Analyse, anticipation et optimisation des parcours patient hospitaliers non-programmés à l’aide d’apprentissage supervisé et de la simulation à évènements discrets

Analysis, anticipation and optimisation of unscheduled hospital patient pathways using supervised learning and discrete event simulation

• Auteur / Autrice : Laura Uhl
• Direction : Vincent Augusto
• Type : Thèse de doctorat
• Discipline(s) : Génie industriel
• Date : Soutenance le 24/09/2024
• Etablissement(s) : Saint-Etienne, EMSE
• Ecole(s) doctorale(s) : École doctorale Sciences Ingénierie Santé (Saint-Etienne)
• Partenaire(s) de recherche : Laboratoire : Centre Ingénierie et Santé
• Jury : Président / Présidente : Xiaolan Xie
• Jury : Examinateurs / Examinatrices : Vincent Augusto, Xiaolan Xie, Maria Di Mascolo, Franck Fontanili, Laurence Watier, Guillaume Bouzillé
• Jury : Rapporteurs / Rapporteuses : Maria Di Mascolo, Franck Fontanili
• DOI : 10.70675/c2f245d2zbffbz4728zadf0zb301e978ceb6

Mots clés

Mots clés contrôlés

Optimisation globale

Systèmes échantillonnés

Hôpitaux -- Services des urgences

Hôpitaux -- Admission et sortie

Mots clés libres

Parcours patient

Soins non-programmés

Données hospitalières

Données de santé

Hospitalisation

Sortie

Engorgement des urgences

Flux de patients

Machine learning

Inférence bayésienne

Simulation à évènements discrets

Réseau de flot

Recherche opérationnelle

Patient pathways

Unscheduled care

Hospital data

Healthcare data

Hospitalisation

Discharge

Emergency department overcrowding

Patient flow

Machine learning

Bayesian inference

Discrete event simulation

Flow network

Operational research

Résumé

L'objectif de cette thèse consiste à proposer des méthodes pour analyser le flux de patients à l'hôpital, l'anticiper et le fluidifier. Nous proposons d'abord un cadre de modélisation formel reprenant les concepts de parcours patient et de fouille de processus afin d'analyser la gestion actuelle des flux de patients. Un prétraitement des données s'est révélé nécessaire afin d'identifier les choix de parcours réalisés sous contrainte de ressources limitées, induisant un biais dans les données considérées. Ensuite, nous utilisons ce prétraitement pour obtenir une base de données reflétant les parcours sans biais. Cet ensemble de parcours associé aux données saisies lors de la prise en charge des patients aux urgences est utilisé pour l'entraînement de modèles d'apprentissage supervisé afin de prédire l'hospitalisation et l'unité d'hospitalisation des patients admis dans un service des urgences. Nous nous intéressons aussi à l'anticipation des difficultés de sortie et le besoin d'un accompagnement médico-social grâce à un outil basé sur l’inférence bayésienne et permettant le traitement des petits volumes de données. Enfin, nous intégrons la connaissance de ces informations dans un modèle de simulation du flux de patients - de l'admission aux urgences, à la sortie d'hospitalisation. Ce modèle embarque un nouvel algorithme d'optimisation de l'affectation d'un patient à un lit, très efficace et basé sur un réseau de flot. Les méthodes proposées ont été appliquées sur un ensemble de données réelles issues des dossiers patient informatisés d'un hôpital français et ont permis d’étudier le phénomène d’engorgement des urgences.

The objective of this thesis is to propose methods for analysing, anticipating, and streamlining patient flows in hospitals. We first propose a formal modelling framework that incorporates the concepts of patient pathways and process mining to analyse the current management of patient flow. Data preprocessing was necessary to identify pathway choices made under limited resources, leading to bias in the data. We then use this preprocessing to obtain a dataset reflecting unbiased patient pathways. This dataset, along with data collected during patient care in the emergency department, is used to train supervised learning models to predict hospitalisation and hospital unit assignment for patients admitted to the emergency department. We also focus on anticipating discharge difficulties and the need for medical-social support. To predict this need for support, we used a tool based on Bayesian inference and appropriate to process small data. Finally, we integrate this knowledge of the future into a patient flow simulation model - from emergency department admission to hospital discharge. This model incorporates a new patient bed assignment optimisation algorithm based on a flow network, which is highly effective. The proposed methods have been applied to a set of real data from the electronic patient records of a French hospital and enable us to study the emergency department overcrowding phenomenon.