• Accueil
  • >
  • Projection à court terme des besoins hospitaliers

Projection à court terme des besoins hospitaliers pour les patients COVID-19

Dernière mise à jour le 20 septembre 2021

Méthodologie

Anticiper pour mieux planifier

La pandémie de la COVID-19 peut générer en peu de temps un afflux important de patients qui doivent être hospitalisés et admis dans un service de soins critiques. Pour pouvoir continuer à accueillir ces patients, les hôpitaux peuvent être amenés à déprogrammer certaines opérations, à fermer des services non COVID-19 et réallouer du personnel au profit des soins COVID-19, avec un impact qui peut être délétère pour les patients COVID-19 et les non-COVID-19 ainsi que pour les soignants. Même si ces réorganisations permettent de soigner un plus grand nombre de patients COVID-19, les capacités d’accueil ne sont pas infinies et les services peuvent finir par être saturés si le flux de patients ne ralentit pas. Ces rebonds épidémiques conduisent donc en général à un renforcement des mesures de contrôle, qui doit permettre de réduire la pression sur le système hospitalier. Afin de soutenir la planification des activités hospitalières, il est important de disposer de projections pour anticiper sur le court terme les besoins hospitaliers des patients COVID-19.

Une épidémie particulièrement instable

D’emblée, il faut être clair sur le fait que la production de telles projections est un exercice particulièrement difficile et incertain. Il convient donc de toujours les considérer avec précaution. Ces dernières années, de nouvelles méthodes permettant de mieux anticiper la trajectoire des épidémies ont été développées, avec des résultats intéressants pour des virus comme la grippe, la dengue, le chikungunya ou le Zika. La pandémie de COVID-19 a cependant des particularités qui rendent ce type d’analyses encore plus difficile que d’habitude. Pendant les épidémies de grippe, peu de mesures de contrôle sont mises en œuvre pour réduire la transmission du virus. En conséquence, lorsque l’épidémie de grippe démarre, on s’attend à ce qu’elle suive son cours naturel. Pour peu qu’on comprenne les facteurs influençant son évolution (par exemple, le niveau d’immunité populationnelle, le climat, le sous-type de virus, les périodes de vacances), on pense pouvoir anticiper sa trajectoire. Bien entendu, la situation est très différente avec l’épidémie de SARS-CoV-2 où des mesures sans précédent sont mises en œuvre pour contenir la circulation du virus ; et la population peut rapidement changer ses habitudes lorsque la situation épidémique se dégrade ou s’améliore. Tout cela fait que la dynamique de l’épidémie est très instable, alternant des périodes de forte hausse, de plateaux ou de décroissance, sans qu’on en comprenne forcément tous les déterminants. Anticiper est donc un vrai défi…

Evaluation systématique de la performance des modèles

Plusieurs types de modèles s’appuyant sur des méthodes et des hypothèses différentes peuvent être utilisés pour tenter d’anticiper la dynamique de l’épidémie à court terme. Plusieurs prédicteurs (données épidémiologiques, météorologiques ou de mobilité) peuvent être intégrés à ces modèles. Parmi toutes les options possibles, quels sont les modèles et les prédicteurs les plus performants pour anticiper l’épidémie ? Durant l’automne 2020, nous n’avions pas encore suffisamment de recul et de données pour répondre à cette question. En conséquence, nos modèles étaient uniquement calibrés aux données d’hospitalisations que nous cherchions à prédire. En guise d’illustration de cette approche, la figure ci-dessous présente des projections extraites de notre rapport du 26 octobre 2020 juste avant la décision de confinement. Elles indiquaient que sans impact du couvre-feu (mis en place le 17 octobre) et sans confinement, on pouvait s’attendre à 9000 lits de réanimation occupés à la mi-novembre (trait rouge); mais que ce nombre pouvait descendre à 5000 lits en cas de réduction importante de la transmission à partir du 26 octobre (trait bleu clair):

Plusieurs mois après le démarrage de la seconde vague, avec davantage de recul et données, nous avons pu entamer un travail d’évaluation systématique des différents modèles et prédicteurs. Au total, nous avons évalué une quinzaine de modèles et une vingtaine de prédicteurs. Pour chaque modèle, nous avons évalué l’erreur relative du modèle pour anticiper les nombres d’hospitalisations, d’admissions en soins critiques, de lits d’hospitalisations conventionnelles et de soins critiques de 1 à 14 jours après la date d’analyse, au niveau national et par région.

Quel est le meilleur modèle ?

Cette évaluation systématique est riche d’enseignements. Les modèles peuvent s’appuyer sur trois grandes familles de prédicteurs :

  • les prédicteurs épidémiologiques : par exemple, les données sur le nombre de cas, sur les taux de positivité, sur les hospitalisations ou les admissions en soins critiques, en considérant l’ensemble des patients ou certains groupes d’âge uniquement ;
  • les prédicteurs météorologiques : par exemple, la température, l’humidité ou l’indicateur IPTCC (Index PREDICT de Transmissivité Climatique de la COVID-19 – index tenant compte des conditions météorologiques) ;
  • et les prédicteurs de mobilité : par exemple, le volume de fréquentation de certains lieux tels que les commerces, les transports en commun, les lieux de travail etc. (données Google) ou le volume de requêtes d’itinéraires (données Apple).

Nous trouvons que les modèles les plus performants utilisent au moins un prédicteur épidémiologique et un prédicteur de mobilité, sans que ce soit forcément le même prédicteur qui ressorte pour une famille donnée. L’ajout d’une variable météorologique apporte également un gain, mais qui est nettement plus marginal. Les prédicteurs épidémiologiques les plus performants sont en général les prédicteurs précoces (par exemple, la dynamique du taux de positivité).

Au final, plutôt que d’utiliser le modèle individuel ayant les meilleures performances, nous trouvons qu’il est préférable de construire ce qu’on appelle un « modèle d’ensemble ». Cette approche consiste à faire la moyenne des projections de plusieurs modèles (un ensemble de modèles). Elle est déjà utilisée pour les prévisions climatiques et plus récemment dans le contexte des épidémies. Philosophiquement, cette approche est très attrayante car elle reconnaît que tout modèle a ses limites. En s’appuyant sur un modèle d’ensemble, on réduit le risque que la trajectoire prédite soit trop influencée par les hypothèses d’un modèle spécifique. L’intérêt se confirme en pratique : le modèle individuel le plus performant varie d’une région à l’autre ; mais en moyenne, le modèle d’ensemble arrive en tête.

Performances, incertitudes, limites et développements futurs

Dans notre analyse rétrospective, l’erreur relative pour les projections du nombre de lits de soins critiques au niveau national est de 6% à 7 jours et de 11% à 14 jours. A l’échelle régionale, l’erreur relative est de 14% à 7 jours et 20% à 14 jours.

L’émergence de variants plus transmissibles tels que le variant britannique B.1.1.7 pose de nouveaux défis. En effet, notre modèle d’ensemble a été calibré sur des données recueillies pendant une période où ces variants ne circulaient pas encore. Au fur et à mesure que ces variants deviennent dominants, notre modèle risque de sous-estimer la dynamique de croissance de l’épidémie. L’impact de ces variants sur la qualité des projections dépendra sans doute des prédicteurs utilisés. Par exemple, la transmissibilité accrue de B.1.1.7 devrait impacter toutes les variables épidémiologiques de la même façon. On s’attend donc à ce que la performance de modèles utilisant uniquement des prédicteurs épidémiologiques soit moins impactée par l’émergence des variants. Pour cette raison, nous avons développé un deuxième modèle d’ensemble (modèle 2) qui s’appuie uniquement sur des prédicteurs épidémiologiques. Ce deuxième modèle est un peu moins performant sur les données historiques que notre premier modèle (entre 0 et 4% d’erreur en plus) mais sa performance devrait être moins sensible aux évolutions de dynamique liées à la diffusion de nouveaux variants. Par ailleurs, la vaccination va également venir modifier la dynamique des hospitalisations. Au fur et à mesure que la couverture vaccinale augmente, notre modèle risque de sur-estimer la dynamique des hospitalisations.

Nous développons d’autres modèles pour caractériser de façon plus détaillée l’impact des variants et de la vaccination sur l’épidémie et le système de santé. Ces différents modèles sont complémentaires: le modèle d’ensemble présenté dans cette page est un modèle statistique qui analyse une série de prédicteurs pour anticiper la dynamique des hospitalisations à très court terme; les modèles mécanistiques qui prennent en compte l‘impact des variants et de la vaccination permettent d’étudier l’évolution possible de l’épidémie à moyen terme.

Pour en savoir plus :
  • Juliette Paireau, Alessio Andronico, Nathanael Hozé, Maylis Layan, Pascal Crépey, Alix Roumagnac, Marc Lavielle, Pierre-Yves Boëlle, Simon Cauchemez. An ensemble model based on early predictors to forecast COVID-19 healthcare demand in France, HAL Pasteur (2021) https://hal-pasteur.archives-ouvertes.fr/pasteur-03149082

Nos projections

Pour les régions dont les données le permettent, nous présentons :

  • Les projections des besoins hospitaliers obtenues avec le modèle 1 (modèle qui s’appuie sur les prédicteurs épidémiologiques, météorologiques et de mobilité)
  • Les projections des besoins hospitaliers obtenues avec le modèle 2 (modèle qui s’appuie uniquement sur les prédicteurs épidémiologiques)
  • La dynamique des prédicteurs utilisés dans les modèles.

Pour les régions d’outre-mer, les données de mobilité n’étant pas disponibles et le climat étant très différent de celui observé en France métropolitaine, nous ne présentons que les projections du modèle 2 et les prédicteurs épidémiologiques.

Par région

Le modèle 2 utilisant uniquement les prédicteurs épidémiologiques est actuellement le plus performant. Nous ne présentons donc plus que les résultats de ce modèle.

Au niveau national et dans les régions métropolitaines, le modèle d’ensemble anticipe une baisse des admissions à l’hôpital dans les jours qui viennent, liée à la baisse du nombre de tests positifs.

Dans les régions d’outre-mer, les effectifs étant faibles, nos projections restent très incertaines, en particulier en Martinique où les délais de saisie des données peuvent être instables.

Dernière mise à jour le 20 septembre 2021 ( projections jusqu'au 3 octobre 2021 )

Les figures ci-dessous présentent, pour la région sélectionnée, les projections du modèle 2 (modèle qui s’appuie uniquement sur les prédicteurs épidémiologiques) pour le nombre d’admissions journalières à l’hôpital (panneau A) et en soins critiques (panneau B), ainsi que pour le nombre de lits occupés par des patients COVID-19 en hospitalisation conventionnelle (panneau C) et en soins critiques (panneau D), sur les 14 prochains jours.
Légende : Dans chaque panneau, les données brutes sont représentées par une ligne grise et les données lissées (pour enlever les variations liées aux week-ends notamment) par une ligne noire. Dans le panneau A, nous montrons les projections de chaque modèle individuel ainsi que celles du modèle d’ensemble (trait gras bleu en pointillés) qui correspond à la moyenne des modèles individuels. La zone en bleu clair indique l’intervalle de confiance des projections du modèle d’ensemble. Dans les autres panneaux, nous montrons uniquement les projections pour le modèle d’ensemble.

Données utilisées : Nous utilisons la base de données SIVIC qui recense chaque jour les hospitalisations de patients pour COVID-19 (cas confirmés par PCR ou TDM thoracique) dans les hôpitaux publics ou privés en France. Nous prenons en compte les patients enregistrés comme nouvellement hospitalisés en hospitalisation conventionnelle ou en soins critiques (incluant réanimation, soins intensifs et surveillance continue). Contrairement aux statistiques officielles, nous ne prenons pas en compte les patients en soins de suite et de réadaptation (SSR), en hospitalisation psychiatrique, ou en soins d’urgence. Par ailleurs, nous représentons les courbes en date d’évènement (date d’admission, date d’entrée en soins critiques...) et non en date d’enregistrement de l'événement dans SI-VIC, et nous corrigeons de l’effet des délais de notification. Pour ces raisons, le nombre d’admissions et le nombre de lits occupés peuvent être différents de ceux rapportés dans les statistiques officielles.