Stage M2 : Structuration et analyse de données pour l?identification et la caractérisation de tâches

Structuration et analyse de données pour l’identification et la caractérisation de tâches de soin.

Sujet :

Dans le cadre du projet ANR OIILH (Optimisation Inter et Intra Logistique Hospitalière), nous
visons à concevoir un système d’aide à l’ordonnancement et à la planification des
ressources pour des services d’urgences adultes (SUA).

Le parcours patient au sein d’un SUA peut être modélisé comme un projet à planifier. Il faut
traiter tous les patients relativement à leur degré d’urgence en visant à minimiser les temps
d’attente. Cependant, les tâches de soins et leur séquencement ne sont pas connus à l’arrivée
d’un patient. Des approches dynamiques [1][2], augmentées de renforcement [4] ou dédiées
aux services dont dépend les urgences [3] ont été explorées. L’ensemble des tâches de soin
peut être vu comme un graphe de précédences (DAG) à ordonnancer. Le problème peut être
simplifié en considérant des sous-ensembles complets connus à l’avance [5], ce qui réduit le
nombre de types de pathologies et standardise trop les parcours patients. En réalité, seules
certaines séquences de tâches sont connues à un instant donné.

L'objectif de ce sujet est de structurer et analyser des données de SUA. A partir de données
recueillies, nous cherchons à répertorier des séquences de tâches de soin, leurs
caractéristiques ainsi que leurs enchaînements.

Missions :

1. Etude bibliographique sur l’analyse de données de soin
2. Caractérisation et typologie des tâches/séquences de soin
3. Caractérisation d’enchaînement de séquences de soin
4. Mise en évidence des informations incomplètes et hypothèses de reconstruction de ces informations
5. Elaboration de méthodes de reconstruction d’informations incomplètes
6. Construction à partir des données existantes de graphes de tâches de soin
7. Modélisation de la problématique d’ordonnancement
8. Implémentation et test
9. Rédaction

Localisation, conditions et durée :

L’étudiant.e travaillera au sein du laboratoire Heudiasyc, UMR CNRS 7253 : Heuristique et
Diagnostic des Systèmes Complexes, https://www.hds.utc.fr

Candidature :

Envoyer CV, lettre de motivation, relevés de notes et classements à
jean-paul.boufflet@utc.fr
aziz.moukrim@utc.fr
La connaissance des langages c++ et/ou python, de CPLEX et/ou COIN OR
(https://www.coin-or.org/) est un plus pour la candidature.

Références :

[1] Kiri?, , Yüzügüllü, N., Ergün, N., and Alper Çevik, A. (2010). A knowledge-based scheduling.
system for Emergency Departments. Knowledge-Based Systems, 23(8):890–900.

[2] Ajmi, F., Zgaya, H., Othman, S. B., and Hammadi, S. (2019). Agent-based dynamic
optimization for managing the workflow of the patient’s pathway. Simulation Modelling
Practice and Theory, 96.

[3] Azadeh, A., Hosseinabadi Farahani, M., Torabzadeh, S., and Baghersad, M. (2014).
Scheduling prioritized patients in emergency department laboratories. Computer
Methods and Programs in Biomedicine, 117(2):61–70.

[4] Lee, S. and Lee, Y. H. (2020). Improving Emergency Department Efficiency by Patient
Scheduling Using Deep Reinforcement Learning. Healthcare, 8(2):77.

[5] Luscombe, R. and Kozan, E. (2016). Dynamic resource allocation to improve emergency
department efficiency in real time. European Journal of Operational Research,
255(2):593–603.