Abhatoo - Centre Nationale de Documentation

Les pandémies récentes, notamment celle de COVID-19, ont mis en évidence les faiblesses structurelles et organisationnelles des systèmes hospitaliers. Un afflux soudain et massif de patients a fait débordé les urgences, allongé les temps d’attente et rendu difficile la répartition des ressources médicales ; les campagnes de vaccination massives ont révélé la difficulté à garantir une couverture rapide et équitable dans un contexte de pénuries. Ces enseignements montrent la nécessité d’outils d’aide à la décision pour favoriser la préparation hospitalière aux prochaines pandémies, améliorer la résilience des systèmes de santé, et aider les décideurs dans des contextes incertains, dynamiques et multicritères (Haldane et al., 2021).
Cette thèse présente un cadre hybride associant intelligence artificielle et optimisation pour résoudre trois problèmes : l'optimisation des structures hospitalières, le triage intelligent et la gestion des files d'attente, et l'allocation des vaccins. Les apports de ce travail se situent sur trois axes complémentaires.
Le premier axe de ce travail porte sur l’optimisation des structures hospitalières, souvent étudiée à travers le Facility Layout Problem (FLP), ou problème d’agencement des installations. Dans cette perspective, nous avons entrepris une revue de littérature approfondie afin d’examiner les différentes approches de résolution proposées dans la recherche, qu’elles relèvent de contextes statiques ou dynamiques, et d’en analyser plus particulièrement les applications au sein des établissements de santé. De cette revue, nous avons souligné les limites des méthodes traditionnelles face aux contraintes des contextes pandémiques, notamment leur rigidité et leur incapacité à absorber les chocs. Nous avons donc élaboré un modèle d'optimisation pour réorganiser les services d’urgence hospitaliers fondé sur l’optimisation par essaim de particules (Particle Swarm Optimization, PSO) intégrant des critères spécifiques au contexte pandémique (distanciation, isolement des patients, réduction des croisements de flux, etc.). Ces travaux permettent d’envisager de nouvelles perspectives pour des infrastructures hospitalières plus adaptatives et résilientes telles que décrites dans le chapitre 3.
Le deuxième axe porte sur le triage intelligent et la gestion des files d’attente en services d’urgence. La gestion en temps réel des flux de patients, fortement perturbés lors des crises sanitaires, a été étudiée à travers un cadre intégré associant apprentissage automatique (Machine Learning, ML) et optimisation métaheuristique. D’une part, des algorithmes de classification tels que Random Forest, Extreme Gradient Boosting (XGBoost) et Light Gradient Boosting Machine (LightGBM) ont été utilisés pour développer un système de triage intelligent, capable de prédire la gravité des patients et d’anticiper la charge hospitalière. D’autre part, ces prédictions ont été couplées à des modèles d’optimisation basés sur la PSO et les algorithmes génétiques (Genetic Algorithms, GA), permettant de déterminer les configurations optimales en termes d’affectation des médecins, de gestion des priorités et de réduction des temps d’attente. L’originalité de ce travail réside dans l’hybridation intelligence artificielle–optimisation, qui offre des solutions adaptatives conciliant efficacité opérationnelle, à travers la réduction des délais et l’amélioration du flux, et qualité du service rendu. Les résultats et analyses sont présentés au chapitre 4.
Enfin, sur le troisième axe, est abordée la question d’une distribution des vaccins tant équitable qu’efficace, quand l’organisation des campagnes de vaccination constitue un enjeu crucial dans le contrôle des pandémies. Nous proposons un modèle d’optimisation visant à répondre conjointement à deux dimensions souvent opposées : d’une part, l’enjeu d’efficacité, qui peut se traduire par la minimisation des temps de vaccination et la maximisation de la couverture, d’autre part, celle d’une équité, a priori assurée par l’accès équitable et proportionné selon les critères épidémiologiques et socioéconomiques des populations ciblées. Pour réaliser cette tâche, nous avons élaboré un cadre d’allocation intelligente reposant sur une combinaison des méthodes de classification, permettant l’identification des groupes prioritaires, et des techniques d’optimisation, permettant la planification de la distribution en conformité avec les contraintes logistiques et de disponibilité. Les travaux présentés au chapitre 5 constituent un outil stratégique pour les décideurs dans les futures crises pour planifier et configurer la livraison vaccinale.
La conclusion de ce manuscrit résume ces apports et ouvre la voie à de futures orientations de recherche. Notamment, l'élargissement des méthodes hybrides IA-optimisation à d'autres urgences sanitaires et humanitaires, ainsi que la création de systèmes décisionnels en temps réel, constituent des voies encourageantes pour améliorer la résilience et la pérennité des systèmes de santé.