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

Abstract

Ces dernières années, l'amélioration de la qualité des soins est l'un des principaux défis auxquels sont confrontés de nombreux hôpitaux, en particulier les services d'urgence. L'augmentation des demandes d'admission aux urgences et l'imprécision du système de triage peuvent conduire à des problèmes d'engorgement. Nous proposons dans cette thèse, qui s'inscrit dans le cadre du projet ANR OIIHL, un système d'assistance au triage et de gestion de l'engorgement (SATGT) afin d'optimiser le parcours du patient. En effet, l'objectif de ce système est de prédire l'admission des patients, de recommander aux responsables des urgences les mesures préventives et correctives nécessaires pour éviter les situations d'engorgement et d'aider les infirmières de triage à orienter les patients vers le parcours approprié. Les systèmes et modèles existants, tels que les modèles de réseaux neuronaux, sont principalement basés sur des données structurées et ne peuvent pas exploiter les données textuelles non structurées telles que les observations médicales, les symptômes et les antécédents médicaux, etc. Dans ce contexte, nous proposons une approche hybride qui combine l'IA symbolique et l'IA subsymbolique. L'IA symbolique est définie par des ontologies et un raisonnement sémantique basé sur des règles. Cette partie est proposée pour prétraiter les données textuelles non structurées, les transformer en connaissances pertinentes et créer une base de règles permettant de recommander les actions nécessaires pour anticiper et gérer les situations de surpeuplement. Cette base de règles prend en compte les résultats des modèles d'apprentissage automatique proposés pour la classification du triage des patients, la prédiction de l'admission des patients et la prévision du flux d'arrivées. Cette partie présente l'IA subsymbolique qui est principalement basée sur les réseaux neuronaux, 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 provenant du service des urgences adultes de l'hôpital régional de Lille, en France. L'IA hybride s'est révélée être une approche utile pour prédire et anticiper l'engorgement des services d'urgence.