Réhospitalisations potentiellement évitables après infection bactérienne aiguë : définition opérationnelle, déterminants hospitaliers et territoriaux et modèles prédictifs // Potentially preventable readmissions after acute bacterial infection: operationa

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 morbi‑mortalité 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 médico‑administratives, 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 médico‑administratives (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 post‑hospitalisation.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This project aims to investigate hospital- and area-level variability and to develop prediction tools for potentially preventable readmissions (PPRs) within 30 days after hospitalization for acute bacterial infection, events that are frequent, costly, and associated with increased morbidity and mortality, particularly among patients who have experienced sepsis. The primary challenge is methodological: because the “potentially preventable” nature of a readmission is not directly observable in administrative health data, the project first aims to build a robust and reproducible operational definition using PMSI/SNDS data, then to understand the determinants of observed variations, and finally to develop a decision-support tool. The thesis is structured in three parts: (1) identifying, among all 30-day rehospitalizations, those that are unplanned (planned admissions being excluded using rules based on admission mode, type of stay, typically scheduled CCAM procedures, and certain diagnostic contexts), and then defining PPRs among unplanned readmissions using criteria that make explicit the clinical link with the index stay (same infection or infection site, related infectious complication, relapse/treatment failure, etc.); these criteria will be established through expert consensus using a Delphi method and translated into operational rules, in order to estimate their frequency, reasons, and associated patient profiles; (2) analyzing variability in PPRs beyond individual-level factors by constructing, for each acute-care hospital, an indicator of the PPR rate (PPRs relative to unplanned readmissions) and studying associations with hospital characteristics (type of facility, capacity, activity volume, etc.) and territorial characteristics (population ageing, socioeconomic deprivation, etc.), obtained by linking SAE (DREES) and INSEE data, using multilevel models to estimate departmental heterogeneity and to test interactions between territorial context and hospital characteristics; and (3) develop and evaluate patient-level predictive models of the 30-day risk of PPR after hospitalization for acute bacterial infection. The models will rely on information available in administrative health data (patient profile, health status, and index-stay characteristics) and will also incorporate hospital- and area-level contextual factors. Two approaches will be compared, penalized logistic regression (Lasso) and boosted tree models, to identify the most appropriate method. Performance will be assessed on 2022-2025 data (internal validation) and then confirmed on later data (external validation) to produce a generalizable tool to support discharge planning and early post-hospital follow-up.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrats ED : Programme blanc GS-SanPub

Université Paris-Saclay GS Santé publique

570 Santé Publique

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
Master of biostatistics/data sciences or equivalent Statistics (R), data management Knowledge in epidemiology and public-health Good practice of English Good writing in French and English