Article Dans Une Revue Environmental Systems Research Année : 2025

Machine learning with environmental predictors to forecast hospital visits and admissions: a systematic review

Apprentissage automatique avec des prédicteurs environnementaux pour prévoir les visites et les admissions à l'hôpital : une revue systématique.

Résumé

Many studies have demonstrated a correlation between environmental monitoring data and healthcare service demand, highlighting its contribution to the global problem of emergency department crowding. To address this problem, forecasting models are essential for resource allocation and general management to improve patient outcomes. Machine Learning (ML), especially Deep Learning (DL), offers promise for forecasting patient volume. In this work, we present a systematic review of the use of ML to predict the health impacts of environmental exposures in the context of hospital visits and admissions. Standardized tools for conducting a systematic review were used, including the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), the Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modeling Studies (CHARMS), and Prediction model Risk Of Bias ASsessment Tool (PROBAST). The search included studies from 2012 to 2025. We focus on answering how ML has been applied and what the major environmental predictors are used. As a result, 36 studies were retained from PubMed, Embase, and IEEE Xplore databases. We found that many studies exhibited a high risk of bias due to poor handling of missing values, inadequate outcome definitions, biased participant selection, and a low number of events per variable. Additionally, we found that the most used air pollutants and meteorological variables were PM2.5, PM10, NO2, SO2, CO, O3, and temperature. Furthermore, the most common models were Random Forest and feed-forward neural networks. In addition, land use, remote sensing, demographic, and socioeconomic data offer promising avenues for improving model performance.

De nombreuses études ont démontré une corrélation entre les données de surveillance environnementale et la demande de services de santé, mettant en évidence leur contribution au problème mondial de la surcharge des services d’urgence. Pour résoudre ce problème, les modèles de prévision sont essentiels pour l’allocation des ressources et la gestion générale afin d’améliorer les résultats pour les patients. L’apprentissage automatique (ML), en particulier l’apprentissage profond (DL), offre des perspectives prometteuses pour la prévision du volume de patients. Dans ce travail, nous présentons une revue systématique de l’utilisation du ML pour prédire les impacts sanitaires des expositions environnementales dans le contexte des visites et admissions hospitalières. Des outils standardisés pour la conduite d’une revue systématique ont été utilisés, notamment les Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), la Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modeling Studies (CHARMS), et le Prediction model Risk Of Bias ASsessment Tool (PROBAST). La recherche a inclus des études allant de 2012 à 2025. Nous nous concentrons sur la manière dont le ML a été appliqué et sur les principaux prédicteurs environnementaux utilisés. En conséquence, 36 études ont été retenues à partir des bases de données PubMed, Embase et IEEE Xplore. Nous avons constaté que de nombreuses études présentaient un risque élevé de biais en raison d’une mauvaise gestion des valeurs manquantes, de définitions inadéquates des résultats, d’une sélection biaisée des participants et d’un faible nombre d’événements par variable. De plus, nous avons constaté que les polluants atmosphériques et variables météorologiques les plus utilisés étaient le PM2.5, le PM10, le NO2, le SO2, le CO, l’O3 et la température. En outre, les modèles les plus courants étaient la forêt aléatoire (Random Forest) et les réseaux neuronaux à propagation avant. De plus, l’utilisation du sol, la télédétection, ainsi que les données démographiques et socioéconomiques offrent des perspectives prometteuses pour améliorer les performances des modèles.

Fichier principal
Vignette du fichier
s40068-025-00401-x.pdf (2.15 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte
Licence

Dates et versions

hal-05098915 , version 1 (05-06-2025)

Licence

Identifiants

Citer

Levi Monteiro Martins, Elsa Coz, Delphine Maucort-Boulch, Mohand-Saïd Hacid. Machine learning with environmental predictors to forecast hospital visits and admissions: a systematic review. Environmental Systems Research, 2025, 14 (1), pp.12. ⟨10.1186/s40068-025-00401-x⟩. ⟨hal-05098915⟩
784 Consultations
214 Téléchargements

Altmetric

Partager

  • More