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

Abstract

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