2026

Hôpitaux Data

Système de prévision de l'activité hospitalière de la Pitié-Salpêtrière avec modèle SARIMA. Analyse de 132 observations mensuelles (2012-2022), modélisation de l'impact COVID-19 et dashboard Streamlit interactif avec modes Normal/Crise.

Prévisions SARIMA des passages mensuels aux urgences pour 2023-2024, avec l'historique 2012-2022 et l'intervalle de confiance à 95 %

fig. 01 · Prévisions SARIMA 2023-2024 des passages aux urgences, intervalle de confiance à 95 %

Hôpitaux Data est un projet d'analyse prédictive de l'activité du service des urgences de l'hôpital Pitié-Salpêtrière (Paris). Le système utilise un modèle SARIMA(1,1,1)(1,1,1,12) entraîné sur 132 observations mensuelles (2012-2022) pour prévoir l'activité sur 24 mois (2023-2024) avec intervalles de confiance à 95%. Le projet inclut une analyse approfondie de l'impact COVID-19, une simulation de scénarios de crise et un dashboard Streamlit interactif permettant le filtrage temporel et l'ajustement de l'intensité des crises. Projet réalisé en équipe de 4 pour Epitech Digital School.

Dix ans de passages

Carte de chaleur des passages mensuels aux urgences, une ligne par année de 2012 à 2022 et une colonne par mois, du jaune pâle au rouge sombre

fig. 02 · Passages mensuels aux urgences par mois et par année, 2012-2022

La série compte 132 observations mensuelles (2012-2022), reconstruites à partir des rapports annuels PSL-CFX. La lecture mois par année fait ressortir la hausse continue et le creux estival qui revient chaque année.

Impact COVID-19

Les vagues COVID-19 isolées dans la série temporelle

fig. 03 · Les vagues COVID-19 isolées dans la série, pour modéliser leur impact

Les vagues COVID-19 sont isolées dans la série pour modéliser leur impact exceptionnel sans casser la saisonnalité apprise sur le reste de la période.

Diagnostic SARIMA

Quatre graphiques de diagnostic des résidus du modèle SARIMA : résidus standardisés, histogramme avec densité, Q-Q plot normal et corrélogramme

fig. 04 · Diagnostic des résidus du modèle SARIMA(1,1,1)(1,1,1,12)

Modèle SARIMA(1,1,1)(1,1,1,12) optimisé pour la saisonnalité mensuelle. Les résidus sont contrôlés (histogramme, Q-Q plot, corrélogramme) avant de retenir le modèle : R² = 89 %, MAE = 892 passages, MAPE = 6,2 %.

Mode Normal / Crise

Dashboard Streamlit en mode Crise sanitaire : sélecteur de mode et curseur d'intensité dans la barre latérale, indicateurs clés et courbe comparant le scénario normal au scénario de crise sur 2023-2024

fig. 05 · Dashboard Streamlit, mode Crise sanitaire, simulation à intensité 1,35

Dashboard Streamlit avec deux modes, Normal et Crise sanitaire, filtrage temporel par année et trimestre, et une intensité de crise ajustable qui recalcule le scénario face aux prévisions de référence.

Défis

Construction du jeu de données à partir des rapports annuels PSL-CFX
Modélisation de la saisonnalité et de l'impact exceptionnel du COVID-19
Création de prévisions fiables avec intervalles de confiance pour la planification hospitalière
Simulation de scénarios de crise avec intensité ajustable

Solutions

Pipeline de données avec extraction et nettoyage des rapports annuels
Modèle SARIMA(1,1,1)(1,1,1,12) optimisé pour la saisonnalité mensuelle
Dashboard Streamlit interactif avec modes Normal et Crise
20+ visualisations (Plotly, Seaborn) avec rapport technique et présentation

Résultats

R² = 89%, MAE = 892 passages, MAPE = 6.2%
Prévisions sur 24 mois avec intervalles de confiance à 95%
Dashboard interactif avec filtrage temporel et simulation de crise
Livrables complets : dashboard, rapport technique, plan d'implémentation

Technologies

Python · SARIMA · Streamlit · Pandas · Plotly · Scikit-learn · Statsmodels