Automating Patient Triage and Disposition Prediction Using Machine Learning for Decision Support in Emergency Departments and Home Care Settings

Cette thèse s'inscrit dans le domaine de la santé et applique l'intelligence artificielle à la gestion des urgences hospitalières. Elle propose des méthodes basées sur l'apprentissage automatique pour automatiser le triage des patients, prédire leur disposition (admission ou retour), et étendre la prise de décision vers le suivi à domicile. Les principales contributions incluent : un algorithme de symbolisation et d'extraction des signes vitaux, la génération réversible de données fictives, le développement de modèles prédictifs robustes et la conception d'une architecture conceptuelle intégrant l'Internet des Objets Médicaux (IoMT).Les urgences hospitalières, confrontées à une forte affluence et à une variabilité des cas, souffrent de délais d'attente, de saturation et d'une utilisation parfois inefficace des ressources. Le triage, étape critique, reste manuel, dépendant du jugement des soignants et exposé à la subjectivité. La disposition des patients (hospitalisation ou non) constitue également un point sensible pour la fluidité du parcours de soins.La problématique centrale est la suivante : comment développer des modèles fiables de triage et de prédiction de disposition, exploitant des données cliniques hétérogènes, tout en restant robustes et utilisables en pratique réelle ? Les solutions fixés sont : (1) automatiser la classification à partir des signes vitaux et plaintes principales ; (2) proposer un algorithme de symbolisation des données physiologiques ; (3) générer des bases fictives réalistes pour pallier le manque de données publiques ; (4) construire des modèles prédictifs de disposition intégrant classification et prévision ; (5) concevoir une architecture IoMT pour le suivi à distance des patients à faible risque.La méthodologie associe préparation rigoureuse des données (nettoyage, sélection, encodage, rééquilibrage des classes), symbolisation des signes vitaux, génération réversible de données fictives et expérimentation de modèles de machine learning (régression logistique, forêts aléatoires, XGBoost, MLP) et de deep learning (LSTM, CNN). Des méthodes d'ensemble (voting, stacking) renforcent la stabilité des résultats. L'ensemble des travaux s'appuie sur la base Yale New Haven Health System (2014-2017), riche de plus de 600 variables cliniques.Les résultats montrent que : (i) les modèles supervisés de triage reproduisent le jugement clinique avec des performances élevées (AUROC > 90 % pour XGBoost et MLP) ; (ii) la symbolisation facilite l'interprétation et permet la génération de bases fictives réalistes ; (iii) les approches d'ensemble surpassent les modèles individuels dans la prédiction de disposition, atteignant des AUROC supérieurs à 97 % ; (iv) l'intégration d'une étape de classification de la sévérité (ESI) améliore la cohérence des décisions ; (v) l'extension vers une architecture IoMT ouvre des perspectives concrètes pour la continuité des soins et la médecine connectée.En conclusion, cette thèse démontre la faisabilité et l'intérêt de l'automatisation du triage et de la disposition par des modèles de ML/DL adaptés. Elle combine innovation méthodologique (symbolisation, génération de données), avancées applicatives (triage et disposition automatisés) et vision systémique (IoMT). Elle constitue ainsi une base solide pour l'intégration de l'IA dans la décision clinique, en renforçant précision, rapidité et continuité des soins.