Création d'un jumeau numérique du bloc opératoire (OR-Twin)

Creation of the Digital Twin of the Operating Room (OR-Twin)

• Auteur / Autrice : Vanessa Lopez
• Direction : Marc-Olivier Gauci
• Type : Projet de thèse
• Discipline(s) : Recherche Clinique et Thérapeutique
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : Sciences de la vie et de la santé
• Partenaire(s) de recherche : Laboratoire : INSTITUT DE BIOLOGIE VALROSE
• Partenaire(s) de recherche : Equipe de recherche : Intelligence in Computational and Augmented surgery, Reuse of healthcare data, multiparametric Evaluation (ICARE)

Mots clés

Mots clés libres

Jumeau numérique

Ia

Santé

Traitement de signaux

Gestion des risques

Amélioration des soins

Digital twin

Ai

Health

Signal processing

Risk management

Healthcare improvement

Résumé

La chirurgie représente un domaine stratégique d'amélioration des pratiques à fort potentiel. Selon le rapport (HAS, 2019), 1187 événements indésirables graves associés aux soins (EIGS) par million d'habitants ont été recensés, évitables dans la moitié des cas. Parmi eux, 17 % surviennent au bloc opératoire. Dans les pays industrialisés, ces événements constituent une des principales causes de mortalité. Leur prévention et l'optimisation de la sécurité au bloc opératoire constituent donc des enjeux sanitaires et médico-économiques prioritaires. Ce projet appliqué s'inscrit directement au bloc opératoire afin de développer des modèles prédictifs répondant aux besoins réels des équipes chirurgicales. Il vise à anticiper les risques en intégrant les facteurs humains, techniques et organisationnels dans une modélisation dynamique de cet environnement. Ce projet de thèse propose une stratégie d'analyse de données chirurgicales multimodales associée à l'intelligence artificielle. Malgré des études en simulation (Tolvanen, et al.), aucune application intégrée et déployable n'existe à ce jour. Le projet de thèse vise à développer un modèle numérique intégrant des données hétérogènes du bloc opératoire pour analyser les flux, détecter les comportements à risque et optimiser l'organisation en salle. Initialement, l'étudiant configurera en salle opératoire les capteurs disponibles au laboratoire, puis intégrera les signaux hétérogènes de diverses sources lors d'interventions orthopédiques ou traumatologiques, afin de centraliser et constituer une base de données. Ensuite, l'étudiant proposera des algorithmes de traitement de signal et fusion de données permettant la synchronisation de l'ensemble des signaux collectés. Une analyse approfondie exploitera ensuite l'ensemble des informations recueillies de manière cohérente et pertinente. Pour ce faire, plusieurs outils existants seront rassemblés tels que le suivi oculaire, l'analyse de postures, le monitoring des patients, la segmentation automatique, des questionnaires psychologiques. Finalement, le projet vise à développer un set d'évaluation «clefs en main» contenant un compte rendu opératoire augmenté automatisé et des indicateurs de performance graphiques. Cette approche modulaire intègre divers composantes (cognitif, chirurgical, salle, équipe, etc.) chacune reposant sur un set d'outils de capteurs spécifiques. Elle permettra d'établir des corrélations entre les différents signaux et d'analyser le déroulement des interventions par apprentissage automatique, afin d'évaluer les risques peropératoires et de définir une échelle de performance du chirurgien, de l'équipe et de la salle opératoire. Les résultats attendus de ce projet de recherche translationnelle incluent des livrables aboutissant à une preuve de concept en conditions réelles au bloc opératoire. L'outil développé visera à proposer une solution accessible et applicable aux différents types d'interventions (arthroscopie, chirurgie ouverte, etc.), renforçant la sécurité du patient au bloc. En s'appuyant sur l'analyse de la qualité des soins chirurgicaux, ce travail rendra possible des études cliniques pour évaluer le retentissement sur le résultat du patient en fonction de la prédiction du modèle de performance.

Surgery represents a strategic field for improving practices with strong potential. According to the report (HAS, 2019), 1,187 serious adverse events related to care (SAEs) per million inhabitants were recorded, half of which were preventable. Among them, 17% occur in the operating room. In industrialized countries, these events are among the leading causes of mortality. Their prevention and the optimization of safety in the operating room are therefore public health and medico-economic priorities. This applied project is directly embedded in the operating room with the goal of developing predictive models that meet the real needs of surgical teams. It aims to anticipate risks by integrating human, technical, and organizational factors into a dynamic modeling of this environment. This PhD project proposes a strategy for analyzing multimodal surgical data combined with artificial intelligence. Despite studies in simulation (Tolvanen, et al.), no integrated and deployable application exists to date. The PhD project seeks to develop a digital model integrating heterogeneous data from the operating room to analyze workflows, detect risky behaviors, and optimize room organization. Initially, the student will configure in the operating room the sensors available in the laboratory, then integrate heterogeneous signals from various sources during orthopedic or trauma surgeries, in order to centralize and build a database. Next, the student will propose signal processing and data fusion algorithms to synchronize all collected signals. A thorough analysis will then exploit the information gathered in a coherent and meaningful way. To achieve this, several existing tools will be combined, such as eye tracking, posture analysis, patient monitoring, automatic segmentation, and psychological questionnaires. Ultimately, the project aims to develop a “turnkey” evaluation set including an automated augmented surgical report and graphical performance indicators. This modular approach integrates various components (cognitive, surgical, room, team, etc.), each based on a set of specific sensor tools. It will enable correlations between different signals to be established and surgical procedures to be analyzed through machine learning, in order to assess intraoperative risks and define a performance scale for the surgeon, the team, and the operating room. The expected outcomes of this translational research project include deliverables leading to proof of concept under real conditions in the operating room. The tool developed will provide an accessible and applicable solution for different types of interventions (arthroscopy, open surgery, etc.), thereby enhancing patient safety in the operating room. By relying on the analysis of the quality of surgical care, this work will also enable clinical studies to assess the impact on patient outcomes in relation to the predictions of the performance model.