Intelligence des données au service de la gestion optimisée des urgences hospitalières

Data intelligence for optimized management of hospital emergencies

• Auteur / Autrice : Khouloud Fakhfakh
• Direction : Slim Hammadi, Hayfa Zgaya
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et des images
• Date : Inscription en doctorat le ; Soutenance le 18/11/2022
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille
• Jury : Président / Présidente : Aziz Moukrim
• Jury : Examinateurs / Examinatrices : Slim Hammadi, Jean-Charles Billaut, Alassane B. ndiaye, Christophe Bortolaso, Laetitia Jourdan, Hayfa Zgaya, Jean-Marie Renard
• Jury : Rapporteur / Rapporteuse : Jean-Charles Billaut, Alassane B. ndiaye

Mots clés

Mots clés libres

Apprentissage automatique

Aide à la décision

Ontologies médicales

Gestion de l'incertitude

Urgences hospitalières

Intelligence artificiel hybride

Machine Learning

Decision support system

Medical ontologies

Uncertainty management

Hospital emergencies

Hybrid Artificial intelligence

Résumé

Ces dernières années, l’amélioration de qualité de soins est l'un des principaux défis auxquels sont confrontés de nombreux établissements hospitaliers, en particulier les services d'urgence (SU). L'augmentation de demandes d'admission aux urgences et le système de triage non précis peuvent conduire à des problèmes de tension. Cette thèse, qui est dans le cadre du projet ANR OIIHL, propose un Système d’Aide au Triage et de Gestion de Tension (SATGT) pour optimiser la prise en charge des patients. En effet, le premier objectif principal de ce système est de prédire la fréquentation des patients et la tension aux urgences. Le second est de recommander aux gestionnaires des urgences les mesures préventives et correctives nécessaires pour éviter les situations de tension. Le dernier objectif est d’aider les infirmiers de triage à orienter les patients vers les parcours adéquats. Les systèmes et les modèles existants, tels que les modèles de réseaux de neurones, sont principalement basés sur des données structurées et ne peuvent pas exploiter les données non structurées textuelles telles que les observations médicales, les symptômes et les antécédents médicaux, etc. Dans ce contexte, nous proposons une approche d'IA hybride qui combine les IA symboliques et les IA subsymboliques. Les IA symboliques sont définies par les ontologies et le raisonnement sémantiques basées sur les règles. Cette partie est proposée pour prétraiter les données non structurées textuelles, les transformer en des connaissances pertinentes et créer une base de règles permettant la recommandation des actions nécessaires pour anticiper et gérer les situations de tensions. Cette base de règles est basée sur les résultats issus des modèles d'apprentissage automatique proposés pour trier les patients, prédire l’admission et l’arrivée des patients. Cette partie présente les IA subsymboliques qui sont basées principalement sur les réseaux de neurones, la théorie de Dempster pour gérer l’incertitude des données et les techniques d’apprentissage automatique. Les expériences ont été menées sur une base de données réelle collectée dans le service des urgences Adultes (SUA) du centre hospitalier régional de Lille, en France. L'IA hybride s'est avérée être une approche utile pour prédire et anticiper les tensions aux urgences.

In recent years, improving the quality of care is one of the main challenges facing many hospitals, especially emergency departments (EDs). The increase of admission requests to the ED and the non-accurate triage system can lead to overcrowding problems. We propose in this thesis, which is in the framework of the ANR OIIHL project, a Triage Assistance and Overcrowding Management System (SATGT) to optimize patient pathway. Indeed, the objective of this system is to predict patient admission, to recommend to emergency managers the necessary preventive and corrective measures to avoid overcrowding situations and to help triage nurses to orient patients to the appropriate pathway. Existing systems and models, such as neural network models, are mainly based on structured data and cannot exploit textual unstructured data such as medical observations, symptoms and medical history,etc. In this context, we propose a hybrid approach that combines symbolic AI and subsymbolic AI. The symbolic AI are defined by ontologies and rule-based semantic reasoning. This part is proposed to preprocess unstructured textual data, transform them into relevant knowledge and create a rule base allowing the recommendation of actions needed to anticipate and manage overcrowding situations. This rule base takes into account the results of the proposed Machine Learning models for patients triage classification, predicting patient admission and forecasting arrival flow. This part presents the subsymbolic AI which are mainly based on neural networks, Dempster's theory to manage data uncertainty and machine learning techniques. The experiments were conducted on a real database collected from the Adult Emergency Department (AED) of the Regional Hospital of Lille, France. The hybrid AI proved to be a useful approach for predicting and anticipating emergency department overcrowding.