Une approche pour la sélection de variables stables : application à l'encodage des diagnostics secondaires
Résumé
In this paper, we focus on applying feature selection in the context of secondary diagnoses prediction starting from medico-economic data sources. The results of the prediction is used as guidelines for encoding secondary diagnoses which is a sensitive task in the hospitals requiring a lot of attention in order to be achieved properly. We propose a practical approach to select stable and relevant features from imbalanced datasets. The stability of features is obtained through the convergence of several FS methods to a fair number of features without being impacted by the sampled dataset. The quality of featured shall be deducted from the quality prediction of machine learning algorithms on the selected features. We evaluate the proposed approach on the PMSI database of the CHIC-CM hospital. Our results are quite interesting and opening discussions for these specific health care data supports.
Dans cet article, nous proposons une approche pour sélectionner des variables stables dans le contexte de prédiction des diagnostiques secondaires en partant d’une base de données médico-économique, en l’occurrence le PMSI. Les résultats de prédiction se présentent sous forme de guides pour l’activité d’encodage des diagnostiques secondaires dans les départements d’information médicale (DIM). L’approche que nous proposons dans ce papier consiste à exploiter les paradigmes ensemblistes sur les sources de données réduites et équilibrées pour déduire un ensemble stable et fiable de variables utiles à la prédiction. Cet ensemble est construit de façon très indépendante par rapport à l’échantillon de données utilisé pour l’apprentissage du modèle. La qualité des variables est déduite en fonction de la qualité de prédiction des algorithmes de ML. L’évaluation de notre approche sur les données de PMSI montre le réel intérêt de cette proposition et ouvre le débat sur l’application de ces méthodes à ces sources de données très rarement exploitées par la communauté scientifique.