Références Méthodologie
[Salway et al., 2017], [Hwang et Concato, 2004], [Moskop et al., 2018]
Revue sur les problèmes de tension et l’appli- cation d’une analyse comparative
[Bair et al., 2010], [Hoot et al., 2008], [Koma- shieet al., 2005]
Simulation à événements discrets [Paul et al., 2010], [Chetouane et al., 2012],
[Hoot et al., 2008]
Simulation
[Erdem et al., 2012] Optimisation exacte et heuristique
[Cabrera et al., 2012], [Kaushal et al., 2015] Système muli agent
[Hosseini et al., 2013] Système expert flou avec simulation à événe- ments discrets
[Yeh et al., 2007], [Erdem et al., 2012] Simulation et algorithme génétique [F. Ajmi, S. B. Othman et al., 2018], [D.-N.
Phamet al., 2008]
Optimisation en temps réel
[Abo-Hamad et al., 2013b], [Hoot et al., 2008] Simulation pour mesurer les IPC (DTS, TAP)
Table 2.7 – Résumé des articles clés discutés dans cet état de l’art
autant que la DTS et le TAP. En raison de leur grande dépendance de paramètres propres au patient ainsi qu’à l’établissement de soin étudié.
Un résumé des articles clés discutés dans cet état de l’art, seulement ceux appliqués dans les SU, est présenté dans le tableau 2.7.
2.5
Positionnement
Dans la littérature, plusieurs travaux de recherche proposent des approches et des modèles afin de gérer les flux patients par les simulations et les analyses des bases de données. La technique de Simulation à Evénements Discret (SED) est utilisée pour identifier les goulets d’étranglement, aider les décideurs à prendre des décisions efficaces et prévoir les indicateurs de performance sous certaines contraintes et conditions spécifiques. En effet, les SU utilisent fréquemment les SED pour prévoir les situations de tension. Dans [Miller, Ferrin et Szymanski, 2003] les auteurs proposent des scénarios de simulation pour améliorer la durée de séjour du patient dans le SU en montrant les changements requis dans les processus. Dans [Blasak et al., 2003], les auteurs présentent une autre étude basée sur la SED des flux patients afin d’améliorer la durée de séjour dans le SU. Cette étude tient en compte de l’impact des autres unités hospitalières sur le SU.
D’autres travaux de recherche portent sur l’optimisation des processus de santé. Par exemple, dans [Podgorelec et al., 2001] les auteurs proposent un système basé sur une approche d’algo- rithmes évolutifs qui minimise la durée du processus de diagnostics, en choisissant l’équipement le plus fiable. Les auteurs dans [Demeester et al., 2010] proposent un algorithme de recherche tabou hybride pour le problème de l’admission des patients afin de trouver la meilleure attribution possible des lits de l’unité appropriée, en équilibrant le nombre de patients dans les différentes
unités de l’hôpital.
Cependant, la programmation stochastique pour l’optimisation des processus de santé n’est pas suffisante pour trouver des solutions efficaces dans le temps alloué [Powell et al., 2005] en raison de leur aspect très dynamique. Dans ce contexte, la programmation dynamique (PD) fournit la technique appropriée pour concevoir les résultats de la planification en stratégies réactives pour un contrôle effectif en temps réel [Barto et al., 1995]. Min et Yih [Min et al., 2010] abordent un problème de planification dans une installation chirurgicale sous contraintes de capacité limitée en utilisant la PD stochastique et en tenant compte de la priorité des patients. La PD stochastique consiste à résoudre un problème multi-période qui implique l’incertitude, en le décomposant temporairement en sous-problèmes plus petits de manière coordonnée, puis en résolvant les sous- problèmes, du plus petit au plus grand en stockant les résultats intermédiaires [Zéphyr et al., 2017].
Dans le contexte de la PD stochastique, les Processus de Décision de Markov (PDM) proposent généralement la décomposition d’un problème en plusieurs sous-problèmes afin qu’un ensemble d’états puisse représenter les différentes configurations du système [Puterman, 2014]. L’aspect de l’incertitude est modélisé par une fonction de distribution, qui décrit la probabilité d’atteindre un état à partir d’un autre pour chaque action. Le PDM présente un inconvénient majeur : la nécessité et le besoin d’intégrer dans la loi de probabilité toutes les informations recueillies depuis le début du processus, ce qui n’est généralement pas possible. La PD peut être utilisée en temps réel si l’ensemble du processus et les événements correspondants sont connus [Han et al., 2004].
Les approches d’optimisation en temps réel ont été développées afin de prendre des décisions rapides en gardant une solution globale appropriée, surtout lorsqu’un événement inattendu se produit dans le système. Cette approche est adéquate pour un problème d’optimisation de soins, en particulier dans le SU où les patients arrivent aléatoirement. Un état de l’art concernant les méthodes d’optimisation en temps réel est présenté dans [Jaillet et al., 2010] ; le temps de résolu- tion est le critère le plus important pour ces méthodes. Par exemple, l’optimisation du planning de rendez-vous en radiothérapie présente une difficulté majeure en raison de l’incertitude, qui est aussi la principale caractéristique de l’arrivée des patients. Dans ce contexte, la majorité des chercheurs proposent généralement une approche d’ordonnancement prévisionnel hors ligne, mais les solutions proposées peuvent exploser les échéances (délais) et les coûts. Dans [Erdogan et al., 2015], les auteurs proposent une approche en temps réel afin de calculer le meilleur rendez-vous pour chaque arrivée de patient avec une taille du problème limitée (10 patients). Dans [Saure et al., 2012], les auteurs proposent des processus de décision Markoviens pour résoudre le même problème. Ils obtiennent une solution appropriée pour plusieurs instances générées de manière aléatoire. Mais ils ne tiennent pas compte de toutes les informations générées depuis le début du processus de résolution. Dans le SU, la prise en compte de toutes les informations entrantes est importante pour optimiser le parcours patient en temps réel, en particulier lors d’une situation de tension. Il est bien connu que la situation de tension détériore les indicateurs de performance
2.6. Conclusion 51 hospitalières dans le monde entier, en particulier les temps d’attente.
Dans [Alexandrou et al., 2011], les auteurs présentent un système innovant de technologie de l’information qui fournit une solution en temps réel pour gérer le parcours de soins du patient. Ce système prend en compte les événements clés, les tests cliniques et les évaluations afin de produire les meilleurs résultats, tout en respectant les limites des ressources disponibles pour un cas spéci- fique de soins. Les parcours de soins impliquent l’utilisation des équipes à compétences multiples pour mettre en place les directives cliniques afin de réduire le temps d’attente des patients, les aspects d’incertitude et donc maximiser l’utilisation des ressources. Bien que ces points ne soient pas traditionnellement intégrés dans les architectures informatiques, de nombreuses propositions pour les formaliser apparaissent récemment [Crocker et al., 2007].
En effet, les travaux de recherche dans cette thèse ont pour but d’étudier et de développer la modélisation, l’optimisation et la mise en œuvre d’un Système d’Aide à la Décision (SAD) non seulement pour maîtriser et anticiper la tension mais aussi pour améliorer la prise en charge des patients. Dans ce SAD, nous avons développé une approche dynamique innovante afin d’ordonnan- cer efficacement les patients. Cette approche est basée sur deux processus complémentaires. Le premier processus est l’ordonnancement. Il concerne la planification de tous les patients du SU en utilisant un algorithme mémétique (AM) minimisant une fonction objectif globale composée de plusieurs critères. Chaque critère correspond à un IPC. Le second processus est l’orchestration, utilisant un système multi-agent pour orchestrer de manière dynamique la planification du patient (défini par le premier processus) afin d’améliorer certains indicateurs de performance en temps réel en tenant compte de la disponibilité et des compétences du personnel médical.
2.6
Conclusion
Dans ce chapitre, nous avons montré que les établissements de soins et notamment les SU font face aux problèmes de modélisation et d’optimisation de leur organisation. L’étude révèle l’importance de la mise en œuvre des méthodes de modélisation et d’ordonnancement en temps réel afin d’améliorer significativement l’ensemble des IPC du système. Dans le chapitre suivant, nous détaillons la modélisation Workflow du SUA (terrain d’expérimentation) afin d’identifier les points de dysfonctionnement ainsi que leurs causes. Ensuite, dans le chapitre 4 nous présentons la mise en œuvre du SAD dotée de notre approche de résolution.
Chapitre
3
Modélisation du parcours patient au SUA :
vers un Workflow collaboratif d’exécution
3.1
Introduction
Dans ce chapitre, nous présentons tout d’abord le workflow du parcours patient dans sa globalité. Puis, en examinant le détail du mode de fonctionnements du SUA du CHRU de Lille, nous proposons une modélisation fine de ce parcours. Cette modélisation est établie non seulement pour étudier minutieusement les différents dysfonctionnements du parcours patient, mais aussi pour identifier les IPC pertinents qui impactent le plus souvent la tension au sein du SUA. Enfin, nous démontrons l’intérêt d’une modélisation complémentaire muti-agent permettant d’ordonnancer et d’orchestrer le workflow en cours d’exécution, et vue l’importance du SMA dans la gestion du workflow, nous en consacrons une étude détaillée dans le chapitre 4.