvent devoir se déplacer vers l'USI en fonction de leur état de santé.

Chaque patient a aussi une chance de se rétablir et d'être libéré ou, malheureusement, de décéder pendant son séjour à l'hôpital. Le nombre de lits occupés est calculé en ajoutant les patients dans les services et les compartiments d'USI.

Pour modéliser le flux des patients de manière précise, on avait besoin d'estimer combien de temps les patients resteraient dans chaque zone de l'hôpital. Cela a été fait à l'aide d'une méthode tenant compte des variations dans le temps passé dans ces compartiments, ce qui nous a aidés à refléter les changements en fonction de la gravité des infections ou des pratiques médicales actuelles.

#Estimation des nouveaux cas

Pour que notre modèle fonctionne, on devait entrer le nombre de nouveaux cas de COVID-19 chaque jour. On a combiné des données historiques sur les cas avec des chiffres prévus pour informer notre modèle. Pour gérer les données manquantes, on a ajouté un peu de randomisation pour refléter l'incertitude dans les comptages de cas.

Les cas d'entrée étaient dérivés de divers modèles de prévision, continuellement améliorés avec de nouvelles informations sur le virus. Ces modèles incluaient à la fois des approches mécanistes complexes et des outils statistiques plus simples, permettant une flexibilité dans nos prévisions.

#Ajustement des paramètres variant dans le temps

Certains facteurs dans notre modèle ont été ajustés en fonction de l'âge des patients et de l'évolution de la situation de la pandémie. On a suivi à quel point il était probable que différents groupes d'âge soient infectés, hospitalisés ou aient besoin de soins intensifs. Cette approche nous a permis de nous adapter aux changements, comme l'émergence de nouveaux variants ou les différences dans les taux de vaccination.

Pour obtenir ces estimations par groupe d'âge, on a analysé des données collectées à travers l'Australie. Ces données nous ont donné des informations sur qui était infecté et la gravité de leurs cas. On a utilisé une méthode qui a moyenné les données des cas sur une semaine pour produire ces estimations liées à l'âge.

#Techniques de simulation

Notre simulation a adopté une approche d'échantillonnage aléatoire pour modéliser l'occupation quotidienne des lits d'hôpital. Cette méthode nous a permis de voir comment les parcours des patients COVID-19 se dérouleraient au fil du temps. ChaqueSimulation comptait combien de patients étaient prévus dans les services généraux et les USI pour un jour donné.

Pour s'assurer que nos estimations simulées correspondaient aux données du monde réel, on a mis en œuvre une méthode d'échantillonnage par rejet. On a écarté les simulations qui tombaient en dehors d'une plage acceptable par rapport aux chiffres réels d'occupation des lits. Ce processus nécessitait une calibration minutieuse pour garantir que nos estimations étaient réalistes et alignées avec les rapports des hôpitaux.

#Évaluation de la performance des prévisions

On a effectué des évaluations approfondies de nos prévisions pour vérifier leur performance. Une méthode clé utilisée a été le Score de Probabilité Classé Continu, qui mesure à quel point les valeurs prédites s'alignent avec les observations réelles. Ce système de notation aide à mettre en évidence des modèles constants de surévaluation ou de sous-évaluation de l'occupation.

On a également analysé la relation entre la qualité de nos prévisions d'occupation et les prévisions de cas sous-jacentes. Comprendre cette relation est important, surtout qu'il y a un décalage entre le moment où les cas sont signalés et le moment où ces patients nécessitent une hospitalisation.

#Résumé des résultats

Notre évaluation de performance a porté sur des données de mars à septembre 2022. On a généré des représentations visuelles de nos prévisions aux côtés des chiffres réels d'occupation pour comprendre l'efficacité de nos prédictions. Chaque prévision fournie incluait une plage d'incertitude pour illustrer les variations possibles des résultats.

Différentes méthodes de mesure de performance ont indiqué comment notre modèle s'est comporté dans la prédiction de l'utilisation des lits en service et en USI. Les résultats statistiques ont été compilés pour donner une image claire de l'exactitude de nos prévisions au fil du temps.

En gros, même si notre modèle a bien fonctionné dans de nombreux cas, certaines prévisions étaient meilleures que d'autres en fonction de divers facteurs externes. En ajustant le modèle au fur et à mesure que de nouvelles données devenaient disponibles, on visait à améliorer continuellement nos prédictions.

#Disponibilité des données et du code

Tout le code lié aux simulations et à l'analyse a été rendu public pour assurer transparence et reproductibilité. Cependant, certaines données spécifiques, en particulier le jeu de données détaillé sur les cas, nécessitent une autorisation des autorités sanitaires compétentes pour y accéder.

Cette évaluation approfondie des prévisions de l'occupation hospitalière durant la pandémie de COVID-19 met en lumière non seulement les défis auxquels les services de santé ont été confrontés, mais aussi l'importance d'avoir des données fiables et des techniques de modélisation pour soutenir une prise de décision efficace.