Chandoul Wided DLE
Chandoul Wided DLE
Chandoul Wided DLE
THESE
Présentée en vue d’obtenir le grade de
DOCTEUR
En
Par
Wided Chandoul
Titre de la thèse :
Conception et réalisation d'un système d'aide à la gestion des tensions dans les services
d'urgences pédiatriques : vers des nouvelles approches d'évaluation, de quantification et
d'anticipation
Thèse préparée dans le Laboratoire CRIStAL UMR CNRS 9189 à l’Ecole Centrale de Lille
Je tiens également à remercier tous les membres de jury qui ont accepté d’examiner mon
travail. En particulier, Professeur Sophie DUPUY-CHESSA pour avoir accepté de présider le jury
de soutenance de cette thèse, Professeur Alain QUILLIOT et Professeur Aziz MOUKRIM qui
m’ont fait l’honneur de rapporter ce travail.
J’adresse également mes remerciements les plus sincères au personnel de l’Ecole Centrale
de Lille et en particulier à mes collègues de LAGIS. J’ai passé grâce à eux trois années
fabuleuses dans la gaité, la générosité et le partage.
Lille restera pour toujours ma ville de cœur pour sa belle place colorée, sa vieille ville et
ses restaurants authentiques. Pas seulement parce qu’on y mange et boit bien mais aussi pour
toutes ces belles personnes que j’ai connu et avec qui j’ai partagé des moments inoubliables.
Je remercie du plus profond de mon cœur mes parents, ma grand-mère, mon frère et mes
deux sœurs en Tunisie qui m’ont toujours soutenue. J’ai grandi et évolué, j’ai forcément changé
loin de vous mais vous êtes toujours mon point de départ, vous êtes la source, ma plus grande
force.
Enfin, un grand merci à ma deuxième famille en France : Mon homme Hassan toujours
présent et bien veillant, mes meilleures amies Safa, Sahla et Amira et enfin ma chère cousine
Narjesse.
Table des Matières
1
II.3.2 L’agrégation des indicateurs pour l’évaluation multicritère ...................................................... 37
II.3.2.1 Méthodes classiques ........................................................................................................... 38
II.3.2.2 La logique floue .................................................................................................................. 38
II.4 Anticipation de la tension ................................................................................................................. 43
II.4.1 Séries chronologiques (SC) ....................................................................................................... 44
II.4.1.1 La tendance ......................................................................................................................... 45
II.4.1.2 La saisonnalité .................................................................................................................... 45
II.4.2 Méthodes de prévision basées sur l’étude des SC ..................................................................... 46
II.4.2.1 Méthodes basée sur le lissage exponentiel.......................................................................... 47
II.4.2.2 Modèles de Box-Jenkins ..................................................................................................... 48
II.5 Gestion des ressources et planification des activités ........................................................................ 50
II.6 Positionnement méthodologique....................................................................................................... 52
II.7 Conclusion ........................................................................................................................................ 53
III. CHAPITRE III. Identification et modélisation floue des Indicateurs de tension ............................ 54
III.1 Introduction ..................................................................................................................................... 55
III.2 Indicateurs modélisant la tension .................................................................................................... 55
III.2.1 Indicateurs spécifiques aux patients ......................................................................................... 58
III.2.1.1 Estimation et modélisation de la DP dans l’USE .............................................................. 58
III.2.1.2 Formulation et interprétation ............................................................................................. 61
III.2.2 Indicateurs modélisant la tension ............................................................................................. 64
III.2.2.1 Indicateur principal : Ratio Demande sur Offre (RDO) .................................................... 65
III.2.2.2 Indicateur de conséquence : Ratio de Dépassement Total (RDT) ..................................... 66
III.2.2.3 Indicateur de conséquence : Ratio d’Attente Totale pour la PPC (RAT) ......................... 67
III.3 Agrégation floue des indicateurs de la tension ................................................................................ 68
III.3.1 Phase de fuzzification ............................................................................................................... 68
III.3.1.1 Modélisation floue des indicateurs d’entrées .................................................................... 68
III.3.1.2 Modélisation floue du niveau de la tension ....................................................................... 71
III.3.2 Phase d’inférence...................................................................................................................... 72
III.3.3 Phase de défuzzification ........................................................................................................... 73
III.4 Conclusion ....................................................................................................................................... 74
IV. CHAPITRE IV. Anticipation et évitement de la tension................................................................. 76
IV.1 Introduction ..................................................................................................................................... 77
2
IV.2 Système hybride d’anticipation à horizon glissant .......................................................................... 78
IV.2.1 Problématique : quoi anticiper et sur quel horizon ? ................................................................ 80
IV.2.1.1 Anticiper le nombre d’arrivées pour des horizons larges .................................................. 81
IV.2.1.2 Anticiper la tension pour des horizons courts ................................................................... 81
IV.2.2 Approche d’anticipation pour les horizons larges .................................................................... 82
IV.2.2.1 Identification des chroniques à anticiper ........................................................................... 82
IV.2.2.2 Recomposition de l’historique .......................................................................................... 83
IV.2.2.3 Modélisation de l’influence externe pour la méthode SARIMAX .................................... 85
IV.2.3 Approche d’anticipation pour les horizons courts .................................................................... 89
IV.2.3.1 Méthodes d’anticipation .................................................................................................... 89
IV.2.3.2 Recomposition de l’historique .......................................................................................... 89
IV.3 Protocoles d’évitement de tension................................................................................................... 91
IV.3.1 Classement des patients par priorité et optimisation de l’allocation de ressources .................. 92
IV.3.2 Détecter la source de défaillance afin de proposer des diagnostics.......................................... 93
IV.4 Conclusion....................................................................................................................................... 94
V. CHAPITRE V. Résultats et Simulations ............................................................................................. 95
V.1 Introduction ...................................................................................................................................... 96
V.2 Analyses statistiques relatives au SUP Jeanne de Flandre du CHRU de Lille ............................... 96
V.2.1 Analyse des chroniques de fréquentation du SUP selon différents horizons............................. 97
V.2.2 Analyse des facteurs externes influençant la fréquentation du SUP ......................................... 99
V.2.3 Analyse statistique des DP ...................................................................................................... 102
V.3 Résultats de l’évaluation floue de la tension .................................................................................. 104
V.3.1 Fuzzification des indicateurs de tension .................................................................................. 104
V.3.2 Base des règles d’inférence et diagnostics de tension ............................................................. 106
V.3.3 Résultats de l’agrégation floue ................................................................................................ 107
V.4 Résultats de l’anticipation .............................................................................................................. 109
V.5 Système d’Aide à la Gestion de Tension (SAGeT) ........................................................................ 111
V.5.1 Plateforme et outils logiciels ................................................................................................... 111
V.5.2 Architecture système : Diagrammes de Classes ...................................................................... 112
V.5.2.1 Module principal............................................................................................................... 112
V.5.2.2 Module graphique ............................................................................................................. 113
V.5.3 Principe de fonctionnement via les Diagrammes de Séquences .............................................. 113
3
V.5.4 Scénarios de simulation ........................................................................................................... 116
V.6 Conclusion ...................................................................................................................................... 119
Conclusion Générale ................................................................................................................................. 120
Annexes ..................................................................................................................................................... 122
Glossaire .................................................................................................................................................... 136
Bibliographie ............................................................................................................................................. 139
4
Index des Figures
Figure I-1 : Evolution des passages aux SU entre 2002 à 2012 en France (ARS-RA, 2013) ..................... 12
Figure I-2 : Architecture schématique d’un SU en 3 zones (SFMU, 2005) ................................................ 14
Figure I-3 : Modélisation du parcours patient selon son déplacement dans le SU ...................................... 15
Figure I-4 : Taux de recours aux urgences selon le motif de recours et l’âge du patient (DREES, 2014) .. 18
Figure II-1: Fuzzification de la variable d’entrée A .................................................................................... 42
Figure II-2: Fuzzification de la variable d’entrée QoS ............................................................................... 42
Figure II-3: Fuzzification de la sortie NS .................................................................................................... 42
Figure II-4: Agrégation des conclusions de la sortiele NS par l’opérateur Max ......................................... 42
Figure II-5 : Surface de décision finale ....................................................................................................... 42
Figure III-1: Schéma illustratif de l’approche floue .................................................................................... 55
Figure III-2 : Schéma illustratif du suivi de l’avancement des traitements pour les patients de l’USE ...... 56
Figure III-3: Représentation illustrative de la distribution d’une DPP par un système tampon ................ 60
Figure III-4 : Modélisation de la progression d’un traitement avant et après dépassement ........................ 64
Figure III-5 : Fonction d’appartenance trapézoïdale ................................................................................... 69
Figure III-6: Fuzzification d’un indicateur en entrée .................................................................................. 69
Figure III-7 : Fuzzification de la sortie « Niveau de Tension » .................................................................. 72
Figure III-8 : Schéma illustratif de l’approche d’ajustement des règles floues ........................................... 73
Figure III-9 : Exemple de surface de décision affichant le CoG et la zone d’alerte correspondante .......... 74
Figure IV-1 : Architecture fonctionnel du Système Hybride d’Anticipation (SHA) .................................. 79
Figure IV-2 : Recomposition d’historique hebdomadaire pour les vacances de printemps 2013 ............... 84
Figure IV-3 : Recomposition d’historique journalier pour les vacances de printemps 2013 ...................... 85
Figure IV-4 : Diagramme illustratif de l’approche SARIMAX pour la prévision journalière .................... 86
Figure IV-5 : Schéma explicite de la modélisation floue du facteur d’influence externe ........................... 87
Figure IV-6: Modélisation floue de la variable de sortie « Facteur d’Influence Externe» .......................... 87
Figure V-1 : Nombre total de patients par mois au SUP Jeanne de Flandre ............................................... 97
Figure V-2 : Nombre total de patients par semaine au SUP Jeanne de Flandre .......................................... 98
Figure V-3 : Nombre total de patients par jour au SUP Jeanne de Flandre................................................. 98
Figure V-4 : Corrélogramme relatif à la chronique mensuelle .................................................................... 98
Figure V-5 : Corrélogramme relatif à la chronique journalière................................................................... 98
Figure V-6 : Corrélogramme relatif à la chronique horaire......................................................................... 98
Figure V-7 : Nombre de cas recensés pour les syndromes grippaux au NPDC ........................................ 100
Figure V-8 : Nombre de cas recensés pour la gastro-entérite au NPDC ................................................... 100
Figure V-9 : Nombre d’arrivées au SUP entre le 30/01/2012 et le 15/03/2012 ........................................ 101
Figure V-10 : Progression pour un cas de gastroentérite avec 2 examens complémentaires .................... 103
Figure V-11 : Distribution du RDO au cours de la journée....................................................................... 105
Figure V-12 : Distribution du RAT au cours de la journée ....................................................................... 105
Figure V-13 : Distribution du RDT au cours de la journée ....................................................................... 105
Figure V-14 : Couleurs des voyants d’alertes selon le Niveau de Tension (NT) ...................................... 107
5
Figure V-15 : Distribution du niveau de tension au cours de la journée ................................................... 108
Figure V-16 : Occurrence en pourcentage des alertes pour les 5 états du NT (toute la durée de l’étude) 109
Figure V-17: Occurrence en pourcentage des alertes pour les 5 états du NT (période épidémique) ........ 109
Figure V-18 : Résultats de prévision pour l’horizon mensuel ................................................................... 110
Figure V-19 : Vue Statique – Diagramme de Classes - SAGeT ............................................................... 112
Figure V-20 : Diagramme de séquences mettant en œuvre le fonctionnement global de SAGeT ........... 114
Figure V-21 : Diagramme de séquences mettant en œuvre le déroulement de l’évaluation Floue ........... 115
Figure V-22 : Diagramme de séquences mettant en œuvre le déroulement de l’anticipation ................... 116
Figure V-23 : Progression du NT au cours de la journée : 28.11.2013 ..................................................... 117
6
7
Introduction Générale
Depuis la canicule de l’été 2003 en France, les engagements régionaux et nationaux face à la lutte
contre les pics d’activité et la tension dans le réseau des systèmes de soin se sont multipliés afin
de garantir aux patients une meilleure qualité de prise en charge. C’est dans ce cadre que
s’inscrivent les travaux de cette thèse au cœur du projet HOST1 : Hôpital : Optimisation,
Simulation et évitement des Tensions, financé par l’Agence Nationale de la Recherche (ANR) 2,
dans le programme ANR TECSAN 2011.
Trois objectifs sont définis dans ce projet : modéliser et évaluer la tension par des indicateurs
clés, anticiper la demande et la tension dans un Services d’Urgences (SU) et enfin proposer des
solutions d’aide à la décision pour les gestionnaires afin d’offrir une meilleure organisation.
De plus, ce projet a pour but la conception et la réalisation d’un Système d'Aide à la Gestion de la
Tension (SAGeT) dans un SU et plus particulièrement dans les Services d’Urgences Pédiatriques
(SUP). Il s’agit d’un outil informatique assurant la mise en œuvre des trois objectifs mentionnés.
En effet, offrir un outil informatique d’aide à la décision permettra aux praticiens d’être plus
concentrés sur leur mission principale « soigner les patients » dans un contexte qui exige la
rapidité et la fiabilité. Il sera conçu pour être connecté à la base de données de l’établissement
afin qu’il évalue automatiquement et en temps réel pour chaque configuration du service les
performances, les risques et essentiellement la tension ressentie. Il assurera également
l’anticipation de la demande et de la tension sur différents horizons et proposera des diagnostics
et des solutions potentielles. Cet outil offrira un tableau de bord permettant le suivi de l’activité
et la gestion des flux patients afin de détecter les sources d’anomalies dans une situation de crise.
Lutter contre la tension dans le SU doit prendre en compte le recours aux nouvelles technologies
sur deux niveaux : un niveau interne propre à la structure par l’appui de SAGeT, et un deuxième
niveau externe qui peut être à l’échelle régionale où il est indispensable de créer un réseau de
1
http://host.ec-lille.fr/
2
http://www.agence-nationale-recherche.fr/
8
soins interconnecté assurant la permanence des soins et favorisant l’échange des données. Cette
coopération permettra l’amélioration de la prise en charge, la régulation dans les points de
congestion, le retour d’expériences et l’instauration d’un langage commun.
Nous développons nos travaux dans cette thèse organisée en 5 chapitres comme suit:
Enfin, la conclusion générale reprendra tous les objectifs atteints, les possibilités de
généralisation et enfin les perspectives.
9
I. CHAPITRE I. Services d’Urgences en France : Un système de soin caractérisé par la
tension
10
I.1 Introduction
La France a consacré en 2013, 11,7% de son PIB en dépenses de santé et s’est classée en 8 ème
position mondiale d’après la base de données sur les comptes nationaux de santé de
l’Organisation Mondiale de la Santé (OMS). De plus, le Ministère des Affaires Sociales et de la
Santé (MASS) a annoncé une hausse de 2,4% des dépenses de santé en 2014. Ce qui prouve un
engagement politique important face à une demande croissante dans ce secteur. Dans cette étude,
nous accordons une attention particulière à l’un des systèmes de soin qui se trouve au cœur de
l’activité médicale. Ce système touche presque toutes les autres cellules du réseau des systèmes
de soin en jouant le rôle du système tampon, présentant parfois la seule alternative d’orientation
des patients à cause de la capacité de traitement insuffisante dans les autres parties de ce réseau.
Il s’agit du Service d’Urgences (SU).
Si l’exercice dans les SU diffère d’une prise en charge médicale classique, c’est dû
essentiellement à une demande de soin peu stable et prévisible causant ainsi des problèmes
d’engorgement et de tension.
Dans ce chapitre, nous étudions, dans un premier temps, les caractéristiques des SU en France.
Dans un deuxième temps, nous proposons un état de l’art sur une problématique majeure les
touchant qui est la tension. Dans cet état de l’art, nous développons, tout d’abord, les définitions
existantes de ce phénomène et nous présentons notre propre définition puis nous étudions ses
causes. Dans un troisième temps, nous proposons les différentes mesures et méthodologies
existantes pour la quantifier et l’évaluer, ainsi que les travaux qui ont visé à l’anticiper selon
différents horizons. En définitive, nous proposons une vue globale sur ces travaux qui nous
permettra de nous positionner dans le cadre de cette thématique.
La Charte de Médecine d’Urgence (SFMU, 2003a) définit les missions des SU : leur principal
rôle est d'accueillir et de prendre en charge en urgence tous les patients qui y viennent
spontanément ou qui y sont amenés par les services de secours (SAMU, pompiers, police…).
11
Nous distinguons deux types d’urgence : vitale (dites aussi réelle) et ressentie (Gentile et al.,
2004). Cependant les SU accueillent les patients sans sélection 24h/24, tous les jours de l'année
comme l’énonce l’article R712-65 du Code de la Santé Publique (CSP) avec quelques exceptions
pour les SU spécialisés (maternité, pédiatrie, psychiatrie). Ce qui fait que les portes des SU sont
constamment ouvertes puisque aucune barrière d’accès n’existe. D’ailleurs, SU rime souvent
avec saturation, problèmes d’organisation, personnel stressé fatigué et débordé, plusieurs notions
que nous avons rapportées au terme « Tension ».
Figure I-1 : Evolution des passages aux SU entre 2002 à 2012 en France (ARS-RA, 2013)
Afin de comprendre les besoins et les craintes, améliorer les politiques mises en œuvre et
optimiser les dépenses face à cette hausse permanente dans ces temps de crise, plusieurs
changements et réformes ont touché de près les SU. Nous citons ci-dessous les plus marquants
durant ces dix dernières années :
12
• La loi n° 2009-879 “Hôpital, Patients, Santé, Territoires” (HPST) du 21 juillet 2009 qui
réforme en profondeur l’organisation médicale (ANAP, 2010a).
• Les réformes financières : Le Forfait Annuel des Urgences (FAU), le Forfait d’Accueil et
Traitement des Urgences (ATU), la tarification à l’activité (T2A) (MASS, 2007).
• Le décret n°2006-576 du 22 mai 2006 relatif à la médecine d'urgence modifiant ainsi son
organisation et le CSP.
• Le plan national « Urgence » (MSFPH, 2004) présentant 24 mesures pour améliorer le
fonctionnement et la gestion des SU et les actions en aval comme en amont permettant une
meilleure organisation de la Permanence d’Accès aux Soins de Santé (PASS).
• L’arrêté du 22 septembre 2004 fixant la liste et la réglementation des diplômes d'études
spécialisées complémentaires de médecine dont la création du diplôme d’études spécialisées
complémentaires de médecine d’urgence.
• Le décret n°2003-880 du 15 septembre 2003, relatif aux modalités d'organisation de la PASS.
• L’engagement au niveau régional également : comme la création de l’Observatoire Régional
des Urgences (ORU) de Midi-Pyrénées (ORU-MIP) qui représente l’initiateur de cette
organisation (2001) après se sont succédés dans le temps d’autres observatoires, comme celui
de Limousin (ORU-LIM) en 2007, Provence-Alpes-Côte d'Azur (ORU-PACA) en 2008,
Lorraine (2011), Alsace (2010). Le but étant de suivre régulièrement l’activité des SU
encadrés territorialement par ces organisations et d’avoir régulièrement des rapports
quantitatifs et qualitatifs détaillés sur l’activité.
A cet effet, la Direction de la Recherche, des Etudes, de l’Evaluation et des Statistiques (DREES)
a réalisé jusqu’à présent deux vastes enquêtes sur la prise en charge dans les SU. La première
était en 2002 (DREES, 2002) tandis que la deuxième était en 2013 (DREES, 2013). Le but à
chaque fois était de visualiser les caractéristiques des usagers et d’analyser l’existant.
Reconduire l’enquête après 10 ans permet de donner un aperçu sur les évolutions afin d’évaluer
et adapter, voir améliorer les politiques mises en œuvre.
L’article D712-56 du CSP énonce qu’un SU en France doit disposer de locaux distribués en trois
zones, comme le montre la Figure I-2 :
13
Une zone d'accueil où se déroule le premier contact avec le patient afin d’identifier le degré
de son état d’urgence et l’orienter vers un cheminement adéquat.
Une zone de soins externes pour les soins et les examens où se déroule la plus grande partie
de la prise en charge que nous appelons Unité de Soins Externes (USE). Cette unité comprend
les traitements pouvant être assurés sans hospitalisation préalable, parfois en quelques heures.
Une zone de surveillance qui est l’Unité d’Hospitalisation de Courte Durée (UHCD). Comme
son nom l’indique, cette zone composée essentiellement de lits sert à stabiliser et à surveiller
l’état d’un patient dans une limite de 24 heures, soit avant sa sortie, soit avant son orientation
vers un autre secteur de soin.
Cette structure est gérée essentiellement par une équipe médicale dirigée par un médecin
responsable et une équipe paramédicale dirigée par un cadre infirmier (Article D712-53 du CSP).
Tous deux veillent sur la permanence de l’activité de sorte que 24h/24 et 7j/7, au moins un
Médecin Urgentiste (MU) et deux Infirmiers Diplômés d'Etat (IDE) soient effectivement présents
afin d’assurer la prise en charge nécessaire des patients (Articles D712-54 et D712-55 du CSP).
14
Nous trouvons d’autres métiers indispensables à l’offre des soins, tels que les Aides-Soignants
(AS), les brancardiers, les assistants de service social et des agents administratifs.
De plus, les SU ne sont pas des structures indépendantes car ils sont obligatoirement liés au
réseau de santé en amont comme en aval, du moment qu’ils absorbent une charge de soins,
allégeant ainsi la charge des autres structures (hôpitaux, médecins de ville, structures sociales...)
et orientant les patients vers des structures plus adéquates suite à des avis médicaux.
15
Tout d’abord, il existe plusieurs modalités d’entrée au SU : le patient peut se présenter
spontanément après son propre jugement de son état de santé, ou encore il peut être adressé par
un médecin traitant ou un autre établissement. Autrement, il peut être amené par les services de
secours. En effet, les arrivées aux urgences sont généralement non programmées, sauf dans le cas
où l’arrivée d’un patient est annoncée, cas des patients amenés par le Service Mobile d'Urgence
et de Réanimation (SMUR).
CCMU 1 état lésionnel ou pronostic fonctionnel jugé stable avec abstention d’acte
complémentaire diagnostique ou thérapeutique à réaliser au service des urgences
CCMU 2 état lésionnel ou pronostic fonctionnel jugé stable et décision d’acte
complémentaire diagnostique ou thérapeutique à réaliser aux urgences
CCMU 3 état lésionnel ou pronostic fonctionnel susceptible de s’aggraver aux urgences et
n’engageant pas le pronostic vital
CCMU 4 situation pathologique engageant le pronostic vital et prise en charge ne comportant
pas la pratique immédiate de manœuvre de réanimation
CCMU 5 situation pathologique engageant le pronostic vital et prise en charge comportant la
pratique immédiate de manœuvre de réanimation
CCMU P problème psychiatrique isolé ou associé à un état lésionnel ou un pronostic
fonctionnel stable
CCMU D patient décédé à l’arrivée aux urgences et aucune manœuvre de réanimation
entreprise (SFMU, 2005)
16
Un accueil administratif se déroule généralement en amont ou en parallèle de l’accueil soignant
de l’IAO. Il a pour but d’enregistrer le patient et de lui créer un dossier qui servira pour la
traçabilité dans le Système d’Information Hospitalier (SIH) de l’établissement.
Un dossier patient possède un identifiant unique qui sera imprimé sur les étiquettes nécessaires
pour la traçabilité et les étapes suivantes dans le processus de prise en charge (exemple : pour
identifier les analyses biologiques et les radios). De plus, le dossier patient s’alimente par des
saisies informatiques au fur et à mesure que le processus de prise en charge progresse.
D’ailleurs, ce protocole est règlementé puisque l’article R712-74 du CSP exige un nombre
d’informations que le SU est dans l’obligation d’enregistrer pour chaque patient. Le minimum
exigé de ces informations est : l'identité du patient, le jour, l'heure et le mode de son arrivée,
l'orientation ou l'hospitalisation, le jour et l'heure de sortie ou du transfert hors du service ou de
l'unité de proximité.
Le deuxième rôle de l’IAO est d’installer le patient, selon la disponibilité des ressources, en box
de soin directement ou dans la salle d’attente jusqu’à ce que ce patient soit affecté à un box pour
qu’un médecin l’examine. D’autres examens complémentaires et avis spécialisés peuvent être
exigés au cours du processus, ce qui fait de la salle d’attente un point d’aller-retour permanent
pour certains patients. Enfin, le patient pourrait être admis en UHCD avant sa sortie si son état
nécessite une stabilisation et une surveillance temporaire.
On note qu’il s’agit ici du circuit le plus conventionnel car dans les cas des CCMU 4 et 5
correspondants à des pronostics vitaux jugés engagés, la phase d’accueil est dépassée et le patient
est directement introduit dans la Salle d’Accueil des Urgences Vitales (SAUV) (SFMU, 2003b)
et dans ce cas la création du dossier administratif est reportée.
Au terme de ce processus, il existe plusieurs modalités de sortie. Le plus souvent, le patient est
orienté vers son domicile. Autrement, si son cas nécessite une hospitalisation, il sera soit
hospitalisé dans l’établissement de soins auquel est rattaché le SU en fonction des spécialités
représentées et des lits disponibles, soit transféré à un autre établissement.
17
I.2.3 Quelques caractéristiques
La DREES a mené une enquête nationale récente auprès des 52 mille patients qui se sont
présentés dans les 736 points d’accueils des urgences de la France métropolitaine et des DOM, le
11 juin 2013 : il s’agit d’un jour de semaine hors période de vacances et d’épidémies
saisonnières. Une enquête qui a pour objectifs de connaître la genèse des recours, les modalités
de prise en charge et les éventuelles difficultés rencontrées (DREES, 2014). En effet, les deux
tiers des patients en France arrivent aux urgences depuis leur domicile avec trois motivations
majeures :
La confiance au SU, considéré comme le lieu le plus adapté et fiable aux soins.
L’accessibilité et la permanence des soins (ouverture 24h/24, facilité d’accès, proximité
géographique, disponibilité du plateau technique ou encore la gratuité).
Une meilleure alternative à l’offre libérale (un accès plus complexe et des moyens limités).
Nous notons que le recours aux urgences est plus important pour la pédiatrie (surtout les
nourrissons) et les personnes âgées (les plus de 75ans), comme le montre la Figure I-4. Il est donc
essentiel de concentrer les efforts sur ces deux populations. D’autre part, les motifs de recours
sont variés : la traumatologie détient la première place avec 36 % des diagnostics, atteignant 7 cas
sur 10 pour la tranche d’âge 10-14.
Figure I-4 : Taux de recours aux urgences selon le motif de recours et l’âge du patient (DREES, 2014)
18
La même enquête a analysé la Durée de Passage (DP) qui est la durée séparant le temps d'arrivée
et le temps de départ d'un patient et montre que 48 % des patients en USE passent moins de 2
heures, dont 19 % sont pris en charge en moins d’une heure mais les DP sont très variables et
plusieurs paramètres de classification peuvent entrer en jeu (Arkun et al., 2010).
Nombreux travaux ont examiné les facteurs démographiques et cliniques capables d'affecter la
DP dont : (Li et al., 2013) (Wiler et al., 2012)(Gardner et al., 2007) (Lee et al., 2005). Cependant,
la majorité considère tous les patients avec leurs différents diagnostics dans la même population.
Une 2ème enquête proposée par l’Agence Régional de Santé Rhône-Alpes (ARS-RA, 2013)
propose une segmentation des DP selon la gravité. Les médianes des DP sont de 1h28 pour les
CCMU 1, 2h31 pour les CCMU 2, 4h14 pour les CCMU 3, 4h pour les CCMU 4 et 3h22 pour les
CCMU 5. Et d’après le recueil de bonnes pratiques organisationnelles aux urgences publié en
2008 par la Mission nationale d’Expertise et d’Audit Hospitaliers (MeaH, 2008), la DP dure
moins de 4 heures pour 28 à 94 % des patients toutes catégories confondues. Nous notons que ces
études étaient menées auprès de 41 SU et s’inscrivent dans la continuité des travaux menés
depuis 2003 sur ce thème en France.
Enfin, au niveau de l’orientation finale, les trois quarts des patients rentrent chez eux et 20 % sont
hospitalisés (DREES, 2014).
L’une des problématiques redondantes évoquées autour des SU est l’engorgement et la tension
ressentie par tous ses acteurs. Cette tension est manifestée par l’insuffisance des ressources
humaines et matérielles (essentiellement les lits d’admission) face à une demande urgente de
soins (Bair et al., 2010). Ce qui engendre d’une part, de longues durées attentes, des patients
insatisfaits (Pines et al., 2008) (Collis, 2010) ne retrouvant pas la qualité de prise en charge
souhaitée (Magid et al., 2004) (Hwang et al., 2008) et d’autre part un personnel fatigué et
surpassé (Bernstein et al., 2009) (Hwang et al., 2008), sans négliger les pertes financières
conséquentes (Falvo et al., 2007) et plus grave encore les risques de mortalité (Sprivulis et al.,
2006) (Richardson, 2006) (Singer et al., 2011).
19
Nous parlons d’attente à différentes étapes du parcours du patient, suite aux goulots
d’étranglement dans la structure en soi. Ces goulots se traduisent généralement par une pénurie
de ressources (attente d’un lit, d’un spécialiste, libération d’un matériel spécifique...) ou tout
simplement par des bonnes pratiques médicales, exemple : l’hydratation d’un enfant qui souffre
d’une gastroentérite qui pourrait atteindre 8 heures ou encore une combinaison de ces deux
aspects, exemple : l’attente des résultats biologiques qui pourrait dépendre à la fois de la
procédure médicale mais aussi de la charge dans le laboratoire d’analyses.
Dans le SU, souvent les patients sont insatisfaits, plusieurs estiment que leur attente n’est pas
légitime et que leur prise en charge devrait être immédiate. Ceci relève aussi de la subjectivité, ou
encore du mauvais rang dans l’ordre des priorités des patients. Car il ne faut pas oublier que dans
ces circonstances, des patients en urgences vitale sont largement prioritaires.
En somme, la cause principale de la tension est une demande qui dépasse l’offre engendrée par le
principe même du fonctionnement de cette structure, du fait que la notion de prise de rendez-vous
n’existe pas. Ce qui limite la marge d’organisation et de planification. Pire encore, dans le cas où
plusieurs patients arrivent simultanément (cas d’une intoxication alimentaire dans une cantine par
exemple). Il est donc indispensable de penser à des actions préventives et correctives possibles.
À ce jour, il n’y a pas de consensus autour d’une définition unique et universelle de la tension. En
effet, (Hwang and Concato, 2004) propose une revue de littérature qui a retenu 23 définitions et
critique le fait que ces définitions sont souvent implicites : 8 sont liées aux conditions internes
(personnel, manque de lits, perception du surcroît d’activité), 11 sont liées aux conditions de
l’hôpital en général, une est liée aux conditions externes et enfin, 3 sont liées à des combinaisons.
Il est donc important de distinguer les causes, les caractéristiques et les effets de la tension car ces
notions se chevauchent dans les études et elles ne sont pas précisément définies.
D’autre part, (ACEP, 2006) définit la tension comme « une situation dans laquelle le besoin
identifié des services d'urgence excède les ressources disponibles pour la prise en charge des
patients, dans le SU, dans l’hôpital ou dans les deux à la fois».
20
Cette définition a été largement adoptée par la suite. Cependant elle ne met pas l’accent sur
l’horizon temporel, ni sur les conséquences alors que la tension n’est pas qu’un pic d’activité
mais la tension peut se prolonger sur la durée et l’ampleur de ses effets néfastes est
proportionnelle à sa durée dans le temps. C’est pourquoi nous proposons la définition issue d’un
travail de collaboration entre les différents chercheurs et praticiens dans le cadre de la deuxième
journée de coordination du projet HOST, le 10 Juillet 2012 :
Un état de tension dans le SU est un déséquilibre entre le flux de charge des soins et la capacité
de prise en charge sur une durée suffisante pouvant entrainer des conséquences néfastes au bon
fonctionnement.
I.3.2 Causes
Il existe plusieurs causes internes originaires des différents niveaux de flux dans le SU ou encore
des causes externes pouvant contribuer à déclencher ou amplifier un état de tension venant de
l’environnement. Bien comprendre ces causes permet de mieux analyser les situations de tension
(Moskop et al., 2009a) afin de développer des solutions potentielles (Derlet and Richards, 2008)
(Moskop et al., 2009b) .
Nous adoptons l’approche de (Hoot et Aronsky, 2008) qui s’est basée sur le modèle conceptuel
de la tension dans les SU constitué sur trois niveaux « entrée - flux interne - sortie » (Asplin et
al., 2003). Les causes internes sur les trois niveaux sont :
Au niveau du flux entrant, la présence de deux catégories de patients non justifiée par un
caractère urgent mais par des contraintes économiques et sociales ou à cause des délais de
rendez-vous trop longs dans l’offre libérale:
• Les visites non urgentes : Autrement dit, des patients utilisant les SU comme un service de
consultation. Pour ces patients, un retard de plusieurs heures n’aggrave pas leurs états de
santé (Uscher-Pines et al., 2013). Ils se situent autour de 30% des visiteurs dans les pays
occidentaux (Durand-Aprile, 2012).
21
• Les patients “fidèles” : Le recours fréquents aux SU est souvent justifié par des douleurs,
maladies graves et chroniques pour les patients âgées, d’autres qui ont des contraintes
budgétaires ou paradoxalement des patients assurés qui veulent amortir leurs cotisations et
profiter de leurs avantages. (Hunt et al., 2006) définit les habitués comme ceux qui visitent les
SU au-delà de 4 fois par an en démontrant que la majorité d’entre eux bénéficie souvent
d’assurances médicale très avantageuses. Les habitués des SU en Amérique représentent entre
4,5% et 8% de tous les patients, mais représentent entre 21% à 28% de toutes les visites
(LaCalle and Rabin, 2010). C’est pourquoi les encourager à s’orienter vers des sites
alternatifs de soins aurait l'avantage de réduire la consommation des ressources des SU au
profit des vrais cas urgents (Althaus et al., 2011) (Pines et al., 2011).
Au niveau du flux interne, ce qui peut créer des goulots d’étranglement au niveau de l’activité :
• La pénurie des ressources humaines : qui peut être due à une demande qui dépasse largement
l’offre ou tout simplement l’inexistence de certaines ressources spécifiques dans le service en
question (Yancer et al., 2006) (Wong et al., 2010).
• La pénurie des ressources matérielles : essentiellement le manque de lits pour les admis
(Howell et al., 2008) (Khare et al., 2009).
Au niveau du flux de sortie, on note des causes de tension si le processus d’orientation vers la
structure interne ou vers une structure externe est bloqué. Ce qui nécessite de garder le patient
dans le service. Comme dans les cas suivants :
22
En effet, l’arrivée d’un groupe de patients suite à des accidents simultanés peut mettre le chaos
au SU. Enfin, nous ne pouvons pas négliger les catastrophes naturelles (tempêtes, inondations..)
et les conditions climatiques extrêmes comme les hausses de températures (exemple de la
canicule de 2003 en France).
Nous pouvons remarquer que cette influence externe, peut varier d’une région à une autre, selon
l’emplacement géographique, les conditions climatiques, la vie culturelle et sportive. Exemple :
En région Rhône-Alpes, l’activité touristique à risque (montagne et rivière) contribuerait
davantage au recours aux SU (ARS-RA, 2013).
Notre objectif via ce travail est d’étudier le phénomène de la tension dans les SU, de le quantifier,
de l’anticiper et d’essayer de proposer des solutions et des outils d’aide à la décision pour mieux
le maitriser. Nous proposons dans la suite un état de l’art relatif à ces axes.
Les travaux recensés dans la littérature pour l’évaluation de la tension se présentent sous formes
d’indicateurs de performances, mesures et scores. Nous les répartissons en deux catégories : les
études américaines concentrées sur un système de soins différent du nôtre en termes de culture et
règlementation et les études françaises concentrées sur le même système que nous étudions.
En effet, les années 2000 marquent l’apogée de l’évaluation et la quantification de la tension dans
les SU d’Amérique. L’Annexe 1 illustre les mesures proposées par ordre chronologique ainsi que
les paramètres pris en compte pour leur élaboration. Leur validation se déroulait dans un ou
plusieurs sites, à posteriori ou en temps réel, en appliquant l’une de ces options :
23
La première option est l’option la plus courante. Elle nécessite une enquête interne, par exemple
les résultats de l’EDWIN (Annexe 1) ont été testés dans le cadre d’une étude de 5 semaines en
2002 dans différents sites : les praticiens devaient répondre à la question « Que diriez-vous de
l’état de tension en ce moment? ». Ils devaient prendre en compte leur charge de travail, la charge
de travail de tous les autres médecins et les infirmières, le nombre de patients dans le service et la
salle d'attente, et enfin le nombre des admis (en attente d’un lit) en donnant un score allant de 1 à
5 (5 étant le plus élevé).
Pareil pour le NEDOCS (Annexe 1), il a été testé sur huit services d'urgences fréquemment
victimes de la tension à cause de leurs grands volumes, des volumes de patients supérieurs à
40 000 par an, sur une période de trois semaines par des observateurs indépendants dans chaque
site. Cependant, les SUP étaient exclus de cette étude car ils ont leurs propres caractéristiques et
distributions. Des enquêteurs dans chaque site remplissaient des formulaires d'informations
incluant des avis sur l'état de tension toutes les 4 heures.
La troisième option est la moins courante, car le paramètre « nombre de fugues » n’est pas
forcément disponible dans tous les sites.
La dernière option était appliquée dans le cas de l‘indicateur Taux d’Occupation (TO), dit OR en
anglais (Annexe 1). Il a été validé dans le cadre d’une étude menée en 2005 dans 6 services, leurs
volumes de patients annuels varient entre 55 000 et 99 000. De plus, la plupart d’eux pouvait
calculer leurs TO en temps réel. Afin de valider cette mesure, (McCarthy et al., 2008) propose
une étude comparative de ce score avec l’EDWIN, précédemment validé comme une mesure
fiable de tension (Bernstein et al., 2003).
24
De plus, plusieurs études collaboratives ont permis de comparer les performances de ces scores.
A cet effet, (Jones et al., 2006) classe en terme de capacité de prédire la tension en ordre
décroissant NEDOCS, EDWIN , READI puis EDCS (Annexe 1). (Weiss et al., 2006) propose
une étude comparative du NEDOCS et l’EDWIN comme il s’agit des deux meilleures mesures
par une étude de sensibilité et spécificité qui s’est déroulée sur 10 jours, sur 130 périodes
d’échantillonnage. En effet, les deux mesures étaient bien corrélées (coefficient de corrélation de
0.84), et ont montré un excellent pouvoir de prédiction de la tension dans les services d'urgence
mais avec de meilleures performances pour le NEDOCS. Toutefois, le choix de l’utilisation d’une
mesure dépend étroitement de la disponibilité des données.
(McCarthy et al., 2008) montre que la corrélation entre EDWIN et OR (TO en français) était de
0.58. En général, quand EDWIN est élevé, TO l’est aussi, seulement pendant la nuit et dans les
premières heures du matin, le TO était faible. Cependant, comme EDWIN intègre le nombre de
praticiens en service, il est très sensible à une réduction d’effectif. Et si l’EDWIN était élevé à ces
heures ci, c’est parce qu’il y avait moins de praticiens. Il suffit d’éliminer le paramètre du
personnel de la formule d’EDWIN, les deux mesures deviennent fortement corrélées dans tous
les sites de l’étude. Toutefois, le TO a non seulement l’avantage d’évaluer la tension dans les SU,
mais aussi d'être plus simple à calculer par rapport aux autres mesures.
(Kulstad et al., 2010), affirme également que les deux mesures ont à la fois une corrélation
positive et un excellent pouvoir de prédire le nombre de patients qui quittent le service d’urgence
sans traitement. Mais pour évaluer la tension dans un SU, le TO peut être le plus utile et
applicable en raison de sa facilité de calcul et la disponibilité de ses paramètres.
Après cet aperçu sur les travaux les plus importants conduits en Amérique, nous allons parler
maintenant des travaux conduits en France. Tout d’abord, l’initiative s’est lancé depuis la
canicule 2003 qui a mis les SU en état d’alerte et a sensibilisé davantage les praticiens à ce
25
phénomène. l’Agence Nationale d’Appui à la Performance (ANAP) a lancé à partir de cette date,
un grand chantier de suivi et d’accompagnement des établissements de santé pour mieux piloter
l’activité et mesurer l’efficience proposant un répertoire d’indicateurs d’évaluation dans tous les
secteurs de soins (ANAP, 2010b). En particulier dans les SU, où elle a mis en place, en 2012, un
outil d’auto-évaluation appelé "Urgences".
« Urgences » est un outil de pilotage et de gestion pour l’ensemble des gestionnaires (cadres,
chefs de pôle, chefs de service...) souhaitant adopter une démarche d’évaluation et d’amélioration
(ANAP, 2012). Il permet de réaliser des diagnostics d’auto-évaluation via le calcul d’indicateurs
d’activités et de flux qui sont :
1.
2.
3. 3
Tenant compte de ces indicateurs et des caractéristiques internes de la structure, l’outil propose,
dans une phase de diagnostic et affichage des résultats, une évaluation selon 4 critères (très
satisfaisant, satisfaisant, insuffisant et très insuffisant) pour 14 enjeux: 1 Ressources, 2 Activité
année N-1, 3 Filière Secteur , 4 SAMU SMUR, 5 Accueil Tri, 6 Organisation médicale, 7
Utilisation des box, 8 Plateau technique, 9 pilotage des flux et SI , 10 Avis spécialisé, 11 UHCD,
12 Brancardage, 13 Management et qualité, 14 Gestion des ressources humaines.
Au-delàs de la démarche qualitative visée, cet outil vise à établir un langage commun et un
support de communication favorisant les échanges et le retour d’expériences. Il s’agit d’une
plateforme simplifiée sous Excel qui peut fonctionner en parallèle du SIH.
Il est aussi évident qu’il existe une volonté et des efforts régionaux considérables aux recours à
l’évaluation et la quantification par des indicateurs d’activité dans les différents travaux des ORU
en France, sauf que ceci se fait généralement à posteriori et se présente sous forme de rapport
d’activité (ORU-Bourgogne, 2011) (ORU-MIP, 2014). Toutefois, l’ORU-Aquitaine propose un
serveur de veille (INVS, 2008). Les SU y renseignent des informations sur leur activité deux fois
par jour (11h30 et 14h30), sur la base de quatre indicateurs clés :
3
Equivalent Temps Plein
26
1. le nombre total de passages aux urgences
2. le nombre de passages concernant les personnes âgées de 75 ans et plus
3. le nombre de passages concernant les enfants de moins d’1 an
4. le nombre d’hospitalisations et transferts.
Ces indicateurs sont donc surveillés et analysés afin de contacter les établissements concernés en
cas de tension et diffuser l’information dans le réseau régional. Un seuil d’alerte UCL4 est défini
pour chaque indicateur à partir de l’activité quotidienne des 15 derniers jours tenant compte de la
moyenne des observations et la moyenne des différences .
4
Upper Control Limit
27
L’interprétation et le seuillage de ces indicateurs sont toujours en cours, le but étant de proposer
un niveau d’alerte global qui peut se présenter selon 4 niveaux de tension : absence de tension,
alerte, tension avérée, tension solidaire.
Enfin, ce que nous pouvons remarquer en général dans les travaux français : il existe un manque
de validation d’indicateurs et de valorisation scientifique. Ces travaux demandent plus de
collaboration entre chercheurs et praticiens. Nous passons maintenant à l’état de l’art sur
l’anticipation de la tension dans les SU. Pour ce volet, les travaux français sont quasi-inexistants.
L’anticipation de la tension dans un SU est cruciale pour avoir une meilleure visibilité sur les
besoins dans le futur et ainsi assurer une bonne gestion de ressources et une meilleure qualité de
prise en charge. Anticiper la tension revient à faire des prévisions sur la demande des soins qui
est variable puisque l’offre est représentée par les ressources et elles sont généralement fixes ou
connues à l’avance. Cependant, comme nous l’avons mentionné dans le paragraphe (I.3.1), il n y
a pas de consensus autour d’une définition unique et universelle de la tension.
L’Annexe 2 montre dans la littérature plusieurs paramètres à anticiper pour cette demande : le
nombre de visites, le taux d’occupation des lits, le nombre de patients en attente, etc. Toutefois, la
plupart des travaux considèrent que le nombre de patient ponctuel est le paramètres qui
représente le mieux cette demande. D’autre part, les prévisions se déroulent sur différents
horizons (annuels, mensuels, journaliers, horaires) selon les besoins des applications ou les
caractéristiques des paramètres à prédire (Lowthian et al., 2010).
L’Annexe 2 regroupe les différents travaux faits dans ce cadre et les classe selon : la chronologie,
les méthodes appliquées et les résultats dégagés. Les méthodes de prévisions rencontrées sont : la
régression linéaire, les réseaux de neurones artificiels, la modélisation des séries temporelles et la
simulation à événements discrets. Chaque méthode a ses points forts, mais aussi des limites
notables qui ne cernent pas toute la complexité de la tension dans les SU (Wiler et al., 2011). Ces
travaux sont généralement appliqués sur le terrain et sont basés sur des données réelles obtenues
dans un ou plusieurs établissements. Le Tableau I-1 montre les 3 indicateurs mesurant les écarts
de prévision afin d’évaluer sa qualité.
28
Tableau I-1 : Mesures employées pour évaluer la qualité de prévision
Expression
Racine de l'erreur quadratique
moyenne (RMSE en anglais pour the
Root Mean Square Error)
: la valeur réelle
Objectif : à minimiser
: est la valeur prédite
N : le nombre total des mesures
Coefficient de détermination (R²)
utilisé en régression
SCR est la somme des carrés des résidus
Objectif : à maximiser
SCT est la somme des carrés totaux
Moyenne des erreurs absolues en
pourcentage (MAPE en anglais pour
the Mean Absolute Percentage Error)
Objectif : à minimiser
Nous estimons qu’il manque dans les travaux français, une collaboration entre chercheurs et
praticiens médicaux, d’où le non aboutissement à la phase de validation sur le terrain.
Contrairement aux études américaines qui en tirent à la fois les avantages d’être validé et valorisé
scientifiquement puisqu’elles étaient plus visibles sur la base médicale internationale PubMed5.
Nous avons deux explications pour le problème de validation en France : la première est que les
études françaises sont plus novices dans ce domaine et donc valider les approches s’inscrit dans
la suite logique des étapes, comme le cas des travaux d’anticipation quasi-inexistants. La
deuxième explication est qu’en France, l’exploitation des données et l’instauration d’un système
de suivi parallèle sont sujettes à divers contraintes règlementaires strictes.
5
http://www.ncbi.nlm.nih.gov/pubmed
29
Malgré que notre projet hérite les mêmes objectifs des études françaises précédentes et s’inscrit
surtout dans le même cadre de travail, nous n’avons pas trouvé dans les démarches françaises un
support d’évaluation en temps réel. Renseigner les indicateurs 2 à 3 fois par jour ou utiliser à
posteriori un outil de suivi qui nécessite des saisies supplémentaires ne sera pas réellement
exploitable et opérationnel en cas de haute tension.
Toutes les mesures précédemment vues intègrent plusieurs paramètres. L’application de ces
mesures pour un suivi en temps réel est difficilement applicable pour de nombreux SU car ils ne
disposent pas forcément d’un SIH adapté qui capture les paramètres nécessaires. C’est pourquoi
le TO trouve plus de succès en pratique puisqu’il est simple à élaborer malgré que NEDOCS et
EDWIN soient les meilleures mesures en théorie. Ainsi, dire quelle mesure est meilleure n’est
pas suffisant, car l’applicabilité dépend étroitement de la disponibilité des données.
D’autre part, nous soulignons que si tout au long de cette étude bibliographique d’indicateurs et
mesures nous n’avons pas argumenté le choix des seuils, c’est parce que ceci n’était pas bien
justifié dans les études correspondantes. Exemple pour le cas du score NEDOCS, il n’existe pas
d’explication des seuils : 140 (surchargé) et 141 (gravement surchargé). Comment expliquer le
passage brusque de ces seuils alors que c’est fortement lié à la perception des praticiens, la
demande et le volume de la structure et c’est surtout fortement subjectif. Une autre question qui
se pose : Est-ce que ces mesures américaines peuvent être appliquées en France et
particulièrement aux SUP tenant compte des différences entre les deux systèmes de soins?
Concernant l’anticipation de la tension dans les SU, comme nous l’avons déjà vu, elle est quasi-
inexistante dans les travaux français. Cependant, même dans les travaux d’anticipation
américains, d’un côté l’influence des facteurs externes (périodes épidémiques, météo, vacances
scolaires..) n’était pas exploitée pour ajuster les prévisions mais d’un autre côté, les SUP étaient
exclus du fait qu’ils ont leurs propres caractéristiques et distributions.
Après cette étude bibliographique sur la thématique de notre recherche. Nous concluons qu’il
n’existe pas actuellement en France un outil d’évaluation de tension validé ou des travaux
comparatifs d’indicateurs proposés. Encore moins des travaux sur l’anticipation de la tension
dans les SU pourtant des actions concrètes sont nécessaires face à ce phénomène. D’où le besoin
urgent de proposer un système d’évaluation et d’anticipation de tension dans les SU en France
30
validé suite à la collaboration d’experts médicaux, chercheurs et informaticiens. Le projet HOST
vient regrouper tous ces métiers pour améliorer les démarches précédemment prises et proposer
des actions concrètes offrant plus de réactivité face à ce phénomène.
I.6 Conclusion
Les SU sont souvent soumis à des états de tension contraignants pour le personnel médical
comme pour les patients et engendrent des coûts financiers importants lorsqu’il s’agit de
déclencher des plans d’urgence comme le plan blanc par exemple (MASS, 2006) ou plus
récemment le dispositif ORSAN (Organisation de la Réponse du Système de Santé en Situations
SANitaires exceptionnelles) (MASS, 2015).
Des efforts régionaux et nationaux visent à lutter contre la tension dans les SU. D’ailleurs, lors du
huitième Congrès Urgences6 en 2014, la ministre des Affaires sociales et de la Santé est allée à la
rencontre des professionnels des SU et a parlé entre autres de nouveaux défis face à la tension et
que 15M€ seront consacrés aux services sévèrement victimes de tension, afin de renforcer les
équipes, de financer des appuis saisonniers et d’ouvrir des capacités d’accueil ponctuelles.
Afin d’atteindre une meilleure gestion et maitrise de la tension dans les SU, nous allons étudier
dans le chapitre suivant les approches qui sont à notre disposition pour atteindre cet objectif.
6
www.urgences-lecongres.org
31
II. CHAPITRE II. Approches et Outils de gestion de tension dans les systèmes de soin
32
II.1 Introduction
Afin d’améliorer les pratiques, d’anticiper les éventuelles crises et cas de tension, de réduire les
dépenses et respecter les budgets de plus en plus serrés. Le secteur de la santé a fait appel au
monde de l’ingénierie. Désormais, l’analogie avec le monde de l’industrie, fait que tout processus
de soins peut être assimilé à une unité de production, mobilisant un personnel hétérogène de
toutes spécialités et catégories. La collaboration de ces différents acteurs constitue l’élément clé
de l’évolution du processus de soin dans un but commun : assurer la meilleure qualité de prise en
charge possible aux patients en maximisant leur satisfaction et en réduisant les coûts.
Evidemment, une couche d’expertise, technologie, sécurité est indispensable pour arriver à cette
fin sans négliger l’aspect éthique et règlementaire. Ainsi, le monde de l’ingénierie vient épauler
le monde de la santé pour adopter des démarches d’évaluation de performances ou encore de
qualité, de planification et d’optimisation et de gestion de crise. D’ailleurs, nous parlons
maintenant de l’ingénierie de la santé.
Dans cette section, nous allons développer les approches et outils de modélisation qui consistent à
améliorer le pilotage de l’activité et la prise de décision face aux éventuels problèmes et
dysfonctionnements menant aux états de tension dans les systèmes de soins. A cet effet, nous
étudions, en premier lieu, les outils de modélisation et de simulation des flux appliqués au
monde de la santé. En deuxième lieu, nous étudions les outils mis à disposition pour évaluer la
performance et la qualité. En troisième lieu, nous étudions les approches de prévisions et leurs
caractéristiques afin de pouvoir les appliquer dans le monde de la santé. En quatrième lieu, nous
étudions les approches de gestion de ressources et de la planification des activités appliquées à ce
secteur. Enfin nous proposons notre positionnement méthodologique en développant le choix des
outils que nous allons adopter.
Le flux peut se présenter comme information, matière, personnel, finance et il peut être
transformé, consommé ou évacué. Modéliser les flux permet de représenter graphiquement les
frontières d’un organisme et ses différents niveaux d’activité, ensuite représenter les flux entrant,
sortant, les sous-processus et leur enchaînement jusqu’à représenter quelques interactions. Le fait
33
de décomposer l’organisation en différents niveaux d’activité permet d’obtenir des sous-sections
maîtrisables et permet de réduire la complexité de la modélisation globale.
D’autre part, la simulation est une activation virtuelle d’un système réel dans le temps permettant
ainsi de visualiser son comportement dynamique, évaluer ses performances, prédire son
comportement futur, tester virtuellement différents scénarios sans être amené à le faire dans la
réalité (Law, 2006).
La modélisation et la simulation des flux sont souvent interconnectées, leur objectif est non
seulement de comprendre le fonctionnement dans sa globalité mais permet en plus d’offrir un
langage commun et un outil de pilotage et de suivi. Au-delà donc de leur fonction explicative, ces
méthodes représentent souvent des supports incontournables d’aide à la décision et des outils
d’évaluation et d’amélioration de la performance opérationnelle.
Parmi les méthodes de modélisation utilisées en santé, on trouve la méthode SADT (Structured
Analysis and Design Technique) (Congram and Epelman, 1995) qui est une méthode statique,
assurant grâce à une analyse fonctionnelle descendante la description d'un fonctionnement
complexe donné via une description graphique par niveaux de plus en plus détaillée. La méthode
SADT existe dans différentes applications en santé, modélisant le flux des patients dans le Bloc
Opératoire (Chaabane, 2004) ou encore dans les SU (Oualidi et al., 2013).
Nous retrouvons dans le travail de (Daknou, 2011) une représentation différente des SU par un
système multi-agent ouvert et dynamique où les patients et les ressources humaines sont
représentés par des agents autonomes qui peuvent réagir aux changements et aux perturbations
par le fait d'être proactifs et réactifs. Les atouts de ce système résident en grande partie dans son
architecture distribuée et son aspect dynamique.
34
D’autre part, plusieurs travaux autour des systèmes de soin ont utilisé la simulation, qui permet
grâce à des indicateurs de performances d’évaluer le système. le travail de (Jlassi, 2009) a
particulièrement mis l’accent sur la modélisation et la simulation des flux logistiques des patients
dans les SU. L’étude de cas était assurée par une simulation avec le logiciel Witness (Markt and
Mayer, 1997). Le modèle Witness a été validé par les réseaux de files d’attentes comme méthode
analytique. Une autre modélisation et simulation de flux a été proposée dans les SUP par (Ajmi
et al., 2014), assurée par le logiciel Bonita software7 où le régime normal et le régime transitoire
(cas de tension) sont traités chacun à part.
La Simulation à Evénements Discrets (SED) a été aussi largement utilisée dans ce contexte. La
SED permet de modéliser le fonctionnement d'un système comme une séquence d'événements
discrets dans le temps où la réalisation d’un événement particulier comme l’arrivée ou le départ
d’une ressource ou encore le démarrage ou la fin d’une tâche à un instant précis modifie l'état du
système, cas des réseaux de file d'attente ou les réseaux de Petri.
La SED est assurée par différents logiciels, les plus populaires sont ARENA (Kelton et al., 2009)
et WITNESS et la croissance rapide de la technologie des logiciels de simulation a créé de
nombreuses nouvelles possibilités d'applications pour des implémentations de plus en plus
complexes offrant ainsi des possibilités d'optimisation combinées à la simulation (Schriber and
Brunner, 2005). D’ailleurs (Babulak and Wang, 2010) (Jun et al., 1999) (Jacobson et al., 2006)
(Günal and Pidd, 2010) recensent les applications de la SED dans les systèmes de soins : les
hôpitaux, les cliniques, les SU et les pharmacies.
La modélisation et la simulation des flux sont largement applicables au monde de la santé. Elles
proposent une vue macro sur le fonctionnement permettant ainsi son étude sur différents niveaux.
L’évaluation dans les systèmes de soins comme tout autre secteur est cruciale pour évaluer la
qualité du fonctionnement et traduire le degré de réalisation des objectifs définis. Ces objectifs
sont plus ou moins précis et dépendent de la stratégie mise en place et la culture de
l’organisation. Leur réalisation est contrainte par l’environnement du système et ses acteurs.
7
http://it.bonitasoft.com/
35
C’est pourquoi évaluer la performance vise à identifier les points de forces et les points à
améliorer. Ainsi, cerner les insuffisances permet d’agir là où une éventuelle défaillance existe
pour assurer une démarche d’amélioration continue.
L’évaluation de la performance peut se faire sur différentes dimensions puisque chaque système
étudié évolue sous des contraintes diverses parfois antagonistes (coûts, délais, degré de
satisfaction, priorité de certaines tâches…), ainsi l’évaluation peut être monocritère via les
indicateurs ou multicritère via différentes méthodes d’agrégation.
Évaluer une performance, un état, un risque, etc. se fait par la modélisation mathématique grâce à
une quantification par des métriques (ratios, scores, échelles…) appelés indicateurs. Les
indicateurs sont utilisés dans presque tous les domaines comme des référentiels du fait qu’il
synthétise un ensemble d’informations, offrant ainsi un support de communication commun entre
profils hétérogènes (personnels, gestionnaires, scientifiques, politiques). Ils proposent une
quantification précise d’un critère (rendement d’une machine, d’un employé, taux de service...).
Dans l’industrie par exemple, on parle d’Indicateurs Clefs de Performance (ICP) où un ICP est
défini comme une donnée quantifiée qui mesure l'efficacité, par rapport à une norme, un plan ou
un objectif, déterminé et accepté dans le cadre d'une stratégie d'entreprise. (Pillet et al., 2011)
On note qu’il est très important que le formalisme d’un indicateur soit cohérent et simple de
compréhension pour qu’il soit interprétable en étant le reflet effectif et direct d’une situation
réelle et donc utile. En déduire un diagnostic pertinent permet d’agir, selon les objectifs et les
contraintes, face à une situation donnée (régulation, changement de stratégie, demande de renfort,
etc.). L’utilité d’un indicateur est aussi liée à la fréquence de son utilisation et à la réactivité.
L’une des problématiques étroitement liée au recours aux indicateurs est l’instauration des seuils.
Et les seuils sont les valeurs limites au-delà desquelles certains effets et comportements du critère
étudié changent. Le seuillage s'appuie généralement sur la théorie des probabilités et les
statistiques d’une part et l’expertise humaine d’autre part.
36
Nous avons vu dans le chapitre précèdent une panoplie d’indicateurs utilisés dans les SU pour
mesurer l’offre et la demande afin d’en déduire, suite à un éventuel déséquilibre, un niveau de
tension. Nous trouvons d’autres applications d’évaluation faisant appel aux indicateurs dans
d’autres systèmes de soins. L’Annexe 3 synthétise pour différentes structures, les différents
indicateurs élaborés dans les chantiers menés par l’ANAP qui regroupe depuis 2009 trois entités :
le Groupement pour la Modernisation du Système d’Information Hospitalier (GMSIH), la
Mission d’Appui à l’Investissement Hospitalier (MAINH) et enfin la Mission nationale
d’Expertise et d’Audit Hospitaliers (MeaH).
L’Annexe 3 montre que les indicateurs de performance sont utilisés dans presque tous les
établissements de santé et médico-sociaux. Sauf qu’ils doivent être standardisés et généralisés par
la Haute Autorité de Santé (HAS). Cet objectif sera atteint progressivement et concernera tous les
types d'activité : Médecine, Chirurgie, Obstétrique, Soins de Suite et de Rééducation, psychiatrie
et hospitalisation à domicile, etc. (Gardel et al., 2009). Cette généralisation rencontre certaines
contraintes évoqués par (Sheldon, 1998) et (Freeman, 2002) comme la réglementation, la
concurrence, l'amélioration continue de la qualité, ou encore les incitations financières.
Quand nous disposons de plusieurs indicateurs pour porter un jugement global sur le
fonctionnement d’un système complexe, une stratégie, un programme, ou une politique nous
parlons d’évaluation multicritère. Plusieurs méthodes dites d’analyse multicritère, sont apparues
depuis les années 60 (Figueira et al., 2005). En effet, l’intérêt de l’évaluation multicritère est de
considérer un ensemble d’indicateurs hétérogènes (exprimés en unités différentes), parfois de
natures conflictuelles, sans nécessairement les combiner en une fonction unique.
Prenons un exemple anodin « louer une maison ». Parmi les critères de choix : le loyer, la
superficie, la proximité de commerces, la distance vers le lieu de travail, etc. A priori les critères :
loyer et superficie sont de nature conflictuelle (on paie pour avoir plus de surface), de plus en
fonction de la nature du quartier, les prix changent considérablement. Parmi plusieurs
possibilités, le choix pourrait être difficile. Ainsi, les méthodes d’analyse multicritère sont un
outil incontournable d’aide à la décision, le but n’étant pas de trouver un optimum, mais de
s’approcher d’une solution de compromis.
37
Plusieurs méthodes de sélection, de tri et d’agrégation multicritère existent (Grabisch and Perny,
1999), cependant nous nous intéresserons à étudier l’agrégation pour l’évaluation multicritère
subjective qui caractérise les applications des systèmes de soins. En effet, cette subjectivité est
due au fait que l’évaluation dépend des objectifs et des stratégies des décideurs. Ce qui rend la
tâche plus délicate car non seulement il faut trouver un compromis entre les différents indicateurs
établis lors de l’agrégation mais il faut établir tout d’abord un compromis entre les différents avis.
La méthode la plus classique est de combiner tous les indicateurs dans une métrique unique de
synthèse par la pondération des indicateurs entre eux en leur attribuant des poids relatifs ,
chaque poids détient son importance relativement à l’impact de l‘indicateur , comme le cas
des coefficients de matières dans l’enseignement secondaire. Evidemment, face à la subjectivité
d’un groupe de décideurs, une grande problématique s’impose ici : comment définir ces poids.
On note que la métrique d’agrégation la plus classique est la moyenne pondérée.
Toutes ces approches ont le handicape de négliger l’inexactitude sur les données et leurs
structures. En particulier, le fait que certains critères ne peuvent pas être mesurés sur une échelle
ordinale. Par conséquent, il arrive souvent qu'une solution rationnelle du modèle mathématique
soit calculée, mais pas nécessairement applicable aux problèmes réels (Rommelfanger, 1998).
La Logique Floue (LF) est une méthode d’agrégation multicritère, introduite par L.A Zadeh en
1965 (Zadeh, 1965). Elle traite des concepts imprécis qui relèvent de la subjectivité,
38
généralement pour des applications disposant d’une expertise humaine. En effet, la LF a
l'avantage de représenter mathématiquement trois concepts d'incertitude (Sun et al., 1994) :
La LF a subit certaines réticences dans ses débuts et son champs d’application était restreint à la
recherche et aux universitaires. Ensuite ses applications s’enchaînent (Bouchon-Meunier, 1990).
Les domaines concernés vont des produit de consommation du grand public (machine à laver,
caméras, appareils photo, magnétoscopes, téléviseurs, etc.), jusqu’aux sciences humaines
(psychologie, sociologie, gestion, etc.) en passant par les automatismes industriels, la robotique,
l’intelligence artificielle, la reconnaissance des formes, sans oublier la météorologie et
l’évaluation des risques sismiques (Tong-Tong, 1995). Le fait que le LF offre un grand potentiel
d’évaluation multicritère, ceci a multiplié ses applications (Kahraman, 2008).
Cette théorie est basée sur le principe d’appartenance pondérée d’un élément à un ensemble. En
effet, dans la théorie classique, un élément x d'un ensemble A peut être défini comme un membre
de A ou non un membre de A. Cependant, dans la théorie des ensembles flous, x peut prendre un
degré d'appartenance, une valeur comprise entre 0 et 1.
Cela permet à la LF de fournir une description plus fine de certains phénomènes et évènements
dans des systèmes complexes sans utilisation de modèles mathématiques compliqués. La
souplesse par rapport à la logique classique dans la prise en compte des notions vagues,
imprécises et incertaines, fait de la LF un outil adéquat dans la modélisation du langage et du
raisonnement humain et dans celle des processus de décision (Tong-Tong, 1995).
En effet, dans un problème donné, l’application de la LF passe par 3 phases de traitement dans
l’ordre, le Tableau II-1 explique plus en détail ces étapes nommées dans l’ordre par : la
fuzzification l’inférence la défuzzification.
39
Tableau II-1 : Description des étapes du traitement flou
l’intervalle [0,1] Il faut définir les différentes combinaisons d’états des différentes variables. exploitable et
Exemple : Chaque combinaison trouvée coïncidera avec l’une des règles du moteur interprétable par
d’Inférence. Ainsi nous leurs affectons un résultat sur les sorties. l’utilisateur
Nous appliquons ensuite une méthode d’Inférence : Un traitement sur les final.
différentes règles afin d’aboutir à une surface de décision pour la
configuration en question.
Les fonctions d’appartenance peuvent En effet, selon l’opérateur et selon s’il s’agit d’une condition ou d’un résultat, Les méthodes
prendre plusieurs formats : la méthode d’inférence applique le minimum, le maximum, le produit ou la les plus
- Trapézoïdale somme, ainsi nous proposons les méthodes les plus populaires : populaires sont:
- Triangulaire - Le maximum
Méthodes
40
Afin d’expliquer la mise en œuvre de chacune des étapes du traitement flou, nous proposons un
exemple introductif : évaluer le Niveau de Satisfaction (NS) d’un patient au SU via deux
indicateurs : l’Attente (A) et la Qualité de Service (QoS).
Dans la phase de fuzzification, il faut définir les valeurs linguistiques (états) pour chaque variable
linguistique, et l’univers de discours comme le montre le Tableau II-2. Ensuite, il faut définir les
fonctions d’appartenance et les seuils qui sont mieux expliqués dans les Figure II-1, Figure II-2,
Figure II-3. Nous avons choisi pour cet exemple des fonctions d’appartenance trapézoïdales.
Dans la phase de l’inférence, il faut établir les règles d’inférence où on représente l’état de la
sortie en fonction des entrées sous forme de matrice de décision comme le montre le Tableau
II-4, exemple : SI A est «moyenne» ET QoS est « bonne » ALORS le NS est « excellent».
Ensuite agréger les conclusions dans un seul graphique, comme le montre la Figure II-4 en
appliquant une méthode d’inférence : selon l’opérateur et selon s’il s’agit d’une condition ou d’un
résultat, la méthode d’inférence applique le minimum, le maximum, le produit, la somme ou le
produit aux variables. Dans cet exemple, nous avons appliqué la méthode (Min-Max) dite aussi
méthode de Mamdani (Bouchon-Meunier, 1990). Il s’agit d’une méthode couramment utilisée
dans la littérature, nous l’appliquons à notre exemple pour mette en œuvre son exécution.
Enfin, lors de la défuzzification, l’agrégation par l’opérateur Max nous mène à obtenir une
surface de décision (Figure II-5) qui rassemble toute l’information dégagée des conclusions. La
méthode la plus utilisée pour dégager la valeur finale de la sortie est celle du centre de gravité g :
Dans cet exemple introductif, nous concluons que le patient a un NS égal à 4,38 sur une échelle
de 0 à 10 en se basant sur son attente qui a durée 1h15mn et une qualité de prise en charge
évaluée de 4 sur une échelle de 0 à 10.
41
Tableau II-3 : Description des étapes du traitement flou de l’exemple introductif
42
Ainsi, la LF nous permet de gérer efficacement la subjectivité qui caractérise souvent les
jugements d'experts sur un problème de décision (Lu et al., 2007), grâce à des termes
linguistiques flous évaluant le mérite relatif des alternatives et des critères, comme «faible»,
«moyen», «très important», etc offrant un cadre d'évaluation flexible (Thomaidis et al., 2006).
Anticiper la tension dans les SU, c’est anticiper le déséquilibre entre l’offre et la demande.
Cependant comme l’offre est maitrisable, elle est quasiment fixe ou préalablement connue, d’où
anticiper la tension revient à faire des prévisions sur la demande.
En général, faire des prévisions sur la demande conditionne l’optimisation afin d’approcher un
approvisionnement de ressources optimal d’une part mais donne une marge de flexibilité et
réactivité face aux éventuelles hausses ou baisses inhabituelles de cette demande. Ainsi faire des
prévisions de la demande de soin est aussi indispensable pour assurer la bonne gestion de
l’activité et les risques dans un SU, car une éventuelle hausse anormale de la demande peut y
mettre le chaos si les ressources nécessaires ne sont pas adéquates ou disponibles. Cependant, la
prévision de la demande est essentiellement connue dans le secteur de la grande consommation
où les délais de livraisons sont restreints à quelques jours donc prévoir pour savoir dimensionner
43
son stock est inévitable face aux deux grands risques : la perte de la clientèle et la dégradation de
l'image de marque (Bourbonnais and Usunier, 2007).
Toute étude prévisionnelle est basée sur l’analyse des données d’historique afin de déterminer
leurs caractéristiques statistiques (tendance, saisonnalité, etc.). Cet historique est représentatif de
ce que l'on cherche à prévoir. Plusieurs méthodes de prévision existent :
Qualitatives : basées sur les avis d’experts (subjectivité)
Basées sur l’analyse des Séries Chronologiques (SC): se basent sur l’extrapolation des
données historiques dans le futur.
Causales: basées sur d’autres facteurs corrélés à la chronique étudiée comme le cas de la
Régression linéaire.
Basées sur la simulation : Simulent le système étudié (exemple : habitudes clientèles)
Nous détaillons essentiellement dans la suite les méthodes basées sur l’analyse des SC.
Une Série Chronologique (SC), dite aussi série temporelle ou encore chronique est une série de
mesures prises successivement à des intervalles de temps réguliers : X1, X2, X3...Xn. Ces mesures
reflètent l’évolution d’un phénomène X dans le temps construisant ainsi la SC de terme général
Xt avec t=1..n. Le fait de l’analyser permet de comprendre l’évolution du phénomène étudié et
d’établir des prévisions (Bourbonnais and Terraza, 1998).
D’autre part, la représentation graphique de Xt dans le temps permet de déceler les particularités
de la série (tendance, saisonnalité, pics ou creux) et c’est généralement le premier réflexe du
prévisionniste. Afin d’offrir une meilleure visualisation, il est possible d’appliquer des filtres
(logarithmique, moyenne mobile..) aux valeurs brutes de Xt.
Une SC est caractérisée par quatre composantes qui peuvent éventuellement se combiner
(Bourbonnais and Terraza, 1998) :
La Tendance (Tt) qui est une variation lente en fonction du temps traduisant une allure
générale de la progression du phénomène étudié (hausse ou baisse).
Le Cycle (Ct) qui est un mouvement caractérisé par la périodicité et par la cyclicité (phases
croissantes et décroissantes avec des amplitudes régulières), il est souvent combiné avec la
tendance en une seule composante : l’extra-saisonnalité (Et).
44
La composante Saisonnière (St) qui est une variation régulière selon un horizon fixe (semaine,
mois, an, etc.). Elle peut résulter de plein de facteurs comme le climat, les habitudes
sociologiques, les périodes festives, etc.
La composante Résiduelle (Rt) correspond à des mouvements accidentels généralement
imprévisibles (catastrophes naturelles, grèves...). Leur allure est stable autour de la moyenne.
De plus, une SC peut être stationnaire ou non stationnaire : elle est dite stationnaire quand le
niveau moyen des observations est constant, c’est-à-dire la série a une évolution hors tendance.
Sinon elle est dite non stationnaire. Cette nature peut également conditionner le choix de la
méthode de prévision à appliquer. Nous développerons dans la suite les caractéristiques et
méthodes d’estimation des deux composantes fondamentales : la tendance et la saisonnalité.
II.4.1.1 La tendance
Quand nous observons une représentation graphique d’une SC, nous pouvons en déduire
intuitivement une tendance. Cependant, il existe des méthodes de la statistique pour l’estimer
avec des précisions relatives. La méthode la plus commune est la régression qui permet de donner
une estimation grâce à un polynôme de la forme :
Les coefficients ai sont calculés par la méthode des Moindres Carrés Ordinaires (MCO). Nous
appelons cette méthode « ajustement linéaire » quand la tendance est considérée linéaire et le
polynôme retenu est de degré 1. Une autre méthode est souvent utilisée pour lisser la courbe et
proposer une tendance, c’est la Moyenne Mobile (MM) qui permet d’amortir les fluctuations.
Cependant, la MM est souvent utilisée dans des travaux purement descriptifs du fait que cette
méthode ne permet pas d’extrapoler des données dans le futur, et elle a le défaut de réduire le
nombre de mesures traitées.Une fois la tendance de la SC déterminée, l’étape suivante est
généralement de déceler la saisonnalité en calculant les coefficients saisonniers.
II.4.1.2 La saisonnalité
Un mouvement saisonnier est répétitif à l’identique selon un horizon donné (jours, mois,
trimestre, années). Une saisonnalité peut être facilement détectable sur une courbe représentative
de la SC étudiée par la visualisation de ses mouvements répétitifs et périodiques. Mais il existe
45
également plusieurs tests analytiques permettant de la détecter, le test de Fisher dit encore F-test
est l’un des plus commun (Sutradhar et al., 1995) (Bourbonnais and Terraza, 1998).
Déceler la saisonnalité peut encore être réalisé par l’analyse graphique de la Fonction
d’Autocorrélation (ACF) qui est une modélisation mathématique de corrélation entre une SC et
elle-même à différents décalages dans le temps (Bourbonnais and Usunier, 2007). C’est la
représentation graphique du coefficient d’autocorrélation d’ordre k qui permet de déceler des
liaisons internes à la série à travers les valeurs de la fonction d'autocorrélation, est donné par :
Avec et
D’autre part, modéliser la saisonnalité se fait par le calcul de coefficients saisonniers. C’est le cas
dans certaines méthodes (HoltWinters ou encore SARIMA) que nous verrons plus en détails dans
le paragraphe (II.4.2.2). De plus, les coefficients ne sont pas forcément fixes malgré que ce
mouvement soit identique, du fait que dans certains cas de figures, le phénomène étudié
incorpore des changements comportementaux présentant un bruit dans la saisonnalité fixe. Dans
ces études nous parlons de coefficients glissants. Par exemple, le changement de la température
d’une année à une autre pourrait présenter un facteur externe changeant les comportements en
consommation et ainsi les coefficients saisonniers changent.
Les méthodes les plus simples à mettre en œuvre sont les méthodes basées sur le lissage
exponentiel introduites par (Holt, 1975) (Winters, 1960) et (Brown, 1962) qui traitent que des
séries stationnaires.
D’autres méthodes plus complexes sont apparues par la suite proposés par Box et Jenkins (Box
and Jenkins, 1976), ces modèles ont résolu plusieurs problèmes de prévision pour des séries
chronologiques pas forcément stationnaires où un point de la série dépend fortement des
observations antérieures et de leurs erreurs.
46
II.4.2.1 Méthodes basée sur le lissage exponentiel
Ces méthodes sont caractérisées par le fait de donner plus d’importance à l’historique récent en
attribuant des poids plus importants aux informations récentes. Chaque valeur estimée est une
combinaison linéaire de toutes les réalisations passées où les coefficients varient en exponentielle
décroissante en fonction de l’ancienneté de l’information. Le paramètre réglable est la vitesse de
décroissance de cette exponentielle. Autrement dit, on choisit dans quelle mesure on veut
préserver ou oublier les informations passées. Le principe de base du lissage propose une valeur
estimée selon l’équation suivante :
Soit
Avec : La dernière valeur lissée
: Coefficient de lissage compris entre 0 et 1
: La réalisation à l’instant t
Et si on développe davantage cette relation suivant le même principe aux instants (t-1, t-2, t-3,...,
0), nous obtenons :
Soit
47
Toutefois, une quatrième méthode basée sur le lissage exponentiel est plus utilisée dans la
pratique du fait qu’elle supporte la tendance et la saisonnalité, c’est la méthode de Holt Winters
(HW). Cette dernière rajoute un troisième lissage pour la saisonnalité par rapport à la méthode
Holt et calcule des coefficients de saisonnalité. Trois lissages distincts sont effectués :
pour le lissage de la moyenne tel que :
Les modèles de Box-Jenkins (Box and Jenkins, 1976), ont révolutionné le monde de la prévision
du fait qu’ils permettent de représenter la majorité des SC aléatoires. Ils proposent dans leurs
modèles soit des processus à moyennes mobiles (MM) soit des processus autorégressifs (AR), ou
encore une combinaison des deux types de processus. Ce qui a permis de générer plusieurs
variantes de ces modèles.
Les plus populaires sont les processus ARIMA (Autoregressive Integrated Moving Average) qui
sont classifiés comme modèle basé sur une SC Xt dans laquelle : p est le nombre
de termes autorégressifs, d est le nombre de différenciations subi par la série Xt et q est le nombre
de termes de moyennes mobiles. La différenciation de la série « d fois » sert à rendre la SC
stationnaire dans le cas non stationnaire.
48
Nous utilisons l’opérateur retard B définit comme suit :
Equivalente à :
Avec :
: Opérateur d’Autorégression.
: Opérateur de Moyennes mobiles.
: Opérateur de différenciation d’ordre d.
: est un bruit blanc de moyenne nulle et de variance .
En effet, les processus autorégressifs stipulent qu’on peut prédire chaque point de la série par une
somme pondérée des observations précédentes ajustée par un terme d’erreur. Par contre, les
processus de moyenne mobile stipulent qu’on peut prédire chaque point de la série par une
somme pondérée des erreurs entachant les observations précédentes, ajustée par sa propre erreur.
Concernant les processus d’intégration basés sur la différenciation, ils stipulent que tout point de
la série possède une différence constante avec l’observation précédente. Ainsi, le premier ordre
de différenciation obéit à l’équation :
Et ainsi de suite. Cependant, pour des études de cas réels, d = 1, 2 ou 3 (au maximum).
Les processus ARIMA sont génériques et très présents dans les séries économiques. Pour des
séries chronologiques possédant une composante saisonnière (répétition du phénomène en
question chaque s observations), les processus ARIMA ont été généralisés pour donner naissance
49
aux modèles SARIMA (Seasonal ARIMA). Exemple de périodicité : mensuelles s = 12 (12/1an)
et trimestrielle s= 4 (4/1 an). La généralisation des ARIMA en SARIMA obéit en plus à un
opérateur de différenciation saisonnier où s est la période. Les SARIMA sont
étiquetés , ils obéissent à l’équation suivante :
Avec :
Par ailleurs, nous pouvons rajouter un vecteur de variables externes Y à la modélisation SARIMA
(aussi appelé régresseur). De cette façon, le modèle le plus général est défini par SARIMAX
(Seasonnal ARIMA with eXogenous input) étiqueté comme . Il est
défini par l’équation suivante :
Nous avons abordé dans cette partie les méthodes de prévision basées sur l’étude des SC.
Maintenant nous passons à un autre volet d’approches et outils à étudier dans le cadre de la
gestion de la tension dans les systèmes de soins : la gestion des ressources et la planification des
activités, qui présente un moyen supplémentaire de combattre la tension.
50
l’ordonnancement objet d’une problématique combinatoire de complexité NP, parfois difficile à
résoudre d’une façon optimale sur le plan pratique.
En effet, l’ordonnancement a envahi presque tous les domaines car il a prouvé ses avantages, en
optimisant le fonctionnement des processus et augmentant leur productivité. Il est essentiellement
appliqué dans le monde de l’industrie (ordonnancement des ateliers), mais aussi dans
l’informatique (ordonnancement des process dans les systèmes d’exploitation), ou encore la
construction (suivi de projets). Plusieurs méthodes d’ordonnancement existent, chaque méthode a
ses spécificités. Généralement nous les classons selon la nature de la solution (exacte ou
approchée). L’ordonnancement est couramment utilisé chez les industriels qui cherchent à
minimiser les coûts de fabrication et augmenter la productivité. La question qui se pose
aujourd’hui : est ce que nous pouvons parler d’ordonnancement dans les systèmes de soin?
Si nous analysons les conditions nécessaires pour qu’un système soit candidat à
l’ordonnancement, il suffit que ce dernier propose des processus regroupant chacun une suite
d’étapes visant une fonction objectif à optimiser (maximisation de la qualité de prise en charge, la
satisfaction des patients et la réduction des coûts), une production finale (la production des soins).
Chaque processus nécessite une ou plusieurs ressources humaines (médecins, infirmières,
anesthésistes, brancardiers...) et matérielles (salles opératoires, salles d’hospitalisation, matériel
médical, imagerie, radiologie..) qui peuvent être partagées dans un environnement commun. La
progression du processus est faite sous des contraintes (délais, coût, règlementation).
Face à cette description transposable à chaque système de soin, nous trouvons tous les paramètres
nécessaires à un problème d’ordonnancement et la réponse donc est « oui, les systèmes de soins
sont des bons candidats aux problèmes d’ordonnancement ».
Plusieurs travaux dans le Bloc Opératoire (BO) ont fait des analogies avec les ateliers et ont
utilisé des heuristiques (Chaabane, 2004) (Saadani et al., 2006), les algorithmes génétiques
(Conforti et al., 2010), (Chandoul et al., 2012). D’autres travaux ont eu recours à la
programmation par contraintes (Hanset et al., 2010).
Pour l’Hospitalisation à Domicile (HAD), (Ben Bachouch et al., 2010) ont étudié comment
affecter les tâches et équilibrer la charge de travail des infirmières. Le modèle mathématique
51
proposé prend en compte la disponibilité des praticiens, leurs compétences et les qualifications
exigées par les tâches. Ils ont résolu le problème d’affectation grâce à la programmation linéaire
et l’ordonnancement grâce au solveur LINGO de LINDO8.
Dans le SU, (Daknou, 2011) avait pour objectif de minimiser le temps d’attente des patients et
minimiser les coûts tout en respectant la qualité des soins. L’auteur propose un ordonnancement
réactif à 3 phases (Ordonnancement-Insertion-Réordonnancement) intégré à un Système Multi-
Agents (SMA) appelé 3P-RSA, dans lequel des agents ordonnanceurs affectent chaque tâche
médicale au personnel médical exigé avec les compétences demandées. L’ordonnancement est
basé sur l’algorithme de liste qui prend en compte les priorités attribuées aux tâches.
Pour l’évaluation nous allons modéliser la demande grâce à des indicateurs de performances et de
suivi basés non seulement sur le nombre de patients présents dans le service mais également sur
la DP, les longues attentes, le nombre de patients en UHCD. Le but de notre travail est aussi de
proposer une démarche générique transposable à n’importe quel SU et de fournir une méthode de
seuillage transparente et générique, car beaucoup d’études précédentes excluent les SUP.
D’autre part, nous voulons visualiser la tension sous différents angles et secteurs dans le service
afin de proposer dans un second temps des actions correctives adéquates. De plus, nous allons
proposer un moteur flou pour l’agrégation multicritère afin d’éviter les seuils figés et assurer un
meilleur compromis entre l’analyse statistique et l’expertise humaine. Afin de répondre au mieux
aux exigences du personnel médical et proposer un outil performant sur le terrain, l’élaboration
du moteur d’inférence sera assurée en collaboration avec les praticiens.
52
patients. Ainsi, nous procédons à une étude comparative pour en garder la meilleure performance
à chaque horizon. Le choix de SARIMAX en particulier est motivé par l’intégration de la
composante externe qui dans note cas modélisera l’impact des paramètres (météo, vacances
scolaires et périodes épidémiques). Le choix de l’horizon est motivé par la nature de l’activité et
par le besoin exprimé par les praticiens.
Concernant la partie gestion de ressources et planification de l’activité, elle sera traitée sans
prendre en compte l’affectation de ressources comme une contrainte, puisque une autre thèse
complémentaire à notre étude traitera en détail cet axe et améliorera cette hypothèse. Nous allons
classer les patients selon un ordre de priorité respectant des règles de bonnes pratiques médicales.
De point de vue SU, l’objectif est de les classer selon un ordre de priorité permettant aux MU de
savoir directement qui doit être traiter en premier. De point de vue patient, l’objectif est de
maximiser la satisfaction des patients (minimiser les temps d’attente pour le premier examen et
les longues DP en général) mais c’est également une façon de libérer au plus vite le service, donc
alléger au plus vite la charge aux praticiens.
II.7 Conclusion
Le cerveau humain a ses limites de traitement et de réactivité quand il se trouve face au défi de
gérer et interpréter un grand volume d’informations dans des délais relativement courts. L’appui
des outils de l’ingénierie et de l’informatique est maintenant indispensable dans le secteur de la
santé. Nous avons abordé dans ce chapitre des méthodes et approches appliquées dans des axes
de recherche porteurs touchant directement ou indirectement tous les systèmes de soins victimes
d’états de tensions.
L’interaction entre ces différents axes à savoir : la modélisation des flux, l’évaluation des
performances, la gestion des ressources et la planification des activités ou encore la gestion des
risques en systèmes de soin est évidente. En effet, chaque thème fait appel aux autres et ils sont
tous complémentaires. Avoir une bonne visibilité sur l’ensemble de ces axes, permet d’assurer un
meilleur pilotage de l’activité afin d’éviter les états de tension.
53
III. CHAPITRE III. Identification et modélisation floue des Indicateurs de tension
54
III.1 Introduction
Rares sont les études sur l’évaluation de la tension dans les SU qui se sont basées sur la Durée de
Passage (DP). De plus aucun travail n’a séparé les patients de l’USE de ceux de l’UHCD.
Pourtant en se référant aux avis des experts ainsi qu’aux données, il parait plus judicieux de
séparer les deux populations afin de mieux cerner ce phénomène car les caractéristiques cliniques
et organisationnelles dans ces deux zones sont différentes.
A cet effet, nous allons aborder la définition et la formulation de trois indicateurs clés de la
tension, pour proposer après une approche multicritère basée sur la LF pour évaluer la tension en
les agrégeant (Chandoul et al., 2013) comme le montre le schéma illustratif de la Figure III-1.
D’autre part, chaque indicateur en soi reflète une dimension de la tension et peut être suivi à part.
Certes, dénombrer les patients dans le SU est déjà un premier pas pour visualiser le volume
occupé et l’engorgement du service, mais suivre en temps réel l’avancement des différents
traitements est plus fin pour évaluer la charge de soin restante à un instant t. Afin d’éviter d'être
limité à la présence physique des patients, car un TO élevé (Annexe 1) ne signifie pas
nécessairement qu'il y a une forte demande de la charge de soin, nous avons choisi d’affecter à
chaque patient de l’USE une sorte de compteur temporel qui se déclenche dès son entrée au
service comme le montre le schéma illustratif de la Figure III-2.
55
Figure III-2 : Schéma illustratif du suivi de l’avancement des traitements pour les patients de l’USE
D’autre part, nous affectons pour chaque patient une Durée de Passage Prévisionnelle (DPP) dans
un objectif que les praticiens font de leur mieux pour ne pas la dépasser. Le calcul de cette DPP
obéit à un protocole générée par une étude statistique des DP dans l’USE que nous allons
développer dans le paragraphe (III.2.1.1).
Quant aux patients de l’UHCD, ils seront seulement dénombrés puisqu’ils représentent que 20%
des patients et qu’ils ne représentent pas les vrais responsables de la tension, contrairement aux
patients de l’USE. De plus, les DP dans l’UHCD sont fortement dispersées puisque elles peuvent
parfois dépasser les 24h malgré qu’il s’agisse de la durée maximale autorisée tandis que les DP
dans l’USE ne dépassent généralement pas 8h.
Nous aurons donc deux catégories d’indicateurs : d’une part, les indicateurs spécifiques à un
patient donné. Ils sont propres au suivi de la prise en charge d’un seul patient dans l’USE. Ils
nous permettent de modéliser l’avancement d’un traitement et de proposer une dimension de
qualité de service supplémentaire à l’échelle du patient. Puis, nous aurons d’autre part, les
indicateurs généraux représentés par trois indicateurs construits sur la base des indicateurs
spécifiques des patients. Ils serviront d’indicateurs d’entrées au moteur de calcul flou.
Notre démarche est décrite via l’algorithme de calcul d’indicateurs ci-dessous qui fonctionne en
temps réel et propose ses calculs pour chaque configuration à un instant t donné. Les étapes
intermédiaires seront expliquées dans les paragraphes qui suivent.
56
Algorithme III-1 : Algorithme de calcul d’indicateurs
57
III.2.1 Indicateurs spécifiques aux patients
Assurer aux parents et aux patients la satisfaction dans le SUP fait partie d’une stratégie
d'amélioration continue (Magaret et al., 2002). La DP, le temps d'attente, la diffusion de
l'information et l'interaction avec les praticiens dans le SUP présentent les plus forts prédicteurs
significatifs de la satisfaction des patients (Boudreaux and O’Hea, 2004).
Ceci ne signifie pas que les parents ne sont pas conscients du temps de traitement nécessaire.
Mais ils ont besoin d'être bien informés sur l'avancement des traitements d'une part et sur la
progression globale des soins d'autre part. Ce qui reflète également le niveau de la tension car la
DP semble augmenter considérablement lorsque le TO dépasse 90% (Forster et al., 2003)
(McCarthy et al., 2009). Néanmoins, il est difficile d'évaluer la satisfaction des patients en raison
de l'interaction complexe entre les attentes, les perceptions et la réalité (Harris and Hostetler,
2002) (Spahr et al., 2006).
Dans ce cadre, nous souhaitons proposer des indicateurs spécifiques aux patients reflétant à la
fois le niveau de performance et la qualité de prise en charge. Ils sont basés sur la comparaison à
un instant t de la durée réelle passée dans le service d’un patient donné et de sa DPP ou encore sa
durée d’attente pour sa Première Prise en Charge (PPC). Nous allons donc commencer par
présenter comment nous estimons et modélisons une DP dans l’USE avant de proposer la
formulation des indicateurs.
Nous rappelons que la DP est la durée séparant le temps d'arrivée et le temps de départ d'un
patient. Notre but étant d’estimer une DP pour chaque patient de l’USE à partir d’un certain
nombre de données.
Nous avons donc construit un arbre de décision à partir des données patients comme il s’agit d’un
problème de discrimination et classement (RAKOTOMALALA, 2005). En effet, dans notre cas,
on veut expliquer et prédire la DP dans l’USE à partir de variables catégorisant les patients en
groupe homogènes en terme de distribution de DP.
58
L’arbre de décision est le résultat d’un partitionnement de patients en groupes, où chaque groupe
est caractérisé par une segmentation qui repose sur un croisement de variables unique. Chaque
groupe aboutit à un sommet au bout duquel nous représentons la distribution de la DP afin
d’évaluer quelle est la meilleure segmentation à prendre en compte.
Nous avons trouvé que la DP dépend fortement du profil du patient; elle est sensible
essentiellement au diagnostic m et au nombre d’examens complémentaires e (Windal et al., 2014)
(Chandoul et al., 2014).
Nous avons donc choisi de construire une base de données dynamique relative aux différentes DP
selon ces deux critères. Elle se présente par une table que nous avons appelé TableDesDP qui a
pour lignes les codes des différents diagnostics m et en colonnes les nombres d’examens e.
Chaque cellule correspond à qui est la médiane des DP d’un groupe de patients de
……..
……..
……..
……..
Ainsi dans le cas où nous avons un patient qui se présente à un instant t avec un diagnostic mi,t et
un nombre d’examens complémentaires prescrits ei,t, nous lui affectons une selon le
protocole d’estimation de la DP décrit par . Ce qui donne :
59
Toutefois, quand un patient n’a pas encore eu sa PPC et donc aucun diagnostic n’est encore
établi, sa DPP est la médiane de toutes les DP (de tous diagnostics confondus).
La DP présente un indicateur clé pour l’étude de l’avancement des traitements. En effet, suivre
l’avancement de chaque prise en charge permet de détecter les éventuelles anomalies par rapport
à une progression dite « normale ». Ces anomalies se présentent par les dépassements des durées
prévisionnelles : Quand la DPP n’est pas encore atteinte, nous qualifions ce cas de figure de
progression « normale » tandis que dans le cas contraire, nous le qualifions de « dépassement».
de soin. La Figure III-3 met également en évidence des zones d’alertes relatives au pourcentage
de progression du traitement dans le temps. Elles sont distinguées par des codes couleurs et des
limites de progressions comme suit :
40% de la progression
80% de la progression
100% de la progression
120% de la progression (cas de dépassement)
160% de la progression (cas de dépassement)
Figure III-3: Représentation illustrative de la distribution d’une DPP par un système tampon
60
La zone centrale est une zone dite moyenne (M) du fait que les sorties dans cette zone sont
situées autour de la médiane. Avant cette zone nous parlons de sorties précoces (TF et F) et après
cette zone nous parlons de sorties tardives (E et TE).
En effet, une sortie précoce signifie que la prise en charge du patient était rapide due
essentiellement à la disponibilité de ressources ou/et une facilité de traitement. Contrairement à
une sortie tardive, elle peut être due à l’indisponibilité des ressources qui engendre des temps
attentes cumulées, ou/et un traitement complexe.
L’objectif est de proposer un système fonctionnant en temps réel pour accompagner les praticiens
tout au long de la journée de travail en proposant une aide à la décision et une mise en garde
permanente en attirant leur attention grâce aux zones d’alerte, ainsi juger rapidement la nature de
la progression pour un patient donné et de son ordre de priorité dans un groupe de patients.
61
Durée réelle passée dans le service du patient à l’instant t (exprimée en minutes),
w Temps d’attente de référence pour la PPC (exprimée en minutes): C’est un seuil pour la
durée d’attente tolérée avant la PPC. C’est la moyenne d’attente pour la PPC de tous les
patients de l’historique. Dans notre cas w=20min.
Variable booléenne vérifiant si le patient i attend encore sa PPC à l’instant t,
Si PPC est non faite
Si non
Charge Restante
Si (III.1)
Si non
C’est un réel positif, sa valeur est comprise entre 0 et 1, elle est maximal à l’instant où
ainsi .Cette mesure modélise une charge de soin restante pour un patient i à
l’instant t dans l’USE. Cette charge est un moyen de mettre un poids sur l’avancement du
62
processus de prise en charge. permet d'éviter de considérer la présence physique du patient i
à l’instant t comme 100% de charge de soins restante.
Charge de Dépassement
(III.2)
C’est un réel positif qui est différent de 0 seulement en cas de dépassement. S’il est supérieur à 1
le patient a passé au moins 2 fois sa DPP.
Si (III.3)
Si non
C’est un réel positif qui est différent de 0 seulement en cas d’attente pour la PPC. Si
alors et dans ce cas l’attente est tolérable. Par contre si alors il s’agit
d’un temps d’attente dépassant le temps d’attente de référence w et dans ce cas il faut créer une
alerte d’attente.
Cette mesure évalue la moyenne d’attente pour la PPC d’un patient i à l’instant t dans l’USE et
reflète son niveau de satisfaction. Dans un souci de qualité, est un indicateur à minimiser
afin de minimiser l’attente.
Dans notre cas, un patient attend en moyenne w=20min avant d’avoir sa PPC. Jusqu’à 20min
d’attente nous ne considérons pas qu’il s’agisse d’un phénomène anormal. Par contre après
20min nous donnons une alerte aux praticiens par un . Un patient attend fois w s’il
n’a pas eu sa PPC. Exemple : Si le patient attend depuis 50mn sa PPC, .
63
La Figure III-4 illustre le calcul des indicateurs dans les deux cas de figures : La progression
normale (où ) et le scénario de dépassement (où ).
Séparer les deux cas de figures permet de modéliser la normalité du fonctionnement d’une part et
l’anormalité d’autre part. Le but est de pouvoir refléter ces deux aspects analytiquement. La DP
est un reflet direct de la qualité de prise en charge et de la satisfaction des patients.
Nous proposons en entrées du moteur flou, trois indicateurs de tension Figure III-1. La
surveillance de ces indicateurs permet l’évaluation de l’état d’activité au sein du SUP et permet
de détecter la survenue d’un événement exceptionnel pouvant créer une tension. Ces indicateurs
sont construits sur la base d’indicateurs spécifiques (formules III.1, III.2 et III.3).
64
Dans cette partie nous présentons pour chaque indicateur sa formulation. Le but est de trancher
entre l’évolution normale et anormale d’une part et de détecter les seuils de changement d’états
d’autre part, puisque nous cherchons à identifier le régime transitoire.
Afin de justifier le choix des indicateurs, nous allons rappeler la définition de la tension :
Un état de tension dans le SU est un déséquilibre entre le flux de charge en soins et la capacité
de prise en charge sur une durée suffisante pouvant entrainer des conséquences néfastes au bon
fonctionnement.
Cette définition propose trois aspects de la tension : le premier est sa source directe qui est le
déséquilibre entre offre et demande, le deuxième est la durée de ce ressenti et le troisième aspect
est ses conséquences.
Ainsi, nous allons modéliser ces trois aspects par : un indicateur principal représentant le
déséquilibre offre/demande et deux indicateurs représentant les conséquences néfastes dans le
temps (le dépassement des DPP et les longues attentes pour la PPC).
Comme nous l’avons déjà définie, la tension dans le SU est liée au rapport entre la demande et
l’offre. Si la demande excède l’offre, cela fait monter le niveau de la tension. Ainsi nous
définissons le Ratio Demande sur Offre ( ) par la formule suivante :
Si (III.4)
Si non
C’est un réel positif qui est différent de 0 seulement s’il existe une demande de soins. Le
numérateur évalue la charge de soins effective restante totale dans l’USE à un instant t. C’est la
somme des de tous les patients i présents dans l’USE à l'instant t. Tandis, que le
dénominateur évalue la capacité de prise en charge en nombre de lits susceptible d’être
disponibles pour les patients en USE. Ainsi, si le est supérieur 1, ceci veut dire que la
charge en soin dépasse la capacité de prise en charge.
65
Dans quasiment toutes les métriques que nous avons vues dans la revue de littérature (paragraphe
I.4.1), le nombre de patients revient souvent comme l’information qui modélise la demande. Mais
nous estimons que c’est une information insuffisante puisque en fonction de l’heure, la nature et
le niveau d’avancement des traitements, la charge de soins pourrait être ressentie différemment.
Nous estimons que la somme des est plus adéquate pour représenter la demande effective
propre à la population de l’USE à un instant t et nous la proposons à la place du . Son intérêt
est perçu pour les fins de traitement qui ne consomment plus beaucoup de ressources, car
proposer dans ces cas peut engendrer des fausses alertes de tension.
De plus, nous avons constaté que l’UHCD n’est pas une 2ème unité complètement indépendante
de l’USE et de la tension puisqu’elle consomme les mêmes ressources humaines d’une part et
offre des placements supplémentaires d’autre part d’où l’intégration du nombre de lits vacants
( ) en UHCD à un instant t dans le dénominateur. En effet, en fonction du niveau
d’occupation en UHCD, l’équilibre entre demande et offre peut s’accentuer ou au contraire
s’alléger puisque les praticiens s’adaptent souvent à une hausse de la demande en accommodant
des lits en UHCD en box de consultation. Ceci dit, dans le cas d’une indisponibilité totale de lits
en UHCD, il n’existe plus d’autre marge de manœuvre et que même en ayant plus de personnel,
ceci ne changera rien au fait qu’il n y a plus de placement pour traiter les patients qui attendent.
Concrètement, dans des cas de crises extrêmes, comme la canicule 2003 en France, l’expérience a
démontré que les couloirs et les salles d’attente étaient la dernière chance pour absorber la charge
de soin et que le facteur humain a une grande capacité d’adaptation.
La tension dans le SU est liée également à son prolongement dans le temps et aux conséquences
qu’elle peut engendrer comme l’allongement des DP. Ainsi nous définissons le Ratio de
Dépassement Total à un instant t ( ) comme le rapport entre la moyenne des de tous les
patients présents dans l’USE présentant un cas de dépassement à l’instant t. Le se présente
par la formule suivante :
66
Si
(III.5)
Si non
C’est un réel positif qui est différent de 0 seulement en cas de dépassement. Il évalue la moyenne
de dépassement totale des DPP dans l’USE à un instant t.
Le dépassement des DPP peut être considéré à la fois comme une conséquence et une cause
supplémentaire de tension. Car si le problème des DPP allongées n’est pas résolu et que la
demande continue de croitre avec de nouvelles arrivées, la capacité de prise en charge sera
davantage accablée et la tension va persister dans le temps. D’où l’intérêt de garder cet indicateur
comme un deuxième indicateur clé de tension et de le suivre instantanément à part.
Un deuxième aspect de la tension que nous avons réussi à déceler. Les temps d’attente pour la
PPC qui augmentent pendant les pics de tension. Ainsi nous définissons le Taux d’Attente Total
pour la PEP ( ) par cette formule :
Si
(III.6)
Si non
Il s’agit de la moyenne des des patients présents à l’instant t dans l’USE attendant une PPC.
C’est un réel positif. S’il est égal à 0 aucun patient n’attend sa PPC. Autrement, il y a une attente
proportionnelle à sa valeur. Particulièrement s’il est supérieur à 1, la moyenne d’attente totale est
supérieure à w=20 min. Cet indicateur peut refléter indirectement la rareté des ressources face à
la demande ainsi qu’une dimension qualitative de prise en charge.
Les longues attentes pour la PPC peuvent être considérés à la fois comme une conséquence et une
cause supplémentaire de tension car si les patients ne sont pas examinés au moins pour établir un
diagnostic, leurs DP vont s’allonger davantage en réduisant leurs niveaux de satisfaction. D’où
l’intérêt de garder cet indicateur comme un troisième indicateur clé de tension et de le suivre
instantanément à part. Nous rajoutons que cette catégorie de patients qui va attendre au-delà de w
67
une PPC est souvent composée de cas classés CCMU 1 et 2, qui ne sont pas prioritaires par
rapports aux autres CCMU plus élevés.
Suite à cette formulation d’indicateurs modélisant la tension, nous allons procéder maintenant à
l’étude de leur agrégation par la LF.
Les trois indicateurs dégagés , et seront les entrées du moteur flou à chaque
instant t. Et en sortie, nous obtenons le Niveau de Tension ( ) comme le montre la Figure III-1.
Nous avons choisi d’appliquer la LF pour trois raisons :
Elle supporte la subjectivité (les avis d’experts sont multiples et les évaluations sont
imprécises).
Elle offre un seuillage flexible des indicateurs de tension : pas de passage brusque entre états.
L’agrégation des indicateurs se base sur un moteur d’inférence qui hérite notre langage
naturel, ce qui facilite la collaboration avec les praticiens.
Nous développons notre démarche dans cette partie en détaillant les différentes étapes du
traitement flou. Sa validation sera traitée dans le paragraphe (V.3).
Nous optons pour un protocole de seuillage générique qui s’adapte à n’importe quel service en se
basant sur sa base de données interne et son historique, les seuils déduits pour chaque indicateur
seront relatifs à la configuration du service qui varie d’un établissement à un autre (capacité
d’accueil, nombre de passages par jours, DP, DPP, adaptation de ressources).
Nous avons défini pour chaque indicateur d’entrée 3 états modélisés par trois sous-ensembles
flous : Faible « F », «Moyen « M » et Elevé « E ». Chaque sous-ensemble est caractérisé par sa
fonction d’appartenance trapézoïdale pour que le passage d'un état à un autre se produise
68
graduellement. Ainsi, nous définissons chaque fonction d’appartenance par ses 4 paramètres
affichés sur l’axe des abscisses comme le montre la Figure III-6. En effet, une fonction
trapézoïdale est définie par quatre paramètres (a, b, c et d, des réels tels que a ≤ b ≤ c ≤ d) comme
le montre la Figure III-5 :
Cependant, la modélisation de chaque indicateur est faite par 3 états comme le montre la Figure
III-6 qui met en évidence des zones d’appartenance partielle évitant ainsi le passage brusque
entre deux états successifs, « F » et « M » ou encore « M » et « E». D’où l’intérêt d’un seuillage
flou qui répond à la fois à une logique statistique et un consensus d’avis d’experts.
Les seuils sont élaborés pour chaque indicateur selon la logique statistique décrite dans
l’Algorithme III-2, les résultats seront détaillés dans le paragraphe (V.3.1) :
Tout d’abord, une étape d’initialisation est nécessaire afin de configurer la base de données en
choisissant les jours de l’historique (base 2011 et 2012 dans notre cas), le pas
d’échantillonnage (n=15min dans notre cas). Il faut ensuit initialiser les variables de traitement en
69
les dimensionnant. Dans l’étape 2, nous chargeons l’historique de l’indicateur selon le
paramétrage initial.
Dans la troisième étape, nous menons une étude de distribution. Cette étude est affinée par
tranche horaire selon le pas d’échantillonnage choisi au cours de la journée (n=15min ici). Ainsi,
nous obtenons la dispersion de chaque indicateur en fonction du temps prenant en compte quatre
fonctions limites comme suit :
LQ(t) : présente les limites des 25% inférieurs de données à chaque instant t
Med(t) : présente les médianes (limites des 50% inférieurs) à chaque instant t
UQ(t) : présente les limites des 75% inférieurs de données à chaque instant t
UW(t) : présente les limites des 95% inférieurs de données à chaque instant t
Ce choix d’analyse par tranche horaire est justifié par la forte variabilité de la demande des soins
au cours de la journée : elle présente des valeurs très faibles dans la partie nocturne qui sont loin
de la réalité de la tension ressentie habituellement entre 11h et 21h. Notre but est de détecter les
pics de tension les plus importants relatifs à chaque indicateur, c’est pourquoi les seuils flous
prennent les maximas des fonctions limites entre 9h et minuit comme le montre l’étape 4 de
l’Algorithme III-2.
En effet, détecter les pics de tension hors période nocturne et premières heures de la journée,
permet de réguler les seuils selon les configurations extrêmes afin d’éviter de les sous-estimer en
considérant les autres horaires.
D’autre part, ce seuillage temporel présente une deuxième utilité graphique comme outils de suivi
de progression d’indicateurs dans le temps puisqu’il permet de positionner la courbe de
progression de l’indicateur encadrée par les quatre fonctions limites. Ainsi il permet de détecter
un éventuel comportement inhabituel dans une tranche horaire donnée.
Certes les seuils sont spécifiques à la configuration du service étudié, mais leur élaboration et
calcul sont génériques pouvant s’adapter à n’importe quel autre SU.
70
Algorithme III-2 : Algorithme de calcul des seuils flous
Nous avons adopté une classification plus fine en proposant 10 niveaux de tensions modélisés par
10 sous-ensembles flous : de « N1 » à « N10 » du plus faible au plus élevé. La Figure III-7
montre cette fuzzification où nous avons choisi des fonctions triangulaires qui sont un cas
particulier des fonctions trapézoïdales dans le cas où b=c (Figure III-5).
71
Figure III-7 : Fuzzification de la sortie « Niveau de Tension »
Ainsi la valeur finale de la tension est une mesure qui sera comprise entre 1 et 100.
C’est la deuxième étape du traitement flou, elle consiste à définir le moteur d’inférence qui est
basé sur une description linguistique dans le but de générer des règles de décision. La description
linguistique simplifie la modélisation du phénomène car ceci hérite de notre langage naturel.
L’élaboration des règles obéit à une étude statistique sur l’influence de chaque indicateur mais
elle est surtout basée sur les avis des praticiens.
En effet nous avons choisi d’utiliser la méthode de Mamdani (Bouchon-Meunier, 1990) pour
l’inférence floue en ayant des combinaisons d’états du Type :
Si « ? » Et « ? » Et « ? » Alors « ?»
Nous avons choisi d’utiliser seulement l’opérateur logique « ET » dans les conditions, afin de
couvrir tout l’espace d’entrée via toutes les combinaisons d’états possibles qu’offre cette
syntaxe : avec 3 entrées dans notre cas, où chacune peut présenter 3 états différents, nous
obtenons 33 combinaisons soit 27 règles.
Pour ajuster les 27 règles proposées dans la matrice de décision une à une avec les experts, nous
avons adopté une démarche itérative de régulation comme le montre le schéma illustratif de la
Figure III-8. Tout d’abord, nous avons préparé une étude statistique liée aux situations de
déclenchement des règles afin de déduire des conclusions cohérentes.
72
Figure III-8 : Schéma illustratif de l’approche d’ajustement des règles floues
Cependant, il est important de vérifier que toutes les règles sont impliquées dans le processus
d’évaluation et suivent les recommandation de (Dubois et al., 1997). En fait une base de règles
floues doit subir une série des tests pour vérifier qu’elle obéit à certaines propriétés requises et ne
contient pas d'anomalies inattendues comme :
Enfin, pour une généralisation à d’autres services, cette étape d’expertise est indispensable. Nous
étudions dans le paragraphe (V.3.1 les caractéristiques de cette base de règle appliquée aux
indicateurs du SUP Jeanne de Flandre.
La défuzzification constitue l'étape finale du traitement flou. Cette opération a pour but de fournir
une valeur numérique précise et nette entre 0 et 100 qui soit exploitable directement et qui fait le
compromis entre les conclusions d’inférence en renfermant toute l'information subjective dans
une surface de décision comme le montre la Figure III-9. Le centre de gravité nous permet de
déduire dans quelle zone d’alerte se situe son abscisse pour afficher un voyant d’alerte : Vert,
73
Jaune, Orange, Rouge ou Noir. Ces cinq zones d’alerte caractérisées par des couleurs sont
attribuées aux cinq zones constituées par les 20% successifs de cette échelle (0-20, 20-40, 40-60,
60-80 et enfin 80-100).
Figure III-9 : Exemple de surface de décision affichant le CoG et la zone d’alerte correspondante
Nous présentons dans le paragraphe (V.3.3) les résultats de cette agrégation floue.
III.4 Conclusion
Dans notre approche d’évaluation, nous nous somme basés, pour la définition de nos indicateurs
clés, sur l’étude des DP et l’attente pour la PPC afin d’évaluer le déséquilibre entre la charge en
soins demandée à un instant t et la capacité de prise en charge d’une part et les conséquences de
la tension dans le SUP comme l’allongement des DP et les longues attente pour la PPC d’autre
part. Il s’agit d’une démarche quantitative et qualitative à la fois qui permet d’avoir une
évaluation de la tension sur différents niveaux.
De plus, dans quasiment toutes les métriques que nous avons vues dans la revue de littérature vue
dans le paragraphe (I.4.1), nous n’avons pas trouvé une distinction entre les patients de l’USE et
ceux de l’UHCD du fait qu’il s’agit d’une caractéristique propre des SU en France. De plus,
rares sont les travaux qui ont intégré la DP dans les indicateurs de tension et si c’est le cas, elle
était proposée pour toute la population de patients sans aucune distinction. Ces travaux ne
traitaient pas les SUP non plus.
Pour notre travail, nous avons choisi de séparer les indicateurs et d’éviter leur imbrication dans
une seule métrique pour avoir différents angles de vue sur la tension afin de savoir où et comment
il faut agir car chaque indicateur en soi présente une mesure de tension à part.
Néanmoins, leur agrégation par la LF permet d’aboutir à une évaluation globale du niveau de
tension via une mesure exploitable variant entre 1 et 100. L’élaboration des règles d’inférence
74
grâce à la description linguistique qui hérite notre langage naturel, présente l’élément clé de cette
évaluation car elle nous a permis de collaborer avec différents métiers et faire un compromis
entre les différents avis des experts. Il s’agit d’une approche flexible pouvant être adaptée à
n'importe quel SU grâce à une méthode de seuillage générique et une base de règle cohérente et
adaptée.
Dans le chapitre qui suit, nous développons le deuxième objectif de notre projet qui est
l’anticipation de la tension sur différents horizons afin de donner une meilleure visibilité aux
gestionnaires du SU sur l’évolution future de la demande en leur permettant d’anticiper ce
phénomène par des actions préventives et correctives.
75
IV. CHAPITRE IV. Anticipation et évitement de la tension
76
IV.1 Introduction
La prévision et l’anticipation des crises sont assez connues dans le milieu économique, où les
gestionnaires sont à la quête d’informations prospectives leurs permettant de mieux piloter leur
activité. L’objectif est d’offrir une meilleure gestion de ressources afin de maitriser les coûts mais
aussi de satisfaire sa clientèle dans un milieu de haute concurrence. Les difficultés essentielles
sont dues au manque de visibilité et à l’incertitude face à la demande. Adopter des prévisions
peut changer toute une politique économique selon leur nature optimiste ou pessimiste. D’ailleurs
les prévisions dans certains secteurs comme l’automobile conditionnent souvent la production.
Cependant, dans le monde de la santé, la prévision est récemment appliquée. Face aux nouvelles
contraintes règlementaires, budgétaires et pressions médiatiques d’une part et le recours de plus
en plus aux services de soin d’autre part, ce secteur hérite de plus en plus des caractéristiques du
monde de l’entreprise. Ainsi, un nouveau défi stratégique est au cœur de l’activité hospitalière,
c’est l’anticipation de la demande pour mieux gérer le pilotage de l’activité. Il s’agit également
du deuxième objectif dans le cadre du projet HOST.
Nous avons déjà présenté un état de l’art sur cette thématique dans le paragraphe (I.4.2) et nous
avons remarqué que les travaux sont majoritairement dans les urgences adultes excluant les SUP.
Les travaux d’anticipation sont quasi-inexistants en France et ne prennent pas en compte les
particularités du système de soins français. De plus, les horizons d’anticipation sont parfois assez
larges, ne reflétant pas la vraie tension ressentie ou ne permettant pas d’agir efficacement.
En effet, la demande de soin dans le SUP fait l’objet de fortes variations saisonnières mais bien
structurées. Les observations des chroniques de fréquentations de notre établissement détaillées
dans le paragraphe (V.2.1) nous ont menés à illustrer des phénomènes saisonniers particuliers à
différentes périodicités (mensuelle, hebdomadaire, journalière et horaire).
Dans ce chapitre, nous présentons en premier lieu les approches d’anticipation que nous allons
adopter dans le cadre d’un système hybride d’anticipation à horizon glissant qui présente une
mesure préventive pour éviter la tension. Dans un deuxième lieu, nous présentons d’autres
protocoles d’évitement de tension complémentaires à son anticipation.
77
IV.2 Système hybride d’anticipation à horizon glissant
Afin d’avoir une meilleur qualité de prévision, nous devons choisir des méthodes adéquates pour
chaque période de l’année et horizon de prévision :
de novembre à mars : le SU est victime du plus grand nombre d’états de tension sévères.
Dans cette partie de l’année, nous observons une grande influence des paramètres externes
sur le nombre d’arrivée. Ces paramètres externes sont les basses températures, les vacances
scolaires et surtout la forte contagion due aux épisodes épidémiques.
avril, mai, juin, septembre et octobre : Le SU se trouve hors période épidémique, les
températures se stabilisent et il y a deux semaines seulement de vacances (vacances de
printemps).
juillet, août : le SU perçoit plutôt le phénomène inverse que l’hiver, pendant les vacances
d’été l’activité chute surtout pour les jours de température très élevée, nous avons pour ces
mois une sous-activité.
Les méthodes que nous proposons pour l’anticipation doivent se baser sur l’étude des SC et
doivent supporter la saisonnalité. Ces méthodes sont HW, SARIMA et enfin la méthode
SARIMAX améliorée.
Niveau Métiers
Niveau Fonctionnel
Niveau Connaissances
78
Figure IV-1 : Architecture fonctionnel du Système Hybride d’Anticipation (SHA)
Niveau Métiers : correspondant aux divers utilisateurs et intervenants du SHA pouvant lancer des
requêtes de prévision pour une période et un horizon donnés. Parmi eux, les gestionnaires et les
experts qui participent en plus à l'élaboration, la création et la gestion des bases de connaissance
et participent également au choix des méthodes de prévisions.
79
o La base des faits : elle est en lien directe avec l’environnement externe, regroupe un
ensemble d’information codées des caractéristiques de la période et l’horizon de
prévision demandés. Ces caractéristiques sont les vacances scolaire, la période
épidémique, les prévisions météorologiques. C’est une base dynamique qui évolue en
temps réel.
Le schéma de la Figure IV-1 montre les interactions entre ces trois niveaux. La qualité avec
laquelle ces interactions peuvent s'exécuter, le degré d'efficacité du système d'aide et son
ergonomie sont tous liés à la mise en œuvre d'interfaces. Ces interfaces doivent donc donner une
représentation de la solution sous forme de visualisation d’informations textuelles et graphiques.
De plus ces interfaces doivent s'adapter aux divers droits d’accès des utilisateurs : les interfaces
dédiées aux gestionnaires et experts doivent englober l'ensemble des supports nécessaires pour
élaborer et gérer les modules des niveaux Fonctionnel et Connaissances. Tandis que les interfaces
des simples utilisateurs doivent constituer un outil d’interaction pour la réception de la requête
d’information et l’affichage du résultat. C’est une gestion de la communication, tant au niveau
recueil de la demande utilisateur pour l’exercer via le module de gestion et de résolution qu’au
niveau informationnel (affichage, analyse, évaluation).
Anticiper la tension sur différents horizons dans le SUP est un moyen incontournable pour offrir
une meilleur organisation, améliorer la gestion des ressources et la qualité de prise en charge.
Désormais, nous allons présenter la problématique de l’anticipation de la tension dans le SUP
pour des horizons larges et courts. Ensuite, nous allons proposer les méthodes de prévision que
nous adoptons.
La question à laquelle il faut répondre à ce stade est : Qu’est-ce que nous allons anticiper afin de
prévoir la tension ? La difficulté apparente est que la tension telle que nous l’avons définie
pourrait perdre son sens en élargissant l’horizon au-delà d’une anticipation journalière. Par
contre, notre définition de la tension prend tout son sens pour des horizons courts à l’ordre de
80
l’heure. Dans ce qui suit nous allons répondre à cette question en développant pour chaque
horizon la chronique à anticiper et les approches à adopter.
Pour des horizons larges (mensuel, hebdomadaire et journalier), le nombre de patients s’avère
être le caractère reflétant le mieux la demande de soin pouvant créer un éventuel déséquilibre
avec l’offre. En étudiant le phénomène sur ces horizons, il parait stable en termes de saisonnalité
et influence externe. Ces études sont détaillées dans les paragraphes (V.2.1 et V.2.2).
Ainsi nous allons faire des prévisions sur le nombre de patients dans le service grâce aux
méthodes de prévision basées sur les SC essentiellement HW et SARIMA supportant la
saisonnalité. Par la suite, nous allons évaluer la qualité de prévision pour chaque méthode avec le
MAPE (Tableau I-1) afin de choisir la méthode la plus adéquate selon l’horizon. Cependant, nous
allons exploiter l’influence externe pour avoir une meilleure qualité de prévision et nous
appliquons dans ce cas la méthode SARIMAX.
Pour l’horizon horaire, voire moins large, la tension prend tout son sens. Cependant, pour ces
horizons plus restreints, le nombre de patients dans le service n’est plus une information
suffisante pour modéliser la tension dans sa globalité qui devient une résultante de : nombre
arrivées, nombre de sorties, nombre de patients vus et d’autres en attente d’une PPC ou d’un
examen complémentaire ou encore d’une ou plusieurs ressources.
Alors pour anticiper la tension à l’horizon horaire, deux pistes sont disponibles :
La première piste est celle que nous retrouvons dans la littérature (Annexe 2) qui est
d’anticiper le nombre de patients présents dans le service. Mais comme nous l’avons déjà
évalué, il ne s’agit pas forcément d’un reflet de tension.
La deuxième piste est d’anticiper la tension dans sa globalité comme mesure tenant compte
de notre approche d’évaluation floue. Pour cette piste nous avons encore deux alternatives :
81
soit anticiper les indicateurs un à un et agréger leurs résultats de nouveau pour avoir une
sortie qui est la tension à chaque intervalle de temps. Ou encore anticiper une seule mesure
qui est la mesure de la tension en soit, tel que nous l’avons élaborée.
Puisque les deux indicateurs RDT et RAT ne présentent pas de saisonnalité apparente et leurs
influences sur la tension est ressentie essentiellement dans les états « F » nous choisissons
l’anticipation de la tension dans sa globalité comme il s’agit d’une chronique saisonnière de
période 24.
En termes de méthodes, nous allons appliquer les méthodes d’anticipation existante dans la
littérature en essayant d’améliorer l’information venant de l’historique qui influence directement
la qualité des prévisions en offrant la possibilité de recomposer un historique adéquat.
Nous allons effectuer une étude comparative de méthodes de prévision supportant la saisonnalité
selon l’horizon en appliquant le critère d’Akaïke pour sélectionner le modèle SARIMA ou
SARIMAX avec le nombre optimal de paramètres. Ensuite, en comparant les performances de
chaque méthode, ceci nous ramènera à dire, qu’il est intéressant de garder une bibliothèque de
méthodes où chacune serait applicable sous conditions en élaborant un module de résolution et
d’évaluation : regroupant l'ensemble des méthodes ce qui permet ainsi de faire appel à plusieurs
types de représentation, adaptées aux divers horizons et périodes de prévision.
Suite à une discrétisation du temps, la chronique à anticiper sera à chaque fois le nombre de
patients dans le service pour les différents instants t pour ces horizons larges. Les indices t varient
d’un horizon à un autre comme le montre leTableau IV-1.
Pour chaque chronique il est important de définir une période si la méthode de prévision prend en
compte la saisonnalité. Nos prévisions se déroulent sur l’année 2013 grâce à l’historique de 2011-
2012. Enfin, la comparaison entre la prévision et la réalisation nous permettra d’évaluer la qualité
de nos prévisions.
82
Tableau IV-1 : Paramètres et protocole d’anticipation pour les horizons larges
Nous avons parlé dans le Tableau IV-1 de l’emploie d’un historique recomposé pour l’horizon
d’une semaine et l’horizon d’un jour. Ceci vient du fait que nous cherchons à calculer au mieux
les coefficients saisonniers prenant en compte des caractéristiques externes. En effet, lorsqu’il
83
s’agit de vacances, de très basses températures ou de périodes épidémiques, il faut intégrer un
historique particulier d’une succession de périodes ayant les mêmes caractéristiques que la
semaine ou le jour où on cherche à faire des prévisions. Ceci dit, l’historique brut précédant la
prévision ne contient pas forcément ces informations spécifiques mais il ne faut pas le négliger
parce qu’il aura plus d’impact sur la tendance.
L’intérêt de la recomposition de l’historique est de créer une saisonnalité explicite qui a du sens
car les vacances scolaires peuvent être décalées d’une année à une autre et les indices des
semaines ne coïncident pas de la même manière chaque année. Pareil pour la période épidémique
qui est décalée d’une année à une autre.
Le principe est de positionner les périodes des années précédentes ayant les mêmes
caractéristiques au début de l’historique tout en gardant d’historique brut récent réalisé avant la
prévision.
Nous proposons l’exemple des vacances de printemps 2013 (13-SV1 et 13-SV2) sur la Figure
IV-2 : L’axe des abscisses correspond à l’échelle de l’historique recomposé sur lequel nous avons
intercalé deux périodes de vacances de printemps 2011 (11-SV1 et 11-SV2) et 2012 (12-SV1 et
1-SV2) avec les deux semaines précédentes et suivantes à chaque fois, créant ainsi deux périodes
de 6 semaines successives avant celles de 2013.
Figure IV-2 : Recomposition d’historique hebdomadaire pour les vacances de printemps 2013
La Figure IV-3 montre un exemple de réalisation qui correspond à ce qui s’est réellement passé
en 2013 précédé par un historique brut et un historique recomposé.
Figure IV-3 : Recomposition d’historique journalier pour les vacances de printemps 2013
Nous pouvons voir que l’historique recomposé met en évidence les chutes en nombre de patients
relatives aux périodes de vacances (zones grisées sur la courbe). La prévision tenant compte de
l’historique brut aura une période de 28 relatives à (7x4) car nous considérons dans chaque
période 4 semaines (2 semaines de vacances + une avant + une après). Ce n’est pas le cas pour
l’historique brut qui gardera la période 7.
Concernant la méthode SARIMAX, nous exploitons, l’influence externe comme une seule entrée
résultante d’une interférence de facteurs externes.
Selon la période de l’année, nous avons des jours où le nombre d’arrivées est fortement influencé
par certains paramètres externes. C’est pourquoi nous avons pensé à appliquer le model
85
SARIMAX. Ce modèle sera hybridé avec un module d’estimation flou pour l’impact des facteurs
externes (Figure IV-4).
Le concept est de prédire les valeurs futures à travers des réalisations passées, en tenant compte
de la saisonnalité du phénomène et l'influence externe de trois paramètres externes (vacances
scolaires, périodes épidémique et la température). Le bloc estimateur flou va donner en sortie un
coefficient d’influence externe qui sera à son tour l’entrée exogène du bloc SARIMAX.
Cette combinaison entre prévision par étude de Séries Chronologiques (SC) d’une part et de
l’estimation par la Logique Floue (LF) d’autre part était inspirée de l’approche Needing
Estimating Agent (NEA) (Kaddoussi et al., 2010) lors d’une application militaire : le modèle de
prévision était ARMAX pour AutoRegressive Moving Average with eXogenous input combiné à
un moteur flou estimant l’influence des paramètres climatiques sur la consommation des soldats
pour un site militaire.
Les paramètres externes: la température, les vacances scolaires et enfin la période hivernale
épidémique seront des variables d’entrées pour un module flou comme le montre la Figure IV-5.
86
Figure IV-5 : Schéma explicite de la modélisation floue du facteur d’influence externe
Modéliser l’influence de chaque paramètre à part s’avère plus évidente. Par contre l’influence de
plus que deux indicateurs ou plus l’est moins. C’est pourquoi nous avons commencé par établir
des classes d’appartenance et des seuils inspirés de l’historique des deux années 2011-2012 de
l’étude lors de la phase de fuzzification, pour établir après une base de règles cohérente dans la
phase d’Inférence et enfin aboutir à une seule sortie après la défuzzification, ces étapes sont
détaillées dans le paragraphe (II.3.2.2).
Nous avons appelé la sortie finale, Facteur d’Influence Externe (FIE), établi en fonction de
l’impact des facteurs externes sur le nombre d’arrivées au SU. Il est décrit par 5 sous-ensembles
comme le montre la Figure IV-6. Nous avons choisi d’appliquer des fonctions trapézoïdales,
puisque le passage d’un état à un autre ne se fait pas brusquement.
Nous avons choisi de modéliser les jours de la Période Epidémique (PE) en termes d’affluence et
de risque de contagion suite aux résultats que nous avons obtenus du réseau sentinelles. L’analyse
87
statistique sur le nombre de pathologies et de maladies par période et par jour nous a permis de
distinguer 3 sous-ensembles selon l’affluence par jour : « Faible », « Moyenne » et « Forte ».
Par ailleurs, les vacances scolaires peuvent modifier l'activité et le profil des épidémies car il y a
moins de contaminations en périodes de vacances scolaires. Ainsi nous définissons deux classes
« Oui» ou « Non » et enfin pour la météo nous définissons trois classes également « Très
faibles » « Moyenne » et « Forte».
La deuxième étape dans le traitement flou consiste à définir le moteur d’inférence basé sur des
règles de décision. Exemple de règle :
Evidemment, il ne s’agit pas des seuls paramètres externes influençant l’activité, il est possible de
rajouter par exemple l’influence des évènements régionaux (comme le cas de quelques matchs du
LOSC*9 à Lille où le SUP devient presque désert). Donc, cette approche est ouverte mais limitée
par le nombre de combinaisons possibles qui augmente proportionnellement aux nombre de
paramètres et d’états qui les décrits.
De plus, cette base de règles peut différer d’un SU à un autre selon la région ou même le pays.
Exemple : un SU dans une zone tropicale ne va pas souffrir de températures très faibles.
D’ailleurs nous avons déjà vu le cas de la région Rhône-Alpes où l’activité touristique à risque
(montagne et rivière) contribuerait davantage au recours aux SU (ARS-RA, 2013).
9
Equipe de football lilloise
88
IV.2.3 Approche d’anticipation pour les horizons courts
Nous anticipons directement la mesure du niveau de tension à la sortie du moteur Flou pour les
horizons courts. De plus, nous procédons par recomposition d’historique afin d’exploiter la triple
saisonnalité (hebdomadaire, journalière et horaire) de ce phénomène mis à part l’influence
externe. Un algorithme assure la recomposition de l’historique, en se basant sur le calcul d’un
score de vraisemblance journalier.
Pour l’horizon horaire, nous allons effectuer une étude comparative de deux méthodes afin de
garder la meilleure performance. Les méthodes HW et SARIMA car toutes les deux supportent la
saisonnalité.
Pour chaque date introduite, un algorithme de recomposition d’historique basé sur le calcul de
vraisemblance journalière est appliqué afin de chercher dans la base de données les réalisations
précédentes les plus proches de cette journée type en termes de réalisations, période de l’année,
facteurs externes comme le montre l’Algorithme IV-1.
Pour chaque date postérieure à la date introduite, l’algorithme calcule un score de vraisemblance
basé sur une pondération de paramètres (numéro de la semaine de l’année, le jour de la semaine,
la température max, vacances, épidémiologie, MAPE des réalisations précédentes).
Plus ce score est maximal, plus les caractéristiques des deux jours comparés sont proches. Un
score est maximal quand tous les paramètres sont presque similaires puisque la comparaison de
certains paramètres tolère des marges relatives de différences. D’autre part, deux jours sont de
plus en plus vraisemblables si le MAPE qui représente l’erreur relative absolue entre les deux
chroniques de l’historique des deux dates est minimale. Au-delà du nombre autorisé de jours
candidats pour cet historique, une mise à jour devient nécessaire à chaque itération pour garder
les meilleurs jours candidats à la vraisemblance.
89
Cette mise à jour consiste à évaluer le score de vraisemblance en le comparant avec les autres
scores de vraisemblances des dates candidates déjà stockés. Lors de l’itération, si le nouveau
candidat présente un meilleur score de vraisemblance que l’élément le moins avantageux des
solutions, il prendra sa place dans le tableau des candidats.
Enfin, les dates candidates pour la recomposition de l’historique seront classées en fonction de
leur MAPE décroissant et seront intercalées avant une période brute de la date à laquelle va se
dérouler la prévision.
Algorithme IV-1 : Algorithme de recomposition d’historique basé sur le calcul de vraisemblance journalière
90
Enfin, le but d’anticiper la tension est une façon de prévention contre la tension. D’autres
protocoles d’évitement de tension peuvent être déployés à différents niveaux de la crise. C’est ce
que nous présentons dans la suite.
Il permet d’organiser l’offre de soins afin de pouvoir réaffecter les ressources au regard des
priorités identifiées, renforcer les moyens locaux (rappel du personnel hospitalier, renforcement
de la permanence des soins ambulatoires, ouverture de lits supplémentaires…) et enfin si les
moyens locaux sont insuffisants, des moyens nationaux peuvent être déployés, notamment par le
biais de la mobilisation de réservistes sanitaires de l’ Etablissement de Préparation et de Réponse
aux Urgences Sanitaires (EPRUS), en particulier des professionnels de santé remplaçants,
retraités, non exerçants et étudiants.
ORSAN comprend 5 volets qui servent à organiser les soins quand l’une des 5 situations
susceptibles d’impacter le système de santé survient. Chacun des 5 volets correspond à des
modalités d’organisation de l’offre de soins spécifiques :
Cependant, de tels dispositifs doivent être déployés dans des situations extrêmes de crise non
maîtrisables et il est important de penser à des actions avant de les atteindre. Des actions
préventives susceptibles de réguler les flux patients. Dans ce contexte de prévention, il est
91
possible de proposer des solutions comme l’ont déjà fait plusieurs travaux comme (Derlet and
Richards, 2008) (Jlassi, 2009) (Handel et al., 2010) et (Liu et al., 2013). Cependant, jusqu’à quel
degré et par quels moyens ils sont réalisables car plusieurs contraintes règlementaires et
essentiellement budgétaires pourraient bloquer la mise en œuvre de ces solutions.
Les protocoles d’évitements de tension trouvés dans la littérature peuvent être résumés en dix
points :
Afin de mieux gérer la tension en minimisant les indicateurs de tension : RDO, RDA et RAT, en
respectant les bonnes pratiques médicales et éthiques, un outil de gestion et de planification de
l’activité est nécessaire afin d’optimiser le recours aux ressources.
Nous avons choisi un protocole de classement des patients à un instant t avec ordre de priorité
sur un tableau de bord. Il vise à aider les praticiens à distinguer quel est le patient à voir en
premier lieu et selon quelle priorité. En effet, nous appliquons des règles de priorités cohérentes
établies avec l’aide des praticiens respectant les bonnes pratiques médicales et employant les
92
indicateurs de qualités spécifiques aux progressions des traitements. Nous définissons ainsi six
règles ordonnées selon différentes caractéristiques des profils des patients :
Priorité 1 : Les patients en attente de leurs PPC et ayant des CCMU supérieur ou égal à 3
Action 1.1 : tri selon ordre décroissant des CCMU
Action 1.2 : Pour les CCMU similaires, tri selon un ordre croissant de
Priorité 2 : Les patients susceptibles d’être contagieux
Action 2 : tri selon un ordre croissant de
Priorité 3 : Les nourrissons (âge < 2 ans)
Action 3 : tri selon un ordre croissant de
Priorité 4 : Les patients ayant des faibles CCMU (1 et 2) en attente pour leurs PPC au-delà
de w mn ( )
Action 4 : tri décroissant selon les
Priorité 5 : Les patients en dépassement
Action 5 : tri décroissant selon les
Priorité 6 : Le reste des patients selon un ordre croissant de
Action 6 : tri croissant selon les
Le classement que nous proposons aux praticiens n’est qu’une aide à la décision et ne les oblige
à le respecter. Plusieurs paramètres ne sont pas pris en compte dans ce problème de classement.
En effet, il s’agit d’un problème d’ordonnancement plus complexe soumis à des contraintes de
disponibilités de ressources et à d’autres objectifs des points de vue personnel et politique de
l’établissement, il sera développé dans les travaux de (Ben Othman, 2015)
Grace à la base de connaissances (matrice de décision) qui est basée sur des règles d’inférence
faisant le lien entre les états d’indicateurs de tension en entrée et le niveau de tension globale,
nous pouvons émettre un diagnostic de l’état de SU. Tout d’abord, nous émettons pour chaque
règle d’inférence un diagnostic suite à la génération finale des règles floues.
Proposer le diagnostic se fait en parallèle avec la phase de défuzzification puisque nous pouvons
déduire quelle règle était le plus influente sur la surface de décision et proposer ainsi son
93
diagnostic relatif. La règle la plus influente sur la surface de décision est celle qui propose la
valeur maximale attribuée à l’un des sous-ensembles flous de la sortie.
Dans le cas d’une égalité de deux conclusions d’inférence ou plus, les deux diagnostics seront
combinés en enlevant les éventuelles redondances et/ou incohérences. Nous proposons la mise en
œuvre de ces diagnostics relatifs aux règles de décision dans l’Annexe 4.
IV.4 Conclusion
L’existence de dispositifs de gestion de crise extrêmes dans les systèmes de soins est
indispensable pour la prévention des catastrophes pouvant mettre en péril des vies humaines.
Néanmoins, il est très dangereux de se baser exclusivement sur ces dispositifs pour lutter contre
la tension extrême à cause des difficultés logistiques et économiques liées à leur déploiement.
En effet, il est nécessaire d’anticiper la demande sur plusieurs horizons et proposer des solutions
au quotidien permettant de réguler les flux de patients et maitriser l’activité. Ainsi nous avons
élaboré un système hybride d’anticipation à horizon glissant adaptatif.
D’autre part, nous proposons plusieurs mesures d’évitement de tension en détectant les sources
de défaillance en se basant sur les états des indicateurs de tension afin de proposer un diagnostic
aux praticiens leur permettant d’agir en ciblant la source de la crise. Dans le chapitre suivant nous
verrons plus en détails le déploiement de ces mesures préventives de tension.
94
V. CHAPITRE V. Résultats et Simulations
95
V.1 Introduction
Dans ce chapitre, nous présentons les résultats de notre étude en quatre parties : la première partie
regroupe les résultats des analyses statistiques relatives aux données du SUP Jeanne de Flandre
du CHRU de Lille. Ces analyses détaillent les caractéristiques des chroniques de fréquentation et
les facteurs externes l’influençant ainsi que les caractéristiques des DP des patients dans l’USE.
La deuxième partie est consacrée à l’étude de la distribution des indicateurs de tension et leur
fuzzification ainsi qu’aux résultats de leur agrégation floue. La troisième partie traite les résultats
de l’anticipation pour tous les horizons étudiés. Enfin, la quatrième partie est consacrée à la
présentation du SAGeT des points de vue conception, architecture et services offerts ainsi qu’à la
présentation des scénarios de simulation mettant en œuvre l’application de nos approches.
Le SUP Jeanne de Flandre au CHRU de Lille reçoit environ 24 000 visites par an soit en
moyenne 458 par semaine et 66 par jour répartis en 20% en UHCD et 80% en USE. Il comporte
10 lits en UHCD, 4 box de consultation en USE, une salle de suture, une salle de plâtre, une
SAUV et enfin 2 salles d’attente. Néanmoins, il arrive de transformer des lits vacants en UHCD
en box d’examens pour répondre à la demande dans des cas de forte tension. Quant aux
ressources humaines, le Tableau V-1 résume leur répartition horaire.
Internes
Infirmières PH total
chirurgien pédiatre MG
9h-18h 2 1 3 1 2 9
19h-23h 3 (2 en été) 1 2 (1 en été) 1 1 8 (6 en été)
0h-8 2 1 1 0 1 5
Nous avons analysé un échantillon de données sur une période de presque trois ans, de janvier
2011 à novembre 2013. Les données patientes ont suivi un protocole d'anonymisation respectant
les recommandations de la CNIL10.
10
http://www.cnil.fr/
96
V.2.1 Analyse des chroniques de fréquentation du SUP selon différents horizons
Les Figure V-1, Figure V-2 et la Figure V-3 affichent respectivement le nombre total des patients
par mois, par semaines et enfin par jours pour les 3 années de l’étude.
Les variations mensuelles sont presque identiques et dépendent de certaines périodes de l’année.
La représentation de la Fonction ACF, dite aussi corrélogramme sur la Figure V-4 montre un pic
avec décalage de 12 intervalles, reflétant la corrélation des données à chaque période de 12 mois
et ainsi la saisonnalité pour chaque période de 12 mois.
Les variations hebdomadaires sur la Figure V-2 affichent des creux pour les vacances et des pics
pour la période épidémique. Hors vacances d’été, l’information était moyennée et perdue dans la
chronique mensuelle. Nous ne pouvons pas parler de saisonnalité hebdomadaire sur l’année mais
nous pouvons exploiter la saisonnalité journalière des 7 jours de la semaine. En effet, nous avons
détecté une saisonnalité relative aux jours de la semaine visible sur le corrélograme de la Figure
V-5 qui affiche bien des pics récurrents avec un intervalle de 7 correspondants à la période 7.
La Figure V-3 montre la fréquentation journalière où le phénomène devient moins stable suite à
l’apparition des détails de variations auparavant absorbées dans les vues les plus macros. Nous
notons 3 pics remarquables pour chaque année : 119 le 27/11/2011, 97 le 19/02/2012 et 100 le
07/02/2013 sachant que la moyenne journalière est de 66 patients.
Enfin nous affinons l’horizon jusqu’à arriver à la base horaire. Nous ne pouvons pas mettre en
évidence la saisonnalité graphiquement pour cet horizon. Cependant, le corrélogramme relatif
dans la Figure V-6 montre une saisonnalité horaire possédant une période égale à 24, relative aux
24 heures de la journée.
Figure V-1 : Nombre total de patients par mois au SUP Jeanne de Flandre
97
Figure V-2 : Nombre total de patients par semaine au SUP Jeanne de Flandre
Figure V-3 : Nombre total de patients par jour au SUP Jeanne de Flandre
Figure V-4 : Corrélogramme relatif à la chronique Figure V-5 : Corrélogramme relatif à la chronique
mensuelle journalière
98
L’intérêt d’une anticipation est de plus en plus intéressant en affinant l’horizon. Le mieux est
d’adopter une échelle horaire pour donner une marge d’action efficace et une vraie possibilité de
prévention. Cependant, les horizons plus larges servent de moyens d’information et de gestion.
Différents facteurs externes influencent le recours aux SUP. Il est important d’en tenir compte
afin d’ajuster les prévisions. Nous commençons par étudier l’impact des vacances scolaires : le
Tableau V-2 indique les numéros des semaines de vacances afin de pouvoir les identifier sur la
Figure V-2. La baisse du nombre de patients par rapport à la période d’activité qui entoure
chaque période de vacances (un mois avant et un mois après) est de l’ordre de : 25% pour les
vacances d’été, 15% pour les vacances de Noël, d’hiver et de printemps et enfin 8% pour les
vacances de Toussaint.
11
Tableau V-2 : Vacances scolaires de 2011 à 2013 en Zone B
Maintenant nous allons étudier l’impact de la période épidémique qui s’étend généralement du 15
novembre jusqu’au 31 mars de chaque année où le SUP Jeanne de Flandre reçoit en moyenne 73
patients par jour hors vacances scolaires, soit 511 patients par semaine. Ce qui représente une
hausse de 10% par rapport à la moyenne. Cette hausse est essentiellement causée par 3 infections
épidémiques annuelles : bronchiolites à VRS, gastro-entérites à rotavirus, et grippes. Les pics
dans cette période varient de quelques semaines d'une année à l'autre.
La Figure V-7 et la Figure V-8 représentent le nombre de cas recensés par le Réseau Sentinelles 12
dans la région Nord-Pas de Calais (NPDC) pour les infections et maladies principales durant les 3
années de l’étude : les syndromes grippaux et la gastro-entérite.
11
http://www.education.gouv.fr
99
Figure V-7 : Nombre de cas recensés pour les syndromes grippaux au NPDC
Nous pouvons remarquer que les premières vagues des cas de grippes au début de chaque année
provoquent des pics sur les mêmes périodes relatives de chaque année (Figure V-2) : en 2011
c’était au début de janvier pendant les semaines 1-5, en 2012 c’était pendant les semaines 6-14 et
en 2013 pendant les semaines 2-9. Le même phénomène reprend vers la fin de l’année.
Les cas de gastroentérites sont distribués fortement tout au long de l’année présentant des pics
importants en début et fin d’année. Chez l'adulte, une gastro-entérite aiguë virale ne demande pas
un soin en urgence car elle est le plus souvent bénigne, par contre toute gastro-entérite est
potentiellement grave chez l'enfant et le nourrisson. En effet, due à la déshydratation rapide, un
enfant ou un nourrisson doit être traité de toute urgence pour être réhydraté rapidement.
D’ailleurs il s’agit de la première cause de visite au SUP Jeanne de Flandre. De plus, dû à son
caractère fortement contagieux, plusieurs patients sont victimes de gastroentérites par la simple
visite et l’attente. En plein pic épidémique de gastro-entérite, les retours sont assez fréquents.
Nous pouvons voir par exemple, l’impact du pic rouge de la semaine 41 de l’année 2012 sur le
nombre d’arrivée au SUP sur la Figure V-2 relative aux arrivées par semaine.
12
https://websenti.u707.jussieu.fr/sentiweb/
100
Malgré le fait que ces graphiques prennent en charge tous les cas recensés dans la région NPDC
tout âge confondu, ils peuvent refléter directement les périodes épidémiques à risque puisque
nous pouvons remarquer une concordance de périodes avec les pics sur la Figure V-2.
Enfin, nous avons détecté un autre facteur externe qui est la température puisque que pour des
hausses ou baisses inhabituelles de température, le nombre d’arrivées au service est impacté.
Pendant l’hiver 2012 par exemple, il y a eu deux séries de chutes brusques de température dans la
région comme le montrent les Tableau V-3 et Tableau V-4. La Figure V-9 affiche le nombre de
patients décroitre entre le 29 janvier et le 04 février (première période) puis affiche le même
phénomène entre le 05/03/2012 et le 09/03/2012 (deuxième période).
13
Tableau V-3 : Températures max et min du 26/01/2102 au 05/02/2012
Date 26/01 27/01 28/01 29/01 30/01 31/01 01/02 02/02 03/02 04/02 05/02
T° max 9.7 °c 9 °c 4.4 °c 1.4 °c -0.4 °c 1.6°c -1.8°c -1.9°c -0.4°c -3.3°c - 3.5°c
T° min 4.8 °c -0.3 °c 1.9 °c -0.1 °c -1.4 °c -2.9°c -6.9°c -7.8°c -9.3°c -11.8°c - 9°c
Date 01/03 02/03 03/03 04/03 05/03 06/03 07/03 08/03 09/03 10/03 11/03
T° max 10.1 °c 9.4 °c 12.4 °c 10.8 °c 2.5 °c 6 °c 7.3°c 9.4°c 9.8°c 13.9°c 15°c
T° min 7.4 °c 7 °c 8 °c 4.6 °c 0.2 °c 1.8°c -0.5°c 0.9°c 2.3°c 7.8°c 8.4°c
13
Source : http://www.meteociel.fr (Tableau d'observations pour Lille)
101
V.2.3 Analyse statistique des DP
Nous avons considéré les deux tiers des données (2011-2012) comme Base de Construction (BC)
et un tiers (2013) pour la Base de Validation (BV) : ainsi la BC comprend 37 722 dossiers après
la suppression des fichiers présentant des incohérences de données ou des erreurs de saisie tandis
que la BV comprend les 11 premiers mois de 2013 soit 17 027 dossiers patients.
La médiane des DP de tous les dossiers patients sans segmentation en USE était de 132 min (EI
87-196). Cependant, pour affiner cette DP, nous avons choisi de traiter des groupes de patients
par le couple de variables (diagnostic, nombre d’examens complémentaires) comme nous l’avons
expliqué dans le paragraphe (III.2.1.1). Il existe au plus quatre examens complémentaires
possibles (biologie, radiologie, scanner et échographie) et nous énumérons 1186 diagnostics
(codés de 1 à 1186 en fonction de leurs fréquences).
Afin de vulgariser cette segmentation et donner un ordre de grandeur aux DP selon les différents
profils, nous avons fait un tri croissant des médianes des DP pour proposer dans le Tableau V-5
les cinq médianes les plus faibles et les cinq les plus importantes. Les durées de traitements sont
très différentes et plus des examens sont prescrits plus les DP s’allongent.
102
En comparant les deux cas extrêmes nous pouvons mettre en évidence l’intérêt de cette
modélisation : quand un patient souffrant de douleurs articulaires et ayant 3 examens
complémentaires passe 350min soit 5h50min, ceci est perçu comme une durée Moyenne. Tandis
que cette même durée serait qualifiée de Très Elevée pour le diagnostic « Luxation de la tête
radiale » avec zéro examen qui ne demande que 58min en moyenne.
Nous proposons à titre d’exemple dans la Figure V-10, la représentation de la progression lors
d’un traitement d’une gastroentérite avec 2 examens complémentaires à deux instants différents
pour mettre en évidence les zones d’alerte et le calcul des indicateurs spécifiques au patient
énoncés dans les formules (III.1) (III.2) (III.3).
Dans cet exemple, le patient a passé 163min soit 2h43min à l’instant t, ce qui est équivalent à
50% de la progression estimée pour ce profil et se trouve ainsi dans une zone d’alerte « F ». Il
s’agit d’un scénario de Progression Normale puisque la DPP n’a pas été dépassée : nous obtenons
50% de Charge Restante de soin et 0 % de Dépassement. Tandis qu’à l’instant t’ le patient a
passé 456min soit 7h36min ce qui correspond à une zone d’alerte « E ». Sans intervention de
médecin traitant, nous estimons qu’il reste 20% de Charge Restante de soin en affectant le
coefficient au et il existe un dépassement de 40% équivalent à 130min supplémentaires.
Le calcul des indicateurs spécifiques à un patient permet de calculer les indicateurs généraux de
tension. Nous proposons dans la partie suivante les résultats de l’évaluation floue de la tension
qui est basée sur ces indicateurs.
103
V.3 Résultats de l’évaluation floue de la tension
Nous présentons dans la suite la distribution temporelle de chaque indicateur en proposant ses
fonctions limites dans le temps LQ(t), Med(t), UQ(t) et UW(t) tel que nous les avons définies
dans le paragraphe (III.3.1.1) via des représentations graphiques. Nous marquons à chaque fois
les seuils flous (f, m, e, d) comme nous les avons calculés via l’Algorithme III-2.
Ratio Demande sur Offre (RDO) : La Figure V-11 présente sa distribution. Il croit
progressivement de 8h jusqu’à 21h avec une vitesse plus importante avant midi puisqu’il y a plus
d’arrivées que de sorties. Par contre, à partir de 21h, il commence à décroitre jusqu’à 8h. De plus,
il peut atteindre trois pics journaliers en considérant les seuils les plus élevés d’UW (t) : le
premier est entre 11h et 12h, le deuxième est entre 14h et 15h et le troisième qui est plus
important est entre 20h30 et 21h30 car c’est l’heure où les parents sont plus disponibles.
Ratio d’Attente Totale (RAT) : La Figure V-12 présente sa distribution où il est au moins à 75%
inférieur à 1 si en considère la fonction limite UQ(t), c’est-à-dire au moins 75% des patients ont
une PPC dans les premières 20 minutes qui suivent leurs entrées au SUP à tout instant t de la
journée exceptée à 21h où nous remarquons un léger dépassement de 1. Ce ratio peut atteindre
quatre pics bien distincts en considérant les seuils les plus élevés d’UW(t): deux premiers pics
existent entre 11h30 et 14h30 et deux autres existent entre 21h et minuit. Ce visuel confirme qu’il
s’agit d’une conséquence directe de la tension vu que ces pics se produisent en parfaite
concordance avec les pics du RDO.
Ratio de Dépassement Total (RDT) : La Figure V-13 présente sa distribution où il peut atteindre
deux pics en considérant les seuils les plus élevés d’UW (t): le premier est entre 15h et 18h et le
deuxième est entre 23h30 et 00h30. Ce visuel confirme qu’il s’agit bel et bien d’une conséquence
de tension vu le décalage dans le temps par rapport aux deux derniers pics du RDO (Figure
104
V-11). En effet, suite à une forte hausse de la demande par rapport à l’offre, les DP s’allongent
car les ressources deviennent plus partagées et moins disponibles.
Enfin, nous remarquons que la partie nocturne entre 02h00 et 07h00 ne présente pas de période à
risque ou de tension vue que la demande est toujours très faible dans cette période,
105
essentiellement la partie entre 4h jusqu’à 7h et ceci est valable pour les trois indicateurs. Il s’agit
d’une période creuse où tous les indicateurs atteignent leurs valeurs minimales. Ainsi, tenant
compte de cette analyse statistique par tranche horaire, nous proposons dans le Tableau V-6 les
seuils dégagés automatiquement pour répondre à la fuzzification (Figure III-6).
Nous avons traité les 27 règles (33) par trois lots. Chaque lot est relatif à un état du RDO puisqu’il
s’agit de l’indicateur principal de la tension. Ensuite, pour chaque lot composé de 9 règles, nous
nous positionnons dans des configurations réelles avec un descriptif de la situation. Ainsi, nous
proposons des conclusions cohérentes avec l’existant et le ressenti de la tension et des diagnostics
relatifs. Chaque diagnostic implique un certain nombre d’indicateurs responsables de la tension
qui doivent être surveillé comme le montre l’Annexe 4.
Cette étude est faite sur la BC (2/3 des données) et a été validée par la BV (1/3 des données). Il
s’agit d’une démarche d’ajustements itérative comme le montre la Figure III-8, qui repose sur une
expertise humaine. Les avis des experts conditionnent cette base de connaissance.
Cependant il est évident qu’il existe des règles plus redondantes que d’autres. D’ailleurs, la règle
la plus redondante est la règle numéro 1 avec 33% d’occurrence, c’est la situation la plus visible
106
surtout dans la partie nocturne où tous les indicateurs sont faibles. Tandis que la règle 19 est la
plus rare avec 0,1% d’occurrence car elle contient une contradiction implicite vu qu’il est rare
d’avoir un « E » sans longues attentes et sans longs dépassement.
Enfin, nous proposons un jour échantillon de haute tension pour valider l’évaluation globale du
moteur flou avec différents scénarios d’évaluations dans le paragraphe (V.5). Nous pouvons
vérifier pour chaque évaluation, les règles d’inférence impliquées pour la construction de la
surface de décision afin d’ajuster les conclusions vers une hausse ou une baisse selon le ressenti.
Nous avons choisi d’évaluer la tension sur une échelle de 1 à 100 en agrégeant trois indicateurs
reflétant la tension sur différents aspects (Figure III-1). Nous proposons maintenant les résultats
de l’évaluation de la tension en sortie du moteur flou. De plus, nous définissons cinq zones
d’alerte caractérisées par des codes couleurs d’alerte : Vert, Jaune, Orange, Rouge ou Noir
relatifs aux 20% successifs de l’échelle de tension comme le montre la Figure V-14.
Figure V-14 : Couleurs des voyants d’alertes selon le Niveau de Tension (NT)
L’étude statistique des résultats obtenus nous a permis de dégager la Figure V-15 qui affiche la
distribution du niveau de tension au cours de la journée en appliquant le même protocole des
fonctions limites LQ(t), Med(t), UQ(t) et UW(t) précédemment vu pour les indicateurs d’entrée.
La tension est toujours faible à partir 2h jusqu’à ce que l’activité reprenne à 9h le matin. Pour les
cas extrêmes, au-delàs du seuil UW(t), le SUP peut être victime de 3 pics quotidiens importants
de tension : le premier est à 12h, le deuxième est à 15h, le troisième qui est plus important est à
21h. Ce constat vient confirmer les observations des praticiens.
107
La corrélation de la tension avec le RDO est importante et elle est égale à 90%. Elle parait
évidente même graphiquement. L’impact du RDT et RAT est ressenti seulement si c’est deux
derniers sont à l’état « F », ce qui est plus rare au cours de la journée. C’est pourquoi la
corrélation de la tension est égale à 14% avec le RDT et elle est égale à 21% avec le RAT.
Sur cette figure nous pouvons distinguer 4 périodes différentes que nous décrivons comme suit :
[09h00-12h30[ : il y a plus d’entrées que de sorties et les soins ne progressent pas rapidement vu
que le personnel prend en charge les patients hospitalisés de la veille. Le RAT donc augmente à
12h dû aux longues attentes pour la PPC, ce qui influence le NT. La tension dans cette tranche est
caractérisée essentiellement par l’encombrement du service et les longues attentes.
[12h30-17h00[ : les DP s’allongent, la Figure V-13 montre le RDT qui augmente. Ainsi, un autre
type de tension commence à peser sur les praticiens : la dégradation de la qualité de prise en
charge et l’insatisfaction des parents suite aux longues attentes.
[02h00-09h00[ : une période creuse où le service est très calme. Malgré l’existence de quelques
situations isolées durant l’année, les alertes « M », « E » et « TE » étaient négligeables devant
98% d’alertes « TF » et « F » comme le montre la Figure V-16.
108
Figure V-16 : Occurrence en pourcentage des alertes pour les 5 états du NT (toute la durée de l’étude)
En classifiant davantage, la Figure V-17 montre que les fortes alertes sont plus fréquentes
pendant la période épidémique. Les niveaux « TF » et « F » perdent de leur occurrence au profit
des autres niveaux plus élevés.
Figure V-17: Occurrence en pourcentage des alertes pour les 5 états du NT (période épidémique)
Par contre, pendant la période des vacances d’été le SUP ne note quasiment pas d’alertes « TE »
et moins de 1% d’alertes « E » (Non affiché).
Afin de valider ces résultats d’évaluation, nous avons travaillé a posteriori avec les données du
SUP. Nous nous sommes mis dans des scénarios de simulations réels. Nous présentons un
scénario de simulation complet pour une journée de haute tension dans le paragraphe (V.5).
Nous présentons dans cette partie les résultats de l’anticipation pour les différents horizons
étudiés. Nous retenons une méthode de prévision pour chaque horizon ou période d’année si elle
offre le minimum de l’erreur relative MAPE (Tableau I-1) entre la réalisation et la prévision.
109
Pour l’horizon mensuel, les prévisions sont effectuées à partir de janvier 2013 en se basent sur les
deux cycles de données des années 2011 et 2012 comme historique. Nous avons appliqué les
méthodes HW et SARIMA avec différents ordres. Quand il s’agissait de la méthode SARIMA,
nous étions plus limités pour le choix des ordres car le minimum requis des observations n’était
pas assuré. En effet, l’échantillon que nous avons sur la base mensuelle est très limité, deux
cycles, soit 24 observations seulement ne permettent pas d’appliquer SARIMA à tous les ordres
(Hyndman and Kostenko, 2007). Cependant, nous avons eu de bons résultats avec les ordres
autorisés. Nous avons quand même appliqué la méthode ARIMA au niveau des simulations pour
mettre en évidence ses limites.
Pour l’horizon journalier, la méthode SARIMA a donné une erreur de 12% que nous avons
améliorés avec la recomposition d’historique avant chaque vacance scolaire pour atteindre 10%
pour ces périodes spécifiques. La méthode SARIMA retenue est pour
une prévision de 7 jours équivalents à une prévision hebdomadaire également.
110
D’autre part, l’application de la méthode SARIMAX a amélioré l’erreur pour la période
épidémique vu qu’il y a des jours donnés où nous avons à la fois des baisses de température et/ou
des vacances scolaires. Pour cette période nous avons atteint une erreur de 10% donc nous
l’adopterons pour cette période ayant des caractéristiques particulières par rapport au reste de
l’année.
Ainsi, ces simulations faites sur la base de l’historique 2011-2012 et validé en 2013 nous ont
permis de définir une base de connaissance pour les méthodes d’anticipation à appliquer afin
d’automatiser la prévision selon l’horizon et la période de l’année.
Nous présentons dans cette partie les caractéristiques du Système d’Aide à la Gestion de Tension
(SAGeT) qui mettra en œuvre la réalisation des objectifs du projet HOST. Nous présentons ses
modélisations statiques et dynamiques ainsi que les services proposés aux gestionnaires pour
assurer l’aide à la décision et offrir une meilleure gestion et maitrise de l’activité.
Pour le développement et la simulation des résultats, nous avons choisi le langage JAVA14
version 1.7 sous Eclipse15 pour plusieurs raisons : l’existence d’un bon support pour ce langage,
d’une communauté active et des bibliothèques riches dont l’API SWING qui offre un support
graphique convivial et ergonomique puisque l’apparence des éléments graphiques s’adapte avec
le système d’exploitation hôte. De plus, JAVA supporte la portabilité, c’est un langage qui est en
évolution permanente et qui permet l’intégration des services Web. La partie de l’évaluation
floue basée sur la LF est entièrement programmée en JAVA. Le module d’anticipation est
également programmé en JAVA pour la recomposition de l’historique et le choix des méthodes à
14
http://www.java.com/fr/
15
https://eclipse.org/
111
appliquer et fait appel à l’outil statistique R16 version 3.0.0 pour l’application directe des
méthodes de prévision Box-Jenkins. L’API JAVA/R Interface (JRI )17 assure le pont entre les
deux outils. Enfin, le module graphique est entièrement programmé en JAVA.
SAGeT est constitué essentiellement de deux modules ou packages : l’un est dit principal ou se
déroule toutes les opérations de fond (coordination, appels des classes, accès à la BD, calculs,
configurations) et un autre dit graphique qui sert d’outil d’interaction avec l’utilisateur comme le
montre le diagramme de classes sur la Figure V-19.
16
http://www.r-project.org/
17
http://rforge.net/JRI/
112
les indicateurs clés et les envoie à la classe « MoteurFlou » qui se charge de l’agrégation et
l’évaluation du niveau global de la tension dans le SUP. La classe « Prévision » assure le volet de
l’anticipation en chargeant l’historique et appliquant la méthode de prévision adéquate selon le
principe de fonctionnement du SHA décrit dans la Figure IV-1.
Le concept du développement des interfaces graphiques est proche du concept des poupées russes
puisque les composants (Panneaux, Boutons, Menus..) sont imbriqués les uns dans les autres. Le
premier conteneur est un panneau dit « PnTableauDeBord » où le reste des autres panneaux et
composants sont imbriqués. A travers ces composants, l’utilisateur est guidé pour collecter ses
différents choix et élaborer sa requête. Sur le diagramme de classe, les classes appartenant au
module graphique hérite de la classe JPanel sous JAVA qui correspond à un panneau d’affichage.
Les noms de ces classes panneaux sont spécifiques aux services offerts par chacun.
SAGeT est conçu pour gérer le SUP en temps réel, donc son fonctionnement est régi pas une
succession de mises à jour à chaque instant t fixé par un horizon paramétrable. La Figure V-20
affiche le diagramme de séquence qui regroupe les fonctionnalités clés. En effet, pour chaque
instant t fixé (action 1.1)(action 1.2)(action 1.3), le système fait appel à la classe « Bilan » qui
prend en charge la configuration du SUP à cet instant puis évalue la demande (action 1.4) en
classant les patients en UHCD ou USE, ensuite estime les DP pour les patients de l’USE et fait
les mises à jours des paramètres ( , ) de chaque patient i à l’instant t. Enfin,
calcule les indicateurs clés ( , ) (action 1.5) et les envoie comme entrées du
« MoteurFlou ».
113
Figure V-20 : Diagramme de séquences mettant en œuvre le fonctionnement global de SAGeT
114
L’action 1.7 qui est l’évaluation du niveau de tension par la classe « MoteurFlou » est décrite
dans le diagramme de séquence de la Figure V-21.
Les trois actions d’affichage qui suivent sont sur demande de l’utilisateur et permettent le suivi de
la progression des indicateurs (action 1.12), la visualisation des flux patients (action 1.13) et enfin
l’affichage des résultats de l’anticipation (action 1.14). Les étapes de l’anticipation sont
présentées dans le diagramme de séquence de la Figure V-22 : l’action principale est de faire
appel à la Classe « Prevision » (action 1.4) qui lancera les mises à jour des graphiques présentés
par le classe « PnCourbe » (action 1.5).
115
Figure V-22 : Diagramme de séquences mettant en œuvre le déroulement de l’anticipation
Patients USE : Tous les patients présents dans l’USE sans distinction.
Attente PPC: Les patients qui attendent leurs PPC, étiquetés par un label d’attente bleu.
Dépassement : Les patients qui dépassent leurs DPP.
Patients UHCD : Tous les patients présents dans l’UHCD sans distinction.
Cet accès ciblé peut être recommandé par les protocoles d’évitement de tension qui vont suggérer
le suivi d’indicateurs responsables de la tension. Ces indicateurs sont conditionnés en réalité par
l’avancement des traitements d’un ou plusieurs patients. Dans la suite, un scénario de simulation
mettra en œuvre l’emploi de ces fonctionnalités.
Nous avons récupéré des vrais créneaux de tension en novembre 2013 que SAGeT doit être en
mesure d’évaluer comme des situations de crise pour l’établissement. SAGeT doit également
anticiper le nombre de patients pour les horizons larges et le NT pour un horizon court (horaire).
116
Nous avons choisi un scénario réel présenté par le 28 novembre 2013 qui était une journée de
très haute tension. La Figure V-23, présente la progression du NT au cours de cette journée. La
tension était à 25% « TE » sur la journée et elle durait dans le temps.
Nous avons considéré le service à plusieurs heures correspondant à différents niveaux de tension
et scénarios. A chaque heure, nous devons comparer le NT que nous modélisons grâce aux
indicateurs de tension aux avis des experts.
Dès le début de cette journée, à partir de 9h45 SAGeT annonçait la première alerte Rouge où le
SUP vivait un état «TE » comme le montre l’Annexe 5, une situation inhabituelle puisque le
service reçoit 5 entrées presque simultanées (à moins de 15min d’intervalles) alors qu’il est saturé
avec 5 patients en USE et 9 en UHCD. La difficulté était d’absorber cette charge tout en recevant
d’autres patients pour le reste de la journée. D’ailleurs la tension s’est prolongée dans le temps et
ce diagnostic a été lancé dès 10h par SAGeT suite à une règle d’Inférence spécifique déclenchée
comme le montre l’Annexe 6.
Dans l’incapacité de gérer cette charge à temps d’une part et le volume de patients qui continue
d’augmenter avec des nouvelles arrivées simultanées d’autre part, SAGeT annonçait un état
« TE » de crise qui a durait de 11h30 jusqu’à 15h. À 14h15, le SUP note 27 patients dans l’USE
dont 9 sont en dépassement et 2 en attente pour leurs PPC et une UHCD saturée avec 9 patients
(Annexe 7). Les données ont montré que le SUP a noté un record du nombre de patients jamais
atteint sur les 3 années de l’étude à cette heure-ci. Et ce constat était en adéquation avec la
description du personnel.
117
Annexe 8 montre qu’à 16h15, le NT est « TF » malgré 18 patients dont 9 sont en dépassement
dans l’USE. En effet, 11 sont en fin traitements et ils vont quitter le service. Par contre, les
dépassements sont une conséquence directe de la tension notée auparavant. Ce scénario vient de
contredire également les études de la littérature qui se basent uniquement sur le nombre de
patients présents dans le service pour modéliser la demande. Car cette hypothèse ne peut être
vraie si et seulement si la Charge Restante des soins totale est importante.
Enfin, dans la soirée, le SUP commence à se décharger par groupes de patients (5 sorties
simultanées à 22h45 comme le montre l’Annexe 9. Enfin, à 23h30, le NT rechute suite aux fins
de traitements et aux sorties successives des patients.
Pour l’anticipation de la tension, nous avons choisi de présenter un autre jour, au début de l’année
2013. C’est le 19 janvier 2013, qui se déroulait dans une période de très basses températures et en
plein période épidémique. La méthode SARIMA a été utilisée pour la prévision mensuelle et
hebdomadaire, SARIMAX a été donc utilisée pour la prévision journalière et enfin SARIMA
pour la prévision horaire.
Nous présentons les prévisions pour les horizons larges dans le panneau « Anticipation » comme
le montre l’Annexe 10. En effet, nous avons gardé la réalisation à côté de la prévision pour
afficher l’erreur relative absolue de prévision pour cette simulation. Et nous présentons les
horizons courts relatifs à la prévision du NT dans le panneau « SUIVI INDICATEURS » comme
le montre l’Annexe 11 où SAGeT prévoie à 11h une alerte Rouge « E » avant deux heures.
SAGeT permet d’avoir une vue macro, une visibilité globale de la situation dans le service à un
instant t. Il effectue à la fois une évaluation qualitative et quantitative de la tension et offre un
tableau de bord permettant de visualiser l’origine de la tension.
D’autre part, SAGeT offre un outil de suivi de progression des traitements des patients en les
catégorisant selon des critères temporels. De plus chaque catégorie offre un tri selon un ordre de
priorité. Ce système va aider les médecins à savoir qui prendre en charge en premier vu que cette
fonctionnalité n’existe pas dans l’actuel SIH et qu’il s’agit d’un besoin urgent exprimé par les
médecins. D’autre part, le système permet de faire des prévisions sur le nombre de patients pour
des horizons larges et d’autre part le niveau de tension avant deux heures avec une erreur de 10%
pour l’horizon court.
118
V.6 Conclusion
Cette première version demeure sujette aux améliorations. D’ailleurs, plusieurs perspectives sont
envisageables pour ce projet. Des perspectives sur le fond via des améliorations des approches
d’évaluation et d’anticipation utilisées, des perspectives sur les services offerts ou encore des
perspectives techniques via l’optimisation du contenu logiciel et du module d’interfaçage.
SAGeT pourrait proposer une partie de ses fonctionnalités aux parents et aux patients en général
avec différents droits d’accès pour éviter toute fuite de données ou problèmes de confidentialité.
Par exemple, l’affichage du niveau global de la tension et la courbe de son anticipation pourrait
les sensibiliser à la notion de la tension afin qu’ils soient plus responsables vis-à-vis de ce
phénomène en laissant la place à d’autres patients plus prioritaires et pour les inciter à venir dans
des périodes creuses (cas non urgents). Une autre fonctionnalité qui pourrait satisfaire les parents
est le fait de pouvoir suivre le parcours de leurs enfants et d’avoir une estimation de la DP car il
s’agit d’une requête récurrente dans le SUP.
119
Conclusion Générale
Nous avons proposé dans cette étude un Système d’Information Hospitalier (SIH) offrant des
services d’aide à la décision pour les praticiens et les gestionnaires dans un SU dans le but de
lutter contre les pics d’activité et la tension au cours de la journée. Ainsi, ils pourront améliorer la
performance d’une part et la satisfaction des patients d’autre part. Néanmoins, ce système ne
propose pas des décisions définitives. Il présente un appui supplémentaire pour offrir une
meilleure visibilité sur l’activité et détecter les éventuelles anomalies.
L’atout de ce système réside dans cette collaboration entre chercheurs et praticiens, ce qui lui
permet de proposer des approches théoriques robustes et à la fois d’être opérationnel et reflétant
une vraie problématique touchant le secteur de la santé puisqu’il répond à un besoin réel exprimé
par le personnel soignant du SU.
120
Afin d’offrir une meilleure maîtrise de cet environnement complexe, il est possible d’améliorer
les approches d’évaluation et d’anticipation adoptées, soit par l’ajout d’autres indicateurs
pertinents ou encore en appliquant la SED pour la prévision horaire.
Dans nos travaux futurs, nous allons travailler sur la validation en temps réel de cet outil et
travailler sur sa généralisation à d’autres structures. De plus, nous allons instaurer des protocoles
d’évitement de tension sur le niveau interne de la structure tel que l’ordonnancement des tâches à
compétences multiples afin d’offrir un planning optimisé au cours de la journée. D’autres
perspectives au niveau régional sont abordées suite à l’échange avec les praticiens comme la
création d’un réseau interconnecté de données et d’alertes qui présentera un moyen
supplémentaire de coopération et de régulation des flux dans la région.
De plus, nous imaginons en perspective une application héritant des fonctionnalités offertes par
SAGeT pour terminaux mobiles (tablette, smartphone..) destinée à différents profils
d’utilisateurs : praticiens ou patients en définissant des droits d'accès adéquats pour assurer une
meilleure protection des données personnelles. Mis à part l’aide à la décision qu’elle peut offrir
aux praticiens, cette application pourrait rassurer les patients en suivant la progression de leurs
processus de traitement instantanément ainsi proposer un outil d’amélioration de la qualité de
prise en charge.
121
Annexes
122
- nbre de médecins traitants
EDCS (Asplin
Formule non claire
- nbre total de lits dans le service
et al., 2004)
un score compris entre 0 et 100, et s’il
- nbre total de lits dans l’hôpital
est supérieur à 65, il s’agit d’un état de
- nbre de patients en soins intensifs
tension
- nbre total de patients au service
EDWIN (Bernstein et
123
EDWOS (Epstein and EDWOS quantifie la
- Pwait : nbre de patients en salle d‘attente charge de travail du
- ni : nbre de patients par catégorie i personnel et la tension
- ti : le score ESI inversé (1-5, 1 plus grave) dans les services
- Nn : nbre d’infirmières en service d’urgences.
Tian, 2006)
d’urgence.
- Indicateurs d’entrée :
1. 90eme centile du temps entre l'arrivée d’ambulance et le déchargement du patient est
ICMED (Boyle et al., 2012) (Boyle et al.,
supérieur à 15 minutes.
2. Le nombre de patients quittant sans être vu ou traité (fugues) est supérieur ou égal à 5%.
3. Plus de 5 minutes entre l'arrivée du patient et le triage initial. Propose un bouquet de 8
- Indicateurs de flux interne : règles et indicateurs à la
4. Un TO supérieur à 100%. fois sans les intégrer dans
5. Le 90eme centile du temps de passage du patient est supérieur à 4 heures. un score unique. Ce
6. Lorsqu’un patient en état très urgent attend plus de 30 minutes pour être vu par un travail a adopté également
médecin. le modèle conceptuel de
- Indicateurs de sortie : (Asplin et al., 2003)
7. Lorsque moins de 90% des patients quittent le service d’urgence 2 heures après la décision
d'admission.
2013)
8. Plus de 10% d’occupation par les patients hospitalisés en attente d'être placés dans un lit
en aval.
124
Annexe 2: Travaux traitant l’anticipation de la tension dans les SUs
Paramètres prédis et
Méthodes Résultats
horizons
le nombre d’arrivées par - Régression linéaire En fonction de l’horizon de la prévision: Année: R2 = 80%,
(Côté et al.,
heure, jour, mois, année - Régression de Fourier (pour la Mois : R2 = 93,4%, Journée: R2 =47,4%, Heure: R2 = 34,4%
2013)
prévision horaire) R2 décroit en affinant l’horizon du fait que plus l’horizon est
plus grand plus le phénomène est prévisible.
le nombre d’arrivées - Moyenne Mobile (MA) MAPE (MA)=12,9%, MAPE(UVSARIMA)=7,8%,
al., 2010)
(Kam et
lits (de 4 à 12 heures) - SARIMA performances dans les trois sites, et elles étaient beaucoup plus
- sinusoidal with an autoregression robustes que la méthode HHA.
(AR)-structured error term (A-SR)
le nombre d’arrivées - MA R2(SReg)=15 ,6 % pour les admissions
(Abraham et al., 2009)
18
seasonal autoregressive integrated moving average
125
le nombre d’arrivées par - SARIMAX MAPE (P1)=16,8%, MAPE (P2)=6,7%, MAPE (P1)=8,6%
(Sun et al.,
2009)
jour Avec P1, P2, P3 : des degrés de sévérité, P1 étant le plus aigu.
MAPE total=4,8%
le nombre d’arrivées par -Régression linéaire La régression linéaire a présenté les meilleurs résultats avec un
al., 2008)
(Boyle et
Le nombre de patients Simulation à événements discrets Les écarts de prévision étaient élevés pour l’horizon de 2 heures
en attente, le temps et diminuaient progressivement à partir de 8 heures. Cet outil a
(Hoot et al., 2008)
d'attente, le TO, la durée été appelé ForecastED et a été validé dans les études de (Hoot et
du séjour, le nombre al., 2009a) et (Hoot et al., 2009b) et présente les meilleurs
d’admis, le temps performances jusqu’à présent.
d’admission, la
réorientation
d’ambulances
le nombre d’arrivées - Régression Les prévisions n'ont pas fourni de prévisions toujours exactes
(Jones et al.,
journalier - SARIMA des volumes quotidiens. SARIMA était meilleure que les autres
- Réseau de neurones artificiels méthodes.
2008)
- Lissage exponentiel
le nombre d’arrivées par -Holt Winters (HW) Selon l’horizon, l'erreur quadratique moyenne variait entre 2,41
(Morzuch and
Allen, 2006)
heure -Le lissage exponentiel double et 2.48. Le lissage exponentiel double saisonnier était la
saisonnier meilleure approche.
126
Annexe 3 : Listes d’indicateurs dans les Fonctions cliniques et médico techniques (ANAP, 2010b)
Structure Indicateurs
Bloc Taux d’ouverture
Opératoire Taux d’occupation des vacations
Taux d’occupation des salles
Taux de débordement
Taux de programmation
Mobilisation du personnel en salle
Chirurgie Taux de rotation des places
ambulatoire Taux de satisfaction des patients
Qualité organisationnelle
Taux de chirurgie ambulatoire foraine
Activité de l’ambulatoire
Centre 15 Taux de qualité de décroché PARM
Délai moyen de sortie du SMUR
Durée moyenne de décision de régulation
Urgences Temps de passage
Ressources humaines pour 10 000 passages annuels
Nombre de passages
Imagerie Délai de rendez-vous des patients
Délai de remise des comptes rendus
TUE : Taux d’Utilisation des Équipements
TUPR : Taux d’utilisation lors des périodes en programmé (hors activité libérale)
Taux de conformité des demandes d’examens
Nombre d’Indices de Coûts Relatifs (ICR) produits par heure de travail de
Manipulateurs en Electro Radiologie (MER) pour une modalité donnée
Radiothérapie Délai moyen entre chirurgie et 1ère séance de radiothérapie
Délai moyen entre 1ère consultation de radiothérapie et séance de traitement
Nombre de séances annuelles par appareil de radiothérapie
Gestion des Mouvements
Lits Taux d’occupation des services
Taux de sorties avant midi
Séjours de plus de 30 jours
Transport Ponctualité
Interne Satisfaction des patients et services utilisateurs
Consultations Délai moyen d’obtention d’un rendez-vous
externes Taux d’occupation des plages
Taux d’appels perdus
Temps de plage offert
Taux de recouvrement direct
127
Annexe 4 : Matrice de Décision, Diagnostics selon règles et indicateurs à devoir surveiller
128
Annexe 5 : Panneau de gestion des flux Patients à 9h45 le 28 Novembre 2013 (vue Patients USE)
129
Annexe 6 : Panneau de gestion des flux Patients à 10h00 le 28 Novembre 2013 (vue Patients USE)
130
Annexe 7 : Panneau de gestion des flux Patients à 14h15 le 28 Novembre 2013 (vue Patients USE)
131
Annexe 8 : Panneau de gestion des flux Patients à 16h15 le 28 Novembre 2013 (vue Dépassement)
132
Annexe 9 : Panneau de gestion des flux Patients à 22h45 le 28 Novembre 2013 (vue Patients USE)
133
Annexe 10 : Panneau d’anticipation à 21h00 le 19 Janvier 2013
134
Annexe 11 : Panneau de suivi d’indicateurs à 11h00 le 19 Janvier 2013
135
Glossaire
A : Attente
ACF : Fonction d’Autocorrélation
AR : Acuity Ratio
AR : Autorégressif
ANAP : Agence Nationale d’Appui à la Performance
ANR : Agence Nationale de la Recherche
API : Application Programming Interface
ARIMA : Autoregressive Integrated Moving Average
ARS : Agence Régional de Santé
AS : Aide-Soignant
ATU : Forfait Accueil et Traitement des Urgences
BC : Base de Construction
BD : Base de Données
BO : Bloc Opératoire
BR : Bed Ratio
BV : Base de Validation
CCMU : Classification Clinique des Malades aux Urgences
CD : Charge de Dépassement
CHRU : Centre Hospitalier Régional Universitaire
CNIL : Commission Nationale de l'Informatique et des Libertés
CoG : Centre de Gravité
CSP : Code de la Santé Publique
CR : Charge de soins Restante
DR : Demand Ratio
DV : Demand Value
DP : Durée de Passage
DPP : Durée de Passage Prévisionnelle
DREES : Direction de la Recherche, des Etudes, de l’Evaluation et des Statistiques
EDCS : Emergency Department Crowding Scale
EDWOS : Emergency Department Work Score
EI : Ecart Interquartile
ELECTRE : ELimination Et Choix Traduisant la REalité
EPRUS : Etablissement de Préparation et de Réponse aux Urgences Sanitaires
ESI : Emergency Severity Index
ETP : Equivalent Temps Plein
136
F : Fisher test
FAU : Forfait Annuel des Urgences
FIE : Facteur d’Influence Externe
GMSIH : Groupement pour la Modernisation du Système d’Information Hospitalier
HAD : Hospitalisation à Domicile
HAS : Haute Autorité de Santé
HW : Holt-Winters
HOST : Hôpital : Optimisation, Simulation et évitement des Tensions
HPST : Hôpital, Patients, Santé, Territoires
IAO : Infirmière d’Accueil et d’Orientation
ICP : Indicateur Clef de Performance
ICMED : International Crowding Measure in Emergency Departments
IDE : Infirmier Diplômé d'Etat
INVS : INstitut de Veille Sanitaire
JRI : Java/R Interface
LED : Lissage Exponentiel Double
LES : Lissage Exponentiel Simple
LF : Logique Floue
LIM : Limousin
MACBETH : Measuring Attractiveness by a Categorical Based Evaluation TecHnique
MAINH : Mission d’Appui à l’Investissement Hospitalier
MAPE : Mean Absolute Percentage Error
MASS : Ministère des Affaires Sociales et de la Santé
MAUT: Multi Attribute Utility theory
MCO : Moindres Carrés Ordinaires
MeaH : Mission nationale d'expertise et d'audit Hospitaliers
MG : Médecin Généraliste
MIP : Midi-Pyrénées
MM : Moyenne Mobile
MoM : La Moyenne des Maxima
MSFPH: Ministre de la Santé, de la Famille et des Personnes Handicapées
MU : Médecin Urgentiste
NEDOCS : National Emergency Department Overcrowding Score
NS : Niveau de Satisfaction
NPDC : Nord-Pas de Calais
OMS : Organisation Mondiale de la Santé
OR : Occupancy Rate
ORSAN : Organisation de la Réponse du Système de Santé en Situations SANitaires
exceptionnelles
137
ORU : Observatoire Régional des Urgences
PACA : Provence-Alpes-Côte d'Azur
PH : Pédiatre Hospitalier
PPC : Première Prise en Charge
PROMETHEE : Preference Ranking Organisation METHod for Enrichment Evaluations
QoS : Quality of Service
RA : Rhône-Alpes
RAT : Ratio d’Attente Totale dans l’USE
RDO : Ratio Demande sur Offre dans l’USE
RDT : Ratio de Dépassement Total dans l’USE
READI : Real-time Emergency Analysis of Demand Indicators scores
RMSE : Root Mean Square Error
ROR : Répertoire Opérationnel des Ressources
SADT : Structured Analysis and Design Technique
SAGeT : Système d’Aide à la Gestion de Tension
SAMU : Service d'Aide Médicale Urgente
SARIMA : Seasonal ARIMA
SARIMAX : Seasonal ARIMA with eXogenous input
SAUV : Salle d’Accueil des Urgences Vitales
SC : Série Chronologique
SED : Simulation à Evénements Discrets
SFMU : Société Française de Médecine d’Urgence
SHA : Système Hybride d’Anticipation
SI : Système d’Information
SIH : Système d’Information Hospitalier
SMA : Système Multi-Agents
SMUR : Service Mobile d'Urgence et de Réanimation
SU : Service d’Urgences
SUP : Service d’Urgences Pédiatriques
T2A : Tarification à l’Activité
TO : Taux d’Occupation
UHCD : Unité d’Hospitalisation de Courte Durée
USE : Unité de Soins Externes
138
Bibliographie
Abbod, M.F., von Keyserlingk, D.G., Linkens, D.A., Mahfouf, M., 2001. Survey of utilisation of
fuzzy technology in Medicine and Healthcare. Fuzzy Sets Syst. 120, 331–349.
Abraham, G., Byrnes, G.B., Bain, C.., 2009. Short-Term Forecasting of Emergency Inpatient
Flow. IEEE Trans. Inf. Technol. Biomed. 13, 380–388.
ACEP, 2006. Crowding. Ann. Emerg. Med. 47, 585.
Ajmi, I., Zgaya, H., Gammoudi, L., Hammadi, S., Renard, J.-M., 2014. Dynamic modeling of the
patient journey in a Pediatric Emergency Department of CHRU of Lille. Int. J. Comput.
Technol. 12, 3580–3590.
Althaus, F., Paroz, S., Hugli, O., Ghali, W.A., Daeppen, J.-B., Peytremann-Bridevaux, I.,
Bodenmann, P., 2011. Effectiveness of interventions targeting frequent users of
emergency departments: a systematic review. Ann. Emerg. Med. 58, 41–52.e42.
ANAP, 2012. AUTO DIAGNOSTIC URGENCES.
ANAP, 2010a. La loi HPST à l’hôpital : les clés pour comprendre.
ANAP, 2010b. Piloter l’activité, mesurer l’efficience.
Arkun, A., Briggs, W.M., Patel, S., Datillo, P.A., Bove, J., Birkhahn, R.H., 2010. Emergency
Department Crowding: Factors Influencing Flow. West. J. Emerg. Med. 11, 10–15.
ARS-RA, 2013. Urgences hospitalières en Rhône-Alpes : évolution des activités de 2002 à 2012.
Asplin, B.R., Magid, D.J., Rhodes, K.V., Solberg, L.I., Lurie, N., Camargo, C.A., 2003. A
conceptual model of emergency department crowding. Ann. Emerg. Med. 42, 173–180.
Asplin, B.R., Rhodes, K.V., Flottemesch, T.J., 2004. Is this emergency department crowded? A
multicenter derivation and evaluation of an emergency department crowding scale
(EDCS). Acad. Emerg. Med. 11, 484–5.
Babulak, E., Wang, M., 2010. Discrete Event Simulation: State of the Art, in: Goti, A. (Ed.),
Discrete Event Simulations. Sciyo.
Bair, A.E., Song, W.T., Chen, Y.-C., Morris, B.A., 2010. The Impact of Inpatient Boarding on
ED Efficiency: A Discrete-Event Simulation Study. J. Med. Syst. 34, 919–929.
Bana e Costa, C.A., de Corte, J.-M., Vansnick, J.-C., Cochran, J.J., Cox, L.A., Keskinocak, P.,
Kharoufeh, J.P., Smith, J.C., 2010. MACBETH (Measuring Attractiveness by a
Categorical Based Evaluation Technique), in: Wiley Encyclopedia of Operations
Research and Management Science. John Wiley & Sons, Inc.
Becker, K., Thull, B., Käsmacher-Leidinger, H., Stemmer, J., Rau, G., Kalff, G., Zimmermann,
H.J., 1997. Design and validation of an intelligent patient monitoring and alarm system
based on a fuzzy logic process model. Artif. Intell. Med. 11, 33–53.
Ben Bachouch, R., Guinet, A., Hajri-Gabouj, S., 2010. An optimization model for task
assignment in home health care, in: Actes sur CD ROM. Venise, Italie, p. 6 pages.
139
Ben Othman, 2015. Ordonnancement de ressources à compétences multiples dans un service
d’urgence, Thèse Ecole Centrale de Lille (pas encore soutenue).
Bernstein, S.L., Aronsky, D., Duseja, R., Epstein, S., Handel, D., Hwang, U., McCarthy, M.,
John McConnell, K., Pines, J.M., Rathlev, N., Schafermeyer, R., Zwemer, F., Schull, M.,
Asplin, B.R., Society for Academic Emergency Medicine, Emergency Department
Crowding Task Force, 2009. The effect of emergency department crowding on clinically
oriented outcomes. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 16, 1–10.
Bernstein, S.L., Verghese, V., Leung, W., Lunney, A.T., Perez, I., 2003. Development and
validation of a new index to measure emergency department crowding. Acad. Emerg.
Med. Off. J. Soc. Acad. Emerg. Med. 10, 938–942.
Bouchon-Meunier, B., 1990. La logique floue et ses applications. Addison-Wesley France, Paris.
Bourbonnais, R., Terraza, M., 1998. Analyse des séries temporelles en économie. Presses
Universitaires de France - PUF, Paris.
Bourbonnais, R., Usunier, J.-C., 2007. Prévision des Ventes : Théorie et pratique, Édition : 4e
édition. ed. Economica, Paris.
Box, G.E.P., Jenkins, G.M., 1976. Time series analysis: forecasting and control. Holden-Day.
Boyle, A., Beniuk, K., Higginson, I., Atkinson, P., 2012. Emergency Department Crowding:
Time for Interventions and Policy Evaluations. Emerg. Med. Int. 2012, e838610.
Boyle, A., Coleman, J., Sultan, Y., Dhakshinamoorthy, V., O’Keeffe, J., Raut, P., Beniuk, K.,
2013. Validating the Icmed (international Crowding Measure in Emergency
Departments). Emerg. Med. J. 30, 869–869.
Boyle, J., Wallis, M., Jessup, M., Crilly, J., Lind, J., Miller, P., Fitzgerald, G., 2008. Regression
forecasting of patient admission data, in: 30th Annual International Conference of the
IEEE Engineering in Medicine and Biology Society, 2008. EMBS 2008. Presented at the
30th Annual International Conference of the IEEE Engineering in Medicine and Biology
Society, 2008. EMBS 2008, pp. 3819–3822.
Brans, J.P., Vincke, P., Mareschal, B., 1986. How to select and how to rank projects: The
Promethee method. Eur. J. Oper. Res., Mathematical Programming Multiple Criteria
Decision Making 24, 228–238.
Brown, R., 1962. Smoothing, Forecasting and Prediction. Englewood Cliffs NJ Prentice-Hall.
Büyüközkan, G., Çifçi, G., Güleryüz, S., 2011. Strategic analysis of healthcare service quality
using fuzzy AHP methodology. Expert Syst. Appl. 38, 9407–9424.
Chaabane, S., 2004. Gestion prédictive des Blocs Opératoires. L’institut National des Sciences
Appliquées de Lyon.
Chandoul, W., Camus, H., Zoghlami, N., Hammadi, S., Di Pompeo, C., 2013. Assessing
Emergency Department Crowding based on Fuzzy logic, The IADIS International Multi
Conference on Computer Science and Information Systems- e-Health (MCCSIS 2013),
Prague, République tchèque.
Chandoul, W., Camus, H., Zoghlami, N., Hammadi, S., Martinot, A., 2014. A robust assessment
of effective healthcare demand in the Pediatric Emergency Department, in: 2014
International Conference on Control, Decision and Information Technologies (CoDIT).
140
Presented at the 2014 International Conference on Control, Decision and Information
Technologies (CoDIT), pp. 195–200.
Chandoul, W., Hammadi, S., Camus, H., Zgaya, H., Di Pompeo, C., Trincaretto, F., 2012.
Evolutionary Approach for Multi-Objective Scheduling in Surgical Unit, in: Conférence
Francophone Gestion et Ingénierie des Systèmes Hospitaliers (GISEH 2012). Quebec,
Canada.
Collis, J., 2010. Adverse effects of overcrowding on patient experience and care. Emerg. Nurse J.
RCN Accid. Emerg. Nurs. Assoc. 18, 34–39.
Conforti, D., Guerriero, F., Guido, R., 2010. A multi-objective block scheduling model for the
management of surgical operating rooms: New solution approaches via genetic
algorithms, in: 2010 IEEE Workshop on Health Care Management (WHCM). Presented at
the 2010 IEEE Workshop on Health Care Management (WHCM), pp. 1–5.
Congram, C., Epelman, M., 1995. How to describe your service: An invitation to the structured
analysis and design technique. Int. J. Serv. Ind. Manag. 6, 6–23.
Côté, M.J., Smith, M.A., Eitel, D.R., Akçali, E., 2013. Forecasting emergency department
arrivals: a tutorial for emergency department directors. Hosp. Top. 91, 9–19.
Daknou, A., 2011. Architecture distribuée à base d’agents pour optimiser la prise en charge des
patients dans les services d’urgence en milieu hospitalier. Ecole Centrale de Lille.
Derlet, R.W., Richards, J.R., 2008. Ten Solutions for Emergency Department Crowding. West. J.
Emerg. Med. 9, 24–27.
Deschamps, F., Leman, C., 2005. Une fonction émergente: La formation de l’Infirmière
d’Accueil et d’Orientation : I.A.O. Ou infirmière d’organisateur de l’accueil : I.O.A. XXI
COLLOQUE NATIONAL DES CESU, Reims, France.
DREES, 2014. Urgences : la moitié des patients restent moins de deux heures, hormis ceux
maintenus en observation.
DREES, 2013. enquête nationale sur les structure des urgences hospitalières.
DREES, 2002. Enquête Nationale : Usagers des Services d’Urgence.
Dubois, D., Prade, H., Ughetto, L., 1997. Checking the coherence and redundancy of fuzzy
knowledge bases. IEEE Trans. Fuzzy Syst. 5, 398–417.
Durand-Aprile, A.-C., 2012. Les consultants“non-urgents” dans les services d’urgence : état des
lieux et pistes de solutions. Aix-Marseille.
Epstein, S.K., Tian, L., 2006. Development of an emergency department work score to predict
ambulance diversion. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 13, 421–426.
Falvo, T., Grove, L., Stachura, R., Zirkin, W., 2007. The Financial Impact of Ambulance
Diversions and Patient Elopements. Acad. Emerg. Med. 14, 58–62.
Figueira, J., Greco, S., Ehrgott, M., 2005. Multiple Criteria Decision Analysis: State of the Art
Surveys. Springer Science & Business Media.
Freeman, T., 2002. Using performance indicators to improve health care quality in the public
sector: a review of the literature. Health Serv. Manage. Res. 15, 126–137.
Gardel, C., Goubet, S., Toupin, M.-H., Le Moign, R., 2009. Les indicateurs HAS : sélection,
gestion et utilisation. Risques Qual. En Milieu Soins 34–40.
141
Gardner, R.L., Sarkar, U., Maselli, J.H., Gonzales, R., 2007. Factors associated with longer ED
lengths of stay. Am. J. Emerg. Med. 25, 643–650.
Gentile, S., Amadeï, E., Bouvenot, J., Durand, A.C., Bongiovanni, I., Haro, J., Giraud, C.,
Sambuc, R., 2004. Attitudes et comportement des usagers face à une urgence réelle ou
ressentie. Santé Publique 16, 63–74.
Grabisch, M., Perny, P., 1999. Agrégation multicritère, in: Utilisations de La Logique Floue. In
B. Bouchon and C. Marsala, Hermès.
Günal, M.M., Pidd, M., 2010. Discrete event simulation for performance modelling in health
care: a review of the literature. J. Simul. 4, 42–51.
Handel, D.A., Ginde, A.A., Raja, A.S., Rogers, J., Sullivan, A.F., Espinola, J.A., Camargo, C.A.,
2010. Implementation of crowding solutions from the American College of Emergency
Physicians Task Force Report on Boarding. Int. J. Emerg. Med. 3, 279–286.
Hanset, A., Meskens, N., Duvivier, D., 2010. Using constraint programming to schedule an
operating theatre, in: 2010 IEEE Workshop on Health Care Management (WHCM).
Presented at the 2010 IEEE Workshop on Health Care Management (WHCM), pp. 1–6.
Holt, C.C., 1975. Forecasting seasonals and trends by exponentially weighted moving averages.
Memo. 52 Carnegie Inst Technol.
Hoot, N.R., Aronsky, D., 2008. Systematic review of emergency department crowding: causes,
effects, and solutions. Ann. Emerg. Med. 52, 126–136.
Hoot, N.R., Epstein, S.K., Allen, T.L., Jones, S.S., Baumlin, K.M., Chawla, N., Lee, A.T., Pines,
J.M., Klair, A.K., Gordon, B.D., Flottemesch, T.J., LeBlanc, L.J., Jones, I., Levin, S.R.,
Zhou, C., Gadd, C.S., Aronsky, D., 2009a. Forecasting emergency department crowding:
an external, multicenter evaluation. Ann. Emerg. Med. 54, 514–522.e19.
Hoot, N.R., LeBlanc, L.J., Jones, I., Levin, S.R., Zhou, C., Gadd, C.S., Aronsky, D., 2009b.
Forecasting Emergency Department Crowding: A Prospective, Real-time Evaluation. J.
Am. Med. Inform. Assoc. 16, 338–345.
Hoot, N.R., LeBlanc, L.J., Jones, I., Levin, S.R., Zhou, C., Gadd, C.S., Aronsky, D., 2008.
Forecasting Emergency Department Crowding: A Discrete Event Simulation. Ann.
Emerg. Med. 52, 116–125.
Howell, E., Bessman, E., Kravet, S., Kolodner, K., Marshall, R., Wright, S., 2008. Active Bed
Management by Hospitalists and Emergency Department Throughput. Ann. Intern. Med.
149, 804–810.
Hunt, K.A., Weber, E.J., Showstack, J.A., Colby, D.C., Callaham, M.L., 2006. Characteristics of
frequent users of emergency departments. Ann. Emerg. Med. 48, 1–8.
Hwang, U., Concato, J., 2004. Care in the emergency department: how crowded is overcrowded?
Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 11, 1097–1101.
Hwang, U., Richardson, L., Livote, E., Harris, B., Spencer, N., Sean Morrison, R., 2008.
Emergency department crowding and decreased quality of pain care. Acad. Emerg. Med.
Off. J. Soc. Acad. Emerg. Med. 15, 1248–1255.
Hyndman, R., Kostenko, A.V., 2007. Minimum Sample Size requirements for Seasonal
Forecasting Models. Foresight Int. J. Appl. Forecast. 12–15.
142
INVS, 2008. Système de surveillance de l’activité hospitalière en Aquitaine, Bilan des données
sanitaires 2007.
Jacobson, S.H., Hall, S.N., Swisher, J.R., 2006. Discrete-Event Simulation of Health Care
Systems, in: Hall, R.W. (Ed.), Patient Flow: Reducing Delay in Healthcare Delivery,
International Series in Operations Research & Management Science. Springer US, pp.
211–252.
Jlassi, J., 2009. Amélioration de la performance par la modélisation des flux logistiques des
patients dans un service d’urgence hospitalier. Université Paris VIII Vincennes-Saint
Denis.
Jones, S.S., Allen, T.L., Flottemesch, T.J., Welch, S.J., 2006. An independent evaluation of four
quantitative emergency department crowding scales. Acad. Emerg. Med. Off. J. Soc.
Acad. Emerg. Med. 13, 1204–1211.
Jones, S.S., Thomas, A., Evans, R.S., Welch, S.J., Haug, P.J., Snow, G.L., 2008. Forecasting
daily patient volumes in the emergency department. Acad. Emerg. Med. Off. J. Soc.
Acad. Emerg. Med. 15, 159–170.
Jun, J.B., Jacobson, S.H., Swisher, J.R., Correspondence, 1999. Application of discrete-event
simulation in health care clinics: A survey. J. Oper. Res. Soc. 50, 109–123.
Kaddoussi, A., Hammadi, S., Duflos, E., VANHEEGHE, P., Hayfa Zgaya, 2010. Generic Need
Estimating Agents for Resources Forecasting. Conf. Syst. Cybern. Inform.
Kahraman, C., 2008. Fuzzy Multi-Criteria Decision Making: Theory and Applications with
Recent Developments. Springer.
Kam, H.J., Sung, J.O., Park, R.W., 2010. Prediction of Daily Patient Numbers for a Regional
Emergency Medical Center using Time Series Analysis. Healthc. Inform. Res. 16, 158–
165.
Keeney, R.L., Raiffa, H., 1993. Decisions with Multiple Objectives: Preferences and Value
Trade-Offs. Cambridge University Press.
Kelton, W.D., Sadowski, R.P., Sturrock, D.T., 2009. Simulation with Arena, Édition : 5. ed.
McGraw-Hill Higher Education, Singapore; New York.
Khare, R.K., Powell, E.S., Reinhardt, G., Lucenti, M., 2009. Adding More Beds to the
Emergency Department or Reducing Admitted Patient Boarding Times: Which Has a
More Significant Influence on Emergency Department Congestion? Ann. Emerg. Med.
53, 575–585.e2.
Kulak, O., Durmuşoğlu, M.B., Kahraman, C., 2005. Fuzzy multi-attribute equipment selection
based on information axiom. J. Mater. Process. Technol. 169, 337–345.
Kulstad, E.B., Hart, K.M., Waghchoure, S., 2010. Occupancy Rates and Emergency Department
Work Index Scores Correlate with Leaving Without Being Seen. West. J. Emerg. Med.
11, 324–328.
LaCalle, E., Rabin, E., 2010. Frequent users of emergency departments: the myths, the data, and
the policy implications. Ann. Emerg. Med. 56, 42–48.
Law, A., 2006. Simulation Modeling and Analysis with Expertfit Software, 4 edition. ed.
McGraw-Hill Science/Engineering/Math, Boston.
143
Lee, A.H., Gracey, M., Wang, K., Yau, K.K.W., 2005. A robustified modeling approach to
analyze pediatric length of stay. Ann. Epidemiol. 15, 673–677.
Liberatore, M.J., Nydick, R.L., 2008. The analytic hierarchy process in medical and health care
decision making: A literature review. Eur. J. Oper. Res. 189, 194–207.
Li, S.-T., Chiu, N.-C., Kung, W.-C., Chen, J.-C., 2013. Factors affecting length of stay in the
pediatric emergency department. Pediatr. Neonatol. 54, 179–187.
Liu, S.W., Hamedani, A.G., Brown, D.F.M., Asplin, B., Camargo, C.A., 2013. Established and
Novel Initiatives to Reduce Crowding in Emergency Departments. West. J. Emerg. Med.
14, 85–89.
Lowthian, J.A., Curtis, A.J., Cameron, P.A., Stoelwinder, J.U., Cooke, M.W., McNeil, J.J., 2010.
Systematic review of trends in emergency department attendances: an Australian
perspective. Emerg. Med. J. emj.2010.099226.
Lu, J., Zhang, G., Ruan, D., 2007. Multi-objective Group Decision Making: Methods, Software
and Applications With Fuzzy Set Techniques. Imperial College Press, London, UK, UK.
Magid, D.J., Asplin, B.R., Wears, R.L., 2004. The quality gap: searching for the consequences of
emergency department crowding. Ann. Emerg. Med. 44, 586–588.
Mahfouf, M., Abbod, M.F., Linkens, D.A., 2001. A survey of fuzzy logic monitoring and control
utilisation in medicine. Artif. Intell. Med. 21, 27–42.
Markt, P.L., Mayer, M.H., 1997. Witness Simulation Software A Flexible Suite Of Simulation
Tools, in: Simulation Conference, 1997., Proceedings of the 1997 Winter. Presented at the
Simulation Conference, 1997., Proceedings of the 1997 Winter, pp. 711–717.
MASS, 2015. Guide d’aide à l’organisation de l’offre de soins en situations sanitaires
exceptionnelles.
MASS, 2007. LA TARIFICATION DES ETABLISSEMENTS DE SANTE.
MASS, 2006. Plan blanc et gestion de crise.
McCarthy, M.L., Aronsky, D., Jones, I.D., Miner, J.R., Band, R.A., Baren, J.M., Desmond, J.S.,
Baumlin, K.M., Ding, R., Shesser, R., 2008. The emergency department occupancy rate: a
simple measure of emergency department crowding? Ann. Emerg. Med. 51, 15–24,
24.e1–2.
MeaH, 2008. Réduire les temps d’attente et de passage aux urgences. Retours d’expériences.
Morzuch, B., Allen, P., 2006. Forecasting Hospital Emergency Department Arrivals. Presented at
the 26th Annual Symposium on Forecasting, Espagne.
Moskop, J.C., Sklar, D.P., Geiderman, J.M., Schears, R.M., Bookman, K.J., 2009a. Emergency
department crowding, part 1--concept, causes, and moral consequences. Ann. Emerg.
Med. 53, 605–611.
Moskop, J.C., Sklar, D.P., Geiderman, J.M., Schears, R.M., Bookman, K.J., 2009b. Emergency
department crowding, part 2--barriers to reform and strategies to overcome them. Ann.
Emerg. Med. 53, 612–617.
MSFPH, 2004. Plan « Urgences ».
ORU-Bourgogne, 2011. Médecine d’urgence.
ORU-MIP, 2014. Rapport annuel 2013 L’activité des structures d’urgence en Midi-Pyrénées.
144
ORU-PACA, 2013. Hôpital en Tension, DISPOSITIF DE LA REGION PACA.
Oualidi, E., Ali, M., Saadi, J., 2013. Améliorer la prise en charge des urgences : apport de la
modélisation et de la simulation de flux. Santé Publique 25, 433–439.
Pham, J.C., Patel, R., Millin, M.G., Kirsch, T.D., Chanmugam, A., 2006. The Effects of
Ambulance Diversion: A Comprehensive Review. Acad. Emerg. Med. 13, 1220–1227.
Phuong, N.H., Kreinovich, V., 2001. Fuzzy logic and its applications in medicine. Int. J. Med.
Inf. 62, 165–173.
Pillet, M., Courtois, M.P., Chantal Martin-Bonnefous, Pascal Bonnefous, Alain, Martin-
Bonnefous, C., Courtois, A., Bonnefous, P., 2011. Gestion de production. Editions
Eyrolles.
Pines, J.M., Asplin, B.R., Kaji, A.H., Lowe, R.A., Magid, D.J., Raven, M., Weber, E.J., Yealy,
D.M., 2011. Frequent users of emergency department services: gaps in knowledge and a
proposed research agenda. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 18, e64–
69. doi:10.1111/j.1553-2712.2011.01086.x
Pines, J.M., Iyer, S., Disbot, M., Hollander, J.E., Shofer, F.S., Datner, E.M., 2008. The effect of
emergency department crowding on patient satisfaction for admitted patients. Acad.
Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 15, 825–831.
RAKOTOMALALA, R., 2005. Arbres de Décision. Rev. Modul. 163–187.
Reeder, T.J., Garrison, H.G., 2001. When the safety net is unsafe: real-time assessment of the
overcrowded emergency department. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med.
8, 1070–1074.
Richardson, D.B., 2006. Increase in patient mortality at 10 days associated with emergency
department overcrowding. Med. J. Aust. 184, 213–216.
Rommelfanger, H.J., 1998. Multicriteria decision making using fuzzy logic, in: Fuzzy
Information Processing Society - NAFIPS, 1998 Conference of the North American.
Presented at the Fuzzy Information Processing Society - NAFIPS, 1998 Conference of the
North American, pp. 360–364.
Roy, B., 1991. The outranking approach and the foundations of electre methods. Theory Decis.
31, 49–73.
Saadani, N.., Guinet, A., Chaabane, S., 2006. ORDONNANCEMENT DES BLOCS
OPERATOIRES. 6ème Conférence Francoph. MOdélisation Simul.- « Modélisation
Optim. Simul. Systèmes Défis Oppor. » MOSIM’06.
Saaty, T.L., 1988. What is the Analytic Hierarchy Process?, in: Mitra, G., Greenberg, H.J.,
Lootsma, F.A., Rijkaert, M.J., Zimmermann, H.J. (Eds.), Mathematical Models for
Decision Support, NATO ASI Series. Springer Berlin Heidelberg, pp. 109–121.
Schriber, T.J., Brunner, D.T., 2005. Inside discrete-event simulation software: how it works and
why it matters, in: Simulation Conference, 2005 Proceedings of the Winter. Presented at
the Simulation Conference, 2005 Proceedings of the Winter, p. 11 pp.–.
Schweigler, L.M., Desmond, J.S., McCarthy, M.L., Bukowski, K.J., Ionides, E.L., Younger, J.G.,
2009. Forecasting Models of Emergency Department Crowding. Acad. Emerg. Med. 16,
301–308.
145
SFMU, 2003a. Charte de Médecine d’Urgence.
SFMU, 2003b. Recommandations concernant la mise en place, la gestion, l’utilisation, et
l’évaluation d’une Salle d’Accueil des Urgences Vitales (S.A.U.V.).
SFMU, S.F. de M. d’Urgence, 2013. Le triage en structure des urgences, Recommandations
formalisées d’experts.
SFMU, S.F. de M. d’Urgence, 2005. Cahier des charges des charges National pour
l’informatisation des services d’urgences.
Sheldon, T., 1998. Promoting health care quality: what role performance indicators? Qual. Health
Care 7, 45–50.
Singer, A.J., Thode Jr, H.C., Viccellio, P., Pines, J.M., 2011. The Association Between Length of
Emergency Department Boarding and Mortality. Acad. Emerg. Med. 18, 1324–1329.
Smith, E., Eloff, J.H.P., 2000. Cognitive fuzzy modeling for enhanced risk assessment in a Health
Care Institution.
Sprivulis, P.C., Da Silva, J.-A., Jacobs, I.G., Frazer, A.R.L., Jelinek, G.A., 2006. The association
between hospital overcrowding and mortality among patients admitted via Western
Australian emergency departments. Med. J. Aust. 184, 208–212.
Sun, X., Eklund, P.W., Thomas, D.A., 1994. Decision Making and Fuzzy Set Theory: Combining
Aggregated Fuzzy Sets to Obtain Integrated Comprehensive Indices. Department of
Computer Science, The University of Adelaide.
Sun, Y., Heng, B.H., Seow, Y.T., Seow, E., 2009. Forecasting daily attendances at an emergency
department to aid resource planning. BMC Emerg. Med. 9, 1.
Sutradhar, B.C., MacNeil, I.B., Dagum, E.B., 1995. A simple test for stable seasonality. J. Stat.
Plan. Inference, Statistics ’91 Canada Conference Papers 43, 157–167.
Thomaidis, N.S., Nikitakos, N., Dounias, G.D., 2006. The evaluation of information technology
projects: a fuzzy multicriteria decision-making approach. Int. J. Inf. Technol. Decis. Mak.
05, 89–122.
Tong-Tong, J.-R., 1995. La logique floue. Hermes Science Publications, Paris.
Uscher-Pines, L., Pines, J., Kellermann, A., Gillen, E., Mehrotra, A., 2013. Emergency
department visits for nonurgent conditions: systematic literature review. Am. J. Manag.
Care 19, 47–59.
Vuagnat, A., 2013. Les urgences hospitalières, qu’en sait-on ?
Weiss, S.J., Derlet, R., Arndahl, J., Ernst, A.A., Richards, J., Fernández-Frackelton, M., Schwab,
R., Stair, T.O., Vicellio, P., Levy, D., Brautigan, M., Johnson, A., Nick, T.G., Fernández-
Frankelton, M., 2004. Estimating the degree of emergency department overcrowding in
academic medical centers: results of the National ED Overcrowding Study (NEDOCS).
Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 11, 38–50.
Weiss, S.J., Ernst, A.A., Nick, T.G., 2006. Comparison of the National Emergency Department
Overcrowding Scale and the Emergency Department Work Index for quantifying
emergency department crowding. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 13,
513–518.
146
Wiler, J.L., Griffey, R.T., Olsen, T., 2011. Review of Modeling Approaches for Emergency
Department Patient Flow and Crowding Research. Acad. Emerg. Med. 18, 1371–1379.
Wiler, J.L., Handel, D.A., Ginde, A.A., Aronsky, D., Genes, N.G., Hackman, J.L., Hilton, J.A.,
Hwang, U., Kamali, M., Pines, J.M., Powell, E., Sattarian, M., Fu, R., 2012. Predictors of
patient length of stay in 9 emergency departments. Am. J. Emerg. Med. 30, 1860–1864.
Windal, F., Jeribi, K., Ficheur, G., Degoul, S., Martinot, A., Beuscart, R., Renard, J.-M., 2014.
Pediatric emergency department crowding: survival tree clustering for length of patient
stay. Stud. Health Technol. Inform. 205, 1095–1099.
Winters, P.R., 1960. Forecasting Sales by Exponentially Weighted Moving Averages. Manag.
Sci. 6, 324–342.
Wong, H.J., Morra, D., Caesar, M., Carter, M.W., Abrams, H., 2010. Understanding hospital and
emergency department congestion: an examination of inpatient admission trends and bed
resources. CJEM 12, 18–26.
Wuerz, R., 2001. Emergency severity index triage category is associated with six-month survival.
ESI Triage Study Group. Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med. 8, 61–64.
Yancer, D.A., Foshee, D., Cole, H., Beauchamp, R., de la Pena, W., Keefe, T., Smith, W.,
Zimmerman, K., Lavine, M., Toops, B., 2006. Managing capacity to reduce emergency
department overcrowding and ambulance diversions. Jt. Comm. J. Qual. Patient Saf. Jt.
Comm. Resour. 32, 239–245.
Yucel, G., Cebi, S., Hoege, B., Ozok, A.F., 2012. A fuzzy risk assessment model for hospital
information system implementation. Expert Syst. Appl. 39, 1211–1218.
147
Titre : Conception et réalisation d'un système d'aide à la gestion des tensions dans les services d'urgences
pédiatriques : vers des nouvelles approches d'évaluation, de quantification et d'anticipation
Résumé : La Tension dans un Service d’Urgences (SU) est un déséquilibre entre le flux de charge des soins
et la capacité de prise en charge sur une durée suffisante pouvant entrainer des conséquences néfastes au bon
fonctionnement. Elle se reflète par la surcharge des locaux, l’allongement des délais de traitement et
d’attente. Ce qui provoque à la fois l’insatisfaction des patients et l’anxiété du personnel. Cette thèse
s’inscrit dans le cadre du projet HOST1 financé par le programme ANR2 TECSAN-2011 afin d’élaborer un
Système d'Aide à la Gestion de la Tension (SAGeT) assurant trois objectifs:
1. L’évaluation multicritère grâce à une panoplie d’indicateurs agrégés par la logique floue afin de résoudre
la subjectivité du ressentie humain de la tension. Chaque scénario d’évaluation déclenche des règles de
décision spécifiques ciblant ainsi des points de défaillance à surveiller.
2. L’anticipation de la demande sur différents horizons temporels : l’application des méthodes SARIMA3 et
SARIMAX4 est justifiée par la saisonnalité des chroniques de visites et l’influence de certains
paramètres externes (épidémies, vacances, météo). De plus, la qualité de l’information venant de
l’historique a été améliorée par une recomposition d’historique basée sur la vraisemblance journalière.
3. L’amélioration de la gestion des flux et le pilotage de l’activité puisque l’utilisation de SAGeT comme
un tableau de bord offre une vue macro sur l’ensemble de l’activité (lits occupés, patients en attente,
durées de passages prévisionnelles et allongements excessifs).
Les simulations traitent des vrais scénarios de tension observés entre 2011 et 2013 dans le SU Pédiatriques
Jeanne de Flandre du CHRU-Lille5.
Mots-clefs : Système d'Aide à la Gestion des Tensions, Service d’Urgences Pédiatriques, Evaluation et
quantification, Anticipation, gestion des flux, pilotage de l’activité, Logique floue, SARIMA, SARIMAX
Title: Design and implementation of a management support system of strain in the pediatric emergency
department: new approaches of assessment, quantification and forecasting
Abstract: The strain in an Emergency Department (ED) is an imbalance between the total demand load of
healthcare treatment and resources ability to support it during a convenient horizon, which may results
negative consequences on the smooth running of the activity. It is reflected by overcrowding, longer
treatment and waiting times which causes both patients dissatisfaction and anxiety of personnel. This thesis
is part of the HOST1 project funded by the ANR2 TECSAN-2011 program to develop a Management
Support System of Strain (MSSS) ensuring three objectives:
1. Multi-criteria evaluation through a variety of indicators aggregated by fuzzy logic to solve the
subjectivity of the human feeling of strain. Each evaluation scenario involves specific decision rules
targeting to supervise failure points.
2. Demand forecasting through several time horizons: applying SARIMA 3 and SARIMAX4 methods is
justified by the time series seasonality of visits and the influence of some external parameters
(epidemics, holidays, weather). In addition, the quality of the historical information has been improved
by a history rebuilding based on the daily likelihood.
3. Improving flow management and activity monitoring since the use of MSSS as a dashboard provides a
macro view of the whole activity (beds occupied, waiting, estimated length of stay, excessive
elongation).
The simulations address real strain scenarios observed between 2011 and 2013 in the Pediatric ED Jeanne de
Flandre of the Regional University Hospital of Lille (France)5.
Keywords: Management Support System of Strain, Pediactric emergency department, Assessment and
quantification, forecasting, flow management, activity monitoring, Fuzzy logic, SARIMA, SARIMAX
1
Hôpital : Optimisation, Simulation et évitement des Tensions
2
Agence Nationale de la Recherche
3
Seasonal Autoregressive Integrated Moving Average
4
Seasonal Autoregressive Integrated Moving Average with exogenous input
5
Centre Hospitalier Régional Universitaire de Lille