Thèse Réhospitalisations Potentiellement Évitables Après Infection Bactérienne Aiguë Définition Opérationnelle Déterminants Hospitaliers et Territoriaux et Modèles Prédictifs H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Santé publique
École doctorale : Santé Publique
Laboratoire de recherche : Centre de Recherche en épidémiologie et Santé des populations
Direction de la thèse : Laurence WATIER ORCID 0000000240571102
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-08T23:59:59

Ce projet vise à étudier la variabilité hospitalière et territoriale, ainsi qu'à développer des outils de prédiction des réadmissions potentiellement évitables (RPE) dans les 30 jours suivant une hospitalisation pour infection bactérienne aiguë, complications fréquentes, coûteuses et associées à une morbimortalité accrue, particulièrement chez les patients ayant présenté un sepsis ; l'enjeu est d'abord méthodologique car le caractère « potentiellement évitable » n'étant pas directement observable dans les données médicoadministratives, il faut construire une définition opérationnelle robuste et reproductible à partir du PMSI/SNDS, puis comprendre les déterminants des variations observées et enfin proposer un outil d'aide à la décision. La thèse est structurée en trois parties : (1) identifier, parmi toutes les réhospitalisations à 30 jours, celles qui sont non programmées (les programmées étant exclues via des règles basées sur le mode d'entrée, le type de séjour, des actes CCAM typiquement planifiés et certains contextes diagnostiques) puis définir les RPE parmi ces non programmées au moyen de critères explicitant le lien clinique avec le séjour index (même infection ou site infectieux, complication infectieuse liée, rechute/échec, etc.), critères établis par consensus d'experts selon une méthode Delphi et traduits en règles, afin d'estimer leur fréquence, motifs et profils associés ; (2) analyser la variabilité des RPE au-delà des facteurs individuels en construisant, pour chaque établissement de soins aigus, un indicateur de taux de RPE (RPE rapportées aux réhospitalisations non programmées) et en étudiant l'association avec des caractéristiques hospitalières (type d'établissement, capacités, volumes d'activité ...) et territoriales (vieillissement, précarité ...), obtenues par croisement des données SAE (DREES) et INSEE, via des modèles multiniveaux permettant d'estimer l'hétérogénéité départementale et de tester des interaction entre les caractéristiques du contexte territorial et celles des établissements de santé ; (3) développer et évaluer, à l'échelle des patients, des modèles prédictifs du risque de RPE à 30 jours après une hospitalisation pour infection bactérienne aiguë. Les modèles s'appuieront sur des informations disponibles dans les données médicoadministratives (profil patient, état de santé, caractéristiques du séjour) et intégreront aussi des éléments de contexte hospitalier/territorial. Deux approches seront comparées : régression logistique pénalisée (Lasso) et modèles d'arbres boostés, afin d'identifier la méthode la plus pertinente. Les performances seront évaluées sur 2022-2025 (validation interne) puis confirmées sur des données ultérieures (validation externe) pour produire un outil généralisable utile à la sortie et au suivi posthospitalisation.

Les infections bactériennes aiguës sont un motif fréquent d'hospitalisation et un enjeu majeur en raison de leur gravité, de leur coût et des complications postsortie, en particulier les réadmissions non programmées à 30 jours, associées à une surmortalité et une surmorbidité, souvent très précoces après la sortie (Krumholz et al., 2013 ; Dharmarajan et al., 2013 ; Chang et al., 2015 ; GarcíaPérez et al., 2011). Une partie de ces réadmissions serait potentiellement évitable et pourrait servir d'indicateur de qualité des soins, d'où la nécessité de mieux les caractériser et anticiper (Goldfield et al., 2008 ; Auerbach et al., 2016 ; Hansen et al., 2013 ; Khera et al., 2018). Le sepsis, complication grave des infections bactériennes, demeure très létal à l'échelle mondiale et, dans les pays à haut revenu, l'augmentation du nombre de survivants s'accompagne d'un recours accru aux soins et de réadmissions fréquentes liées à des complications, récidives infectieuses ou décompensations (Singer et al., 2016 ; Vincent et al., 2009 ; Rudd et al., 2020 ; Prescott & Angus, 2018 ; Prescott et al., 2024 ; Prescott et al., 2015 ; Mayr et al., 2017 ; Goodwin et al., 2018b ; ShankarHari et al., 2020). Le projet répond à trois défis : (1) définir de façon opérationnelle les réhospitalisations potentiellement évitables à partir des données médicoadministratives, via des critères explicitant le lien avec le séjour index et une démarche de consensus (notamment Delphi) garantissant une définition partagée et reproductible (Goldfield et al., 2008 ; Hasson et al., 2000 ; Diamond et al., 2014 ; Guyatt et al., 2008) ; (2) expliquer la variabilité des RPE audelà des facteurs individuels en intégrant des déterminants hospitaliers et territoriaux (Kansagara et al., 2011 ; Krumholz et al., 2017 ; Allison et al., 2014 ; Ofoma et al., 2020 ; Valley et al., 2023 ; CalvilloKing et al., 2013 ; Fisher et al., 2003 ; van Walraven et al., 2011) ; (3) développer un outil prédictif du risque de RPE pour soutenir la décision de sortie et organiser un suivi précoce, avec l'objectif de réduire l'impact clinique et économique, en s'appuyant sur des approches de prédiction combinant données patient/séjour/historique/contexte et une évaluation rigoureuse (Prescott & Angus, 2018 ; Kahn et al., 2019 ; Prescott et al., 2015 ; Artetxe et al., 2018 ; Kansagara et al., 2011).

Suivant une première hospitalisation pour infection bactérienne aiguë, (1) Identifier les réhospitalisations potentiellement évitables ; (2) Identifier les facteurs hospitaliers et territoriaux associés aux réhospitalisations potentiellement évitables ; (3) Développer et évaluer un algorithme de prédiction des réhospitalisations potentiellement évitables.

Master 2 en biostatistiques/science des données
Diplôme d'ingénieur équivalent de biostatistique (ex. ENSAE, ENSAI, CentralSupélec)
Compétences en statistiques, data management,
Maitrise du logiciel R
Connaissances en épidémiologie/santé publique
Capacités rédactionnelles en français et en anglais