Optimisation de la prévision et de la planification des activités d’un centre d’urgence hospitalier

Forecasting and planning optimization of the activities of an emergency department

• Auteur / Autrice : Mohamed Afilal
• Direction : Farouk Yalaoui, Lionel Amodeo
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Soutenance le 18/12/2017
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Établissement public : Centre hospitalier de Troyes
• Partenaire(s) de recherche : Laboratoire : Institut Charles Delaunay / ICD
• Jury : Examinateurs / Examinatrices : Farouk Yalaoui, Lionel Amodeo, Nathalie Sauer, El-Ghazali Talbi, Mauricio Cardoso de Souza, Véronique Carré Ménétrier, Frédéric Dugardin
• Jury : Rapporteurs / Rapporteuses : Nathalie Sauer, El-Ghazali Talbi

Mots clés

Mots clés contrôlés

Simulation, Méthodes de

Séries chronologiques

Hôpitaux -- Services des urgences

Optimisation combinatoire

Mots clés libres

Optimisation combinatoire

Hôpitaux -- Services des urgences

Séries chronologiques -- Prévision

Simulation, Méthodes de

Combinatorial optimization

Hospitals--Emergency services

Time-series analysis--Forecasting

Simulation methods

Résumé

Notre travail de recherche traite la problématique de l’optimisation des activités d’un centre d’urgences hospitalières dans le but d’améliorer la qualité des services offerts aux patients. Nous avons décomposé notre approche en deux axes : prévision de la demande et optimisation des activités. Le premier axe consiste à prévoir l’afflux journalier des patients dans le service. Pour cela, on a introduit une nouvelle classification pratique des patients des urgences, qu’on a nommé EP, qui prend en considération la charge des soins nécessaires au traitement du patient et l’affiliation après le passage dans le service des urgences. Ensuite, on a développé des modèles de prévision adaptés pour prédire l’afflux quotidien par classe d’EP à long terme et à court terme. Le deuxième axe consiste à optimiser les activités du service pour minimiser le temps moyen d’attente dans le service. Pour y parvenir, on a développé, dans un premier temps, un outil d’évaluation des performances du système basé sur la simulation à évènements discrets. Cet outil nous a permis d’évaluer le temps d’attente moyen des patients pour différentes organisations du service. Par la suite, on s’est intéressé à l’optimisation de l’affectation des ressources humaines du service (médecins, internes, infirmières, aides-soignants). Pour cela, on a développé une approche méta-heuristique qui se base sur le couplage d’un algorithme génétique avec le modèle de simulation. Cette approche permet également l’optimisation du service dans le futur en injectant les prévisions des patients dans le simulateur

Our research focuses on the optimization of the activities of a hospital emergency department in order to improve the quality of services offered to patients. We have decomposed our approach into two areas: demand forecasting and optimization of activities. The first axis consists in forecasting the daily inflow of patients into the department. To this end, a new emergency classification of emergency patients, named EP, is introduced, taking into account the medical resources needed to treat the patient and post-emergency affiliation. We developed predictive models to forecast the daily inflow by EP class in the long-term and short-term. The second axis is to optimize service activities to minimize the average waiting time of patients in the service. To achieve this purpose, a system performance evaluation tool based on discrete event simulation was developed. This tool allowed us to evaluate the average waiting time of patients for different organizations of the service. Afterwards, we focused on optimizing the allocation of human resources (doctors, interns, nurses and caregivers). A meta-heuristic approach has been developed to solve the problem, since the objective function is not linear, which is based on the coupling of a genetic algorithm with the simulation model to evaluate the solutions. This approach also optimizes service in the future by injecting patient forecasts into the simulator