Optimisation collaborative par des agents auto-adaptatifs pour résoudre les problèmes d'ordonnancement des patients en inter-intra urgences hospitalières

Collaborative optimization by self-adaptive agents to solve patient scheduling problems in inter-intra hospital emergencies

• Auteur / Autrice : Faiza Ajmi
• Direction : Slim Hammadi, Hayfa Zgaya
• Type : Thèse de doctorat
• Discipline(s) : Automatique, génie informatique, traitement du signal et des images
• Date : Soutenance le 28/09/2021
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille (CRIStAL) - UMR 9189 / CRIStAL
• Jury : Président / Présidente : Aziz Moukrim
• Jury : Examinateurs / Examinatrices : Aziz Moukrim, Jean-Marie Renard
• Jury : Rapporteur / Rapporteuse : Dominique Quadri, Lionel Amodeo

Mots clés

Mots clés contrôlés

Systèmes d'aide à la décision

Hôpitaux -- Services des urgences

Logistique (gestion)

Apprentissage par renforcement (intelligence artificielle)

Apprentissage automatique

Traitement réparti

Métaheuristiques

Santé

Ordonnancement (gestion)

Mots clés libres

Ordonnancement en santé

Métaheuristiques

Systèmes multi-Agents

Apprentissage

Optimisation collaborative

Logistique hospitalière

Healthcare scheduling

Metaheuristics

Multi-Agent systems

Learning

Collaborative optimization

Hospital logistics

Résumé

Cette thèse s’attaque à des problèmes d’ordonnancement des patients aux urgences, avec prise en compte des contraintes d’aval, en utilisant des approches d’optimisation collaboratives optimisant le temps d’attente global moyen des patients. Ces approches sont utilisées en intégrant, dans le comportement de chaque agent,une métaheuristique qui évolue efficacement, grâce à deux protocoles d’interaction ''amis'' et ''ennemis''. En outre, chaque agent s’auto-adapte à l’aide d’un algorithme d’apprentissage par renforcement adapté a unproblème étudié. Cette auto-adaptation tient compte d’expériences des agents et de leurs connaissances de l’environnement des urgences. Afin d’assurer la continuité d’une prise en charge de qualité des patients,nous proposons également dans cette thèse, une approche conjointe d’ordonnancement et d’affectation des lits d’aval aux patients. Nous illustrons les approches collaboratives proposées et démontrons leur sefficacités sur des données réelles provenant des services des urgences du CHU de Lille obtenues dans le cadre du projet ANR OIILH. Les résultats de simulations donnent des meilleurs ordonnancements par rapport aux scénarios dans lesquels les agents travaillent individuellement ou sans apprentissage.L’application des algorithmes qui gèrent la prise en charge des patients dans les services d’aval, fournit des résultats sous la forme d’un tableau de bord, contenant des informations statiques et dynamiques. Ces informations sont mises à jour en temps réel et permettent aux urgentistes d’orienter plus rapidement les patients vers les structures qui peuvent les accueillir. Ainsi, les résultats des expérimentations montrent que les algorithmes d’IA proposés peuvent améliorer de manière significative l’efficacité de la chaîne des urgences en réduisant le temps d’attente global moyen des patients en inter-intra-urgences

This thesis addresses the scheduling patients in emergency department (ED) considering downstreamconstraints, by using collaborative optimization approaches to optimize the total waiting time of patients.These approaches are used by integrating, in the behavior of each agent, a metaheuristic that evolvesefficiently, thanks to two interaction protocols ''friends'' and ''enemies''. In addition, each agent self-adaptsusing a reinforcement learning algorithm adapted to the studied problem. This self-adaptation considersthe agents’ experiences and their knowledge of the ED environment. The learning of the agents allowsto accelerate the convergence by guiding the search for good solutions towards more promising areas inthe search space. In order to ensure the continuity of quality patient care, we also propose in this thesis,a joint approach for scheduling and assigning downstream beds to patients. We illustrate the proposedcollaborative approaches and demonstrate their effectiveness on real data provided from the ED of the LilleUniversity Hospital Center obtained in the framework of the ANR OIILH project. The results obtainedshow that the collaborative Learning approach leads to better results compared to the scenario in whichagents work individually or without learning. The application of the algorithms that manage the patientscare in downstream services, provides results in the form of a dashboard, containing static and dynamicinformation. This information is updated in real time and allows emergency staff to assign patients morequickly to the adequate structures. The results of the simulation show that the proposed AI algorithms cansignificantly improve the efficiency of the emergency chain by reducing the total waiting time of patientsin inter-intra-emergency.