Comment prédire le nombre de futures hospitalisations liées au COVID-19 ?

Les recherches menées par Sophie Meakin de la London School of Hygiene & Tropical Medicine au Royaume-Uni suggèrent que les prévisions d’ensemble – une méthode combinant plusieurs modèles pour prédire les cas de COVID-19 – pourraient être plus précises pour estimer les admissions à l’hôpital COVID-19 dans les zones locales.

Le Royaume-Uni a signalé plus de 8,89 millions de cas de COVID-19, et l’on craint que les cas dépassent les ressources hospitalières. Cependant, il est difficile de faire des prévisions précises compte tenu des changements dans les restrictions locales en cas de pandémie. L’utilisation de cas confirmés de COVID-19 comme prédicteur peut aider à estimer les cas futurs, mais laisse encore une grande variabilité.

« Compte tenu des données minimales et des exigences de calcul des modèles évalués ici, cette approche pourrait être utilisée pour faire des prévisions précoces de la demande de soins de santé au niveau local, et ainsi aider à la connaissance de la situation et à la planification des capacités, dans les futurs contextes épidémiques ou pandémiques », a conclu la recherche équipe.

L’étude « Évaluation comparative des méthodes pour les prévisions à court terme des admissions COVID-19 en Angleterre au niveau local » est publiée sur le medRxiv* serveur de préimpression.

Comment ils ont fait

L’étude utilise des prévisions en temps réel individuelles ou d’ensemble pour prédire les admissions à l’hôpital liées au COVID-19 en Angleterre. Des prévisions hebdomadaires d’entrées quotidiennes ont été réalisées entre août 2020 et avril 2021.

Trois modèles — un ensemble moyen de modèles de séries chronologiques autorégressives, un modèle de régression linéaire avec des cas locaux décalés de 7 jours comme prédicteur, et une convolution à l’échelle des cas locaux et une distribution de retard — ont été utilisés pour la prévision. Ces modèles ont été mesurés pour leur précision dans la prédiction du nombre d’admissions à l’hôpital selon plusieurs scénarios, notamment la longueur de l’horizon prédictif, le moment où la prévision a été créée, l’emplacement géographique et l’amélioration des prévisions lorsque les cas futurs étaient connus.

Le modèle de base n’incluait aucun changement par rapport au dernier jour d’admission à l’hôpital.

Résumé des admissions hospitalières COVID-19 en Angleterre d’août 2020 à avril 2021. (A) Admissions hospitalières COVID-19 quotidiennes pour l’Angleterre. (B) Admissions hebdomadaires à l’hôpital COVID-19 par NHS Trust (identifiées par un code à 3 lettres) pour les 40 premières fiducies par nombre total d’admissions à l’hôpital COVID-19 d’août 2020 à avril 2021. (C) Admissions quotidiennes à l’hôpital COVID-19 pour les meilleures -cinq fiducies par nombre total d’admissions à l’hôpital COVID-19. Dans tous les panneaux, les lignes pointillées indiquent la date de la première (04 octobre 2020) et de la dernière (25 avril 2021) date de prévision. Données publiées par le NHS England [39].

Le modèle d’ensemble moyen était le plus précis pour prévoir les hospitalisations liées au COVID-19

Lorsque le modèle suppose qu’il n’y a aucun changement dans les admissions actuelles, tous les modèles ont surpassé tous les modèles de base dans tous les scénarios. De tous les modèles, le modèle d’ensemble moyen a fait les prédictions les plus précises pour le nombre d’admissions.

La saisie des cas de COVID-19 dans la modélisation a favorisé de meilleures prévisions sur le taux de futures admissions à l’hôpital. Cependant, les prévisions d’admission ont continué à être moins précises et parfois même pires que la modélisation basée sur les tendances lorsque d’autres facteurs, tels que la restriction pandémique et les cas fluctuants de COVID-19, étaient pris en compte.

Façons d’améliorer les prévisions COVID-19 pour les admissions à l’hôpital

Les chercheurs proposent plusieurs façons d’améliorer la précision des prévisions COVID-19. Une méthode consiste à améliorer les prévisions de cas sous-jacentes en ajoutant des prédicteurs plus détaillés des admissions à l’hôpital, tels que l’étiquetage des cas de COVID-19 par âge.

Précision des prévisions par date de prévision. (A) WIS relatif (rWIS) des modèles de prévision pour les 30 dates de prévision. Des valeurs rWIS inférieures indiquent de meilleures prévisions. (B) Erreur absolue moyenne des modèles de prévision. L’AE moyen est calculé comme l’AE moyen sur toutes les fiducies. (C) Moyenne quotidienne des admissions hospitalières COVID-19 au niveau de confiance par semaine, à titre de référence. Tous les panneaux sont pour un horizon de prévision de 7 jours ; voir la figure S5 pour une évaluation sur un horizon de prévision de 14 jours.

L’ajout de modèles supplémentaires tels que des modèles statistiques et d’apprentissage automatique peut également améliorer les niveaux de prédiction. Un autre pourrait inclure un pool de modèles d’ensemble ou un ensemble pondéré qui prend en compte les performances passées.

Enfin, les prévisions seraient améliorées en cartographiant une zone géographique plus petite.

Sur la base des résultats, les chercheurs suggèrent que « lors de la prévision des admissions à l’hôpital au niveau local dans des contextes épidémiques, il est rarement préférable de supposer qu’il n’y a aucun changement dans les admissions que d’inclure au moins une composante de tendance ; l’inclusion d’un prédicteur retardé, tel que des cas, peut encore améliorer la précision des prévisions, mais dépend de la réalisation de bonnes prévisions de cas, en particulier pour des horizons de prévision plus longs. L’utilisation d’un ensemble moyen surmonte certaines des performances variables des modèles individuels et nous permet de faire des prévisions plus précises et plus cohérentes dans le temps et dans les lieux.

*Avis important

medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique/le comportement lié à la santé, ou traités comme des informations établies.