Réadmissions et multimorbidité : un modèle auto-supervisé qui apprend le patient avant de connaître l'issue

Une équipe de Newcastle, Queen Mary University of London et Birmingham (consortium AI-MULTIPLY) construit Self-HR, un modèle qui apprend d'abord à « résumer » sans étiquette le dossier de 99 207 patients britanniques atteints d'au moins deux maladies chroniques, puis se spécialise pour prédire une réadmission d'urgence dans les 30 jours suivant la sortie. Sur cette cohorte il atteint une AUROC de 0,92 et surpasse nettement XGBoost et les réseaux supervisés, avec une validation externe sur 79 224 patients d'une seconde base indépendante ; surtout, il reste solide quand la moitié des étiquettes manquent, là où les modèles classiques s'effondrent. Le résultat est réel, mais l'essentiel du signal vient du diagnostic d'admission lui-même, et tout repose sur des données rétrospectives d'une population britannique peu représentative.

Le contexte

La réadmission hospitalière non programmée — un retour à l'hôpital en urgence peu après une sortie — est un marqueur de qualité et un poste de coûts majeur. Au Royaume-Uni, le taux de réadmission à 30 jours est passé d'environ 12,5 % en 2014 à 15,5 % en 2021, et ces retours représentent près de 19 % du coût des admissions d'urgence du NHS ; jusqu'à 48 % seraient potentiellement évitables. D'où l'idée récurrente de repérer, au moment de la sortie, les patients à haut risque pour cibler un suivi renforcé.

Le problème est que la plupart des outils existants ont été conçus pour une seule maladie et se généralisent mal. L'indice LACE, le plus répandu, plafonne à une AUROC de 0,60–0,68 ; les modèles de machine learning antérieurs dépassent rarement 0,70. Or les patients les plus concernés sont justement ceux qui cumulent plusieurs pathologies — la multimorbidité (ici définie comme au moins deux maladies chroniques de longue durée), avec sa polymédication et sa complexité de prise en charge. C'est cette population que les auteurs ciblent, en s'appuyant sur deux grandes bases britanniques : la UK Biobank (UKBB) pour développer le modèle, et le Clinical Practice Research Datalink (CPRD) pour le valider sur une population différente.

La méthode

Self-HR repose sur l'apprentissage auto-supervisé (self-supervised learning) : plutôt que d'apprendre directement à prédire la réadmission, le modèle apprend d'abord, sans aucune étiquette de résultat, à comprimer puis reconstruire le dossier de chaque patient. Techniquement, c'est un autoencodeur — un réseau qui encode chaque dossier en une représentation compacte de 50 dimensions (un embedding, ou vecteur numérique résumant le patient), puis tente de reconstruire l'entrée à partir de ce résumé en minimisant l'erreur de reconstruction. Cette phase force le modèle à structurer un « espace latent » où les patients se ressemblant cliniquement se retrouvent proches. Ensuite seulement, dans une seconde phase, cette représentation est affinée (fine-tuning) avec les étiquettes de réadmission pour produire une probabilité oui/non.

Chaque patient est décrit par 1 296 variables réparties en quatre groupes : données démographiques et de mode de vie (âge, sexe, origine ethnique, indice de défavorisation de Townsend, tabac, alcool, IMC) ; prescriptions de médecine de ville dans les deux années précédant l'admission (codées par la classification britannique BNF) ; diagnostic principal à l'admission index, codé en CIM-10 (seuls les codes couvrant collectivement 90 % des diagnostics sont retenus, les plus rares étant traités comme absents) ; et un indicateur binaire pour chacune des 204 maladies chroniques répertoriées. La cible est la réadmission d'urgence dans les 30 jours, identifiée par les codes de mode d'admission du NHS.

Pour juger l'apport de Self-HR, les auteurs le comparent à quatre modèles entièrement supervisés entraînés sur les mêmes données : un Random Forest (forêt d'arbres de décision), XGBoost (une méthode de gradient boosting, référence sur données tabulaires), et deux réseaux de neurones, simple et complexe. La cohorte est fortement déséquilibrée — environ 5,95 non-réadmis pour un réadmis dans l'UKBB (14,4 % de réadmissions) — ce qui impose des métriques adaptées : outre l'AUROC (aire sous la courbe ROC, la capacité à distinguer un réadmis d'un non-réadmis), l'AUPRC (aire sous la courbe précision-rappel, bien plus informative en cas de déséquilibre) et le score F1 de la classe réadmise (moyenne harmonique de la précision et du rappel).

Les résultats

Sur l'UKBB, Self-HR devance tous les modèles supervisés : AUROC 0,92, AUPRC 0,75, et un score F1 de 0,72 pour la classe réadmise (précision 0,82, rappel 0,75). L'écart est net sur cette classe minoritaire, la seule qui compte cliniquement : XGBoost et le réseau simple n'atteignent qu'un F1 de 0,27 et 0,42, avec un rappel de la classe réadmise qui tombe à 0,16 pour XGBoost — autrement dit, il rate plus de huit réadmissions sur dix. La validation externe sur le CPRD (79 224 patients, 25,4 % de réadmissions) confirme la tendance, avec une baisse mesurée : AUROC 0,86 et F1 0,67 pour les réadmis.

Le résultat le plus utile est la robustesse au manque d'étiquettes. En n'entraînant que sur la moitié des étiquettes de réadmission, Self-HR ne recule que de 0,72 à 0,62 en F1 sur l'UKBB, quand le réseau supervisé de référence s'effondre de 0,42 à 0,28. C'est l'argument central de l'auto-supervision : apprendre des représentations utiles à partir de toutes les données disponibles réduit la dépendance à un étiquetage complet, coûteux et rare en clinique. L'étude d'ablation, enfin, montre sans ambiguïté d'où vient le signal : retirer le diagnostic d'admission fait chuter l'AUPRC de 0,75 à 0,28 et le F1 de 0,72 à 0,17 ; les prescriptions de ville arrivent en second (F1 0,72 vers 0,45).

Traduit en termes cliniques, il faut garder la mesure. Sur 1 000 patients multimorbides sortis d'hospitalisation, environ 140 seront réadmis en urgence sous 30 jours. Avec la précision et le rappel rapportés (0,82 et 0,75), Self-HR en repérerait à peu près 105, en manquerait environ 35, au prix d'à peu près 23 fausses alertes. C'est bien meilleur que l'indice LACE, mais loin d'un filet parfait — et ce chiffre décrit une performance de discrimination, pas la question, non traitée ici, de savoir si les probabilités affichées sont bien calibrées.

Ce qui est bien

Cibler la multimorbidité et valider hors échantillon. La plupart des modèles de réadmission sont mono-pathologie ; en se concentrant sur les patients cumulant au moins deux maladies chroniques, l'étude s'attaque à la population réellement à risque. Surtout, la performance est reproduite sur une seconde base indépendante (CPRD), plus diverse et plus équilibrée en sexe et en origine ethnique que l'UKBB — une validation externe que beaucoup de travaux comparables omettent, et qui est le meilleur garde-fou contre le surajustement à une seule source.

L'efficacité en étiquettes est un atout concret. Montrer que le modèle tient à 50 % d'étiquettes quand un réseau supervisé s'effondre n'est pas un détail : en pratique clinique, les issues bien annotées sont rares et coûteuses. Un modèle qui apprend l'essentiel des données non étiquetées, puis se spécialise sur un petit lot annoté, colle mieux à la réalité des systèmes de soins. Le même encodeur se transfère d'ailleurs à des tâches de régression (prédire la durée d'admission) par simple ré-affinage, sans ré-entraînement.

Une publication propre et transparente. Le preprint est diffusé sous licence CC BY 4.0 ; le financement est public (NIHR) et les auteurs ne déclarent aucun conflit d'intérêts. L'étude d'ablation, méthodique, expose où se trouve — et où ne se trouve pas — le pouvoir prédictif, et un groupe de patients partenaires (PPIE) a été associé à la démarche. C'est le genre d'hygiène qui rend un résultat vérifiable et réutilisable.

Ce qui est moins bien

Un biais de population marqué (biais de sélection). Le modèle est développé sur l'UK Biobank, connue pour son biais du volontaire sain : participants âgés de 40 à 69 ans à l'inclusion, en meilleure santé et plus aisés que la population générale, et à 94 % d'origine blanche. Une cohorte aussi peu représentative fragilise la généralisation, en particulier aux populations les plus défavorisées et non blanches — précisément celles où le risque de réadmission est souvent le plus élevé. La validation sur le CPRD, plus diverse, atténue ce point sans l'effacer, puisque tout le développement et les seuils reposent sur l'UKBB.

Le diagnostic d'admission domine tout : raccourci plutôt que profil de risque. L'ablation est sans appel — sans le diagnostic d'admission, la performance s'effondre. Cela a un sens clinique (une réadmission reflète souvent la rechute de la pathologie index), mais cela signifie aussi que le modèle « lit » surtout le motif d'entrée. On est proche d'un shortcut learning : au lieu d'un profil de risque riche et potentiellement modifiable, le modèle capte en grande partie la sévérité portée par le code diagnostique. Le risque de fuite d'information mérite aussi vigilance, la variable la plus prédictive étant très liée à l'événement même qu'on cherche à anticiper.

Comparateur indirect, métrique flatteuse, aucun prospectif. Les modèles battus (LACE à 0,60–0,68, littérature à 0,65–0,70) ne sont pas ré-exécutés tête-à-tête sur la même cohorte : la comparaison agrège des études aux définitions et populations différentes, ce qui gonfle mécaniquement l'écart (comparateur biaisé). L'AUROC de 0,92 est le chiffre le plus vendeur, mais sur une tâche à 14 % de positifs c'est l'AUPRC de 0,75 qui dit la vérité opérationnelle (métrique trompeuse). Aucune calibration n'est rapportée, aucune évaluation prospective ni essai d'impact : or l'histoire des scores de réadmission montre qu'un modèle précis ne réduit pas mécaniquement les réadmissions si l'intervention en aval ne suit pas.

Ce que ça change

Pour la communauté de recherche, l'étude est un bon argument pour l'auto-supervision sur données de santé tabulaires, déséquilibrées et incomplètement étiquetées, avec un encodeur réutilisable d'une tâche à l'autre. Les prochaines étapes s'imposent d'elles-mêmes : mesurer la calibration, analyser les performances par sous-groupes ethniques et socio-économiques, ré-exécuter les comparateurs sur la même cohorte, et surtout sortir de l'UKBB pour des populations plus représentatives.

Pour les cliniciens, rien ne change aujourd'hui : c'est un modèle de recherche, non déployé, sans marquage réglementaire. La mise en garde utile est double : la performance affichée tient beaucoup au diagnostic d'admission, et prédire n'est pas prévenir — un score, même bon, n'a de valeur que couplé à une intervention de sortie efficace (réconciliation médicamenteuse, suivi rapproché, appui communautaire).

Pour les patients et le grand public, la promesse est lisible : repérer à la sortie les personnes les plus fragiles pour mieux les accompagner. Mais la prudence s'impose sur la généralisation, tant la population d'entraînement est peu diverse ; un tel outil ne devrait pas être transposé tel quel à un autre système de santé sans nouvelle validation. Et s'il était un jour utilisé pour orienter des décisions de prise en charge, il relèverait d'un encadrement au titre de dispositif médical logiciel.

Pour aller plus loin

Le preprint est disponible sur medRxiv (DOI 10.64898/2026.08.01.26359453), sous licence CC BY 4.0, dans le cadre du programme AI-MULTIPLY financé par le NIHR. Pour le contexte, voir la littérature sur l'indice LACE et sur les limites des scores de réadmission, ainsi que les travaux sur le biais du volontaire sain de la UK Biobank et sur l'intérêt de l'AUPRC pour les tâches cliniques fortement déséquilibrées.