• 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 5 janvier 2023

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).

Lors de l'évaluation faite au printemps 2021, nous avons trouvé que les modèles les plus performants utilisaient 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 apportait également un gain, mais nettement plus marginal. Les prédicteurs épidémiologiques les plus performants étaient 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 9% à 14 jours. A l’échelle régionale, l’erreur relative est de 8% à 7 jours et 13% à 14 jours.

L’émergence de variants plus transmissibles et la vaccination progressive de la population posent de nouveaux défis car ces éléments sont susceptibles de modifier la relation entre la dynamique de croissance des hospitalisations et nos prédicteurs. L’impact de ces éléments sur la qualité des projections dépendra des prédicteurs utilisés. Par exemple, la transmissibilité accrue d'un variant 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 potentiellement 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 pourrait être moins sensible aux évolutions de dynamique liées à la diffusion de nouveaux variants ou à la vaccination. Pour ces raisons, nous ne présentons désormais plus que les résultats de ce modèle.

Pour anticiper les besoins en lits, nous estimons les durées de séjour en hospitalisation conventionnelle et en soins critiques. Ces durées restent difficiles à estimer. Une sous-estimation ou sur-estimation de ces durées risquent d’induire une sous-estimation ou sur-estimation des besoins en termes de lits d’hospitalisation conventionnelle et de soins critiques.

Pour en savoir plus :
  • Juliette Paireau, Alessio Andronico, Nathanaël 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 health care demand in France, PNAS (2022) https://doi.org/10.1073/pnas.2103302119

Nos projections

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

  • 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.


D'après les projections du 3 janvier 2023 :

  • 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.
  • Nous présentons aussi les résultats pour quatre des cinq régions d’outre-mer; cependant, étant donné les effectifs faibles dans ces régions, nos projections restent très incertaines.
  • Nouveauté : depuis le 12 octobre 2022, les admissions journalières à l’hôpital incluent désormais tous les nouveaux patients déclarés dans la base de données SI-VIC, quel que soit le type d’hospitalisation (hospitalisation conventionnelle, soins de suite et réadaptation (SSR), unités de soins longue durée (USLD), hospitalisation psychiatrique, soins critiques, soins aux urgences), comme dans les statistiques officielles.

Dernière mise à jour le 5 janvier 2023 ( projections jusqu'au 16 janvier 2023 )

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) 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 : Depuis le 12 octobre 2022, nous utilisons les statistiques SI-VIC officielles, telles que rapportées par Santé publique France en open data. Ainsi, les nouvelles admissions à l’hôpital incluent tous les nouveaux patients déclarés dans la base de données SI-VIC, quel que soit le type d’hospitalisation (hospitalisation conventionnelle, soins de suite et réadaptation (SSR), unités de soins longue durée (USLD), hospitalisation psychiatrique, soins critiques, soins aux urgences). De plus, nous travaillons désormais en date de déclaration et nous ne corrigeons donc plus de l’effet des délais de déclaration.