Ces dernières années, l’amélioration de qualité de soins est l'un des principaux défis auxquels sont confrontés de nombreux établissements hospitaliers, en particulier les services d'urgence (SU). L'augmentation de demandes d'admission aux urgences et le système de triage non précis peuvent conduire à des problèmes de tension. Cette thèse, qui est dans le cadre du projet ANR OIIHL, propose un Système d’Aide au Triage et de Gestion de Tension (SATGT) pour optimiser la prise en charge des patients. En effet, le premier objectif principal de ce système est de prédire la fréquentation des patients et la tension aux urgences. Le second est de recommander aux gestionnaires des urgences les mesures préventives et correctives nécessaires pour éviter les situations de tension. Le dernier objectif est d’aider les infirmiers de triage à orienter les patients vers les parcours adéquats. Les systèmes et les modèles existants, tels que les modèles de réseaux de neurones, sont principalement basés sur des données structurées et ne peuvent pas exploiter les données non structurées textuelles telles que les observations médicales, les symptômes et les antécédents médicaux, etc. Dans ce contexte, nous proposons une approche d'IA hybride qui combine les IA symboliques et les IA subsymboliques. Les IA symboliques sont définies par les ontologies et le raisonnement sémantiques basées sur les règles. Cette partie est proposée pour prétraiter les données non structurées textuelles, les transformer en des connaissances pertinentes et créer une base de règles permettant la recommandation des actions nécessaires pour anticiper et gérer les situations de tensions. Cette base de règles est basée sur les résultats issus des modèles d'apprentissage automatique proposés pour trier les patients, prédire l’admission et l’arrivée des patients. Cette partie présente les IA subsymboliques qui sont basées principalement sur les réseaux de neurones, la théorie de Dempster pour gérer l’incertitude des données et les techniques d’apprentissage automatique. Les expériences ont été menées sur une base de données réelle collectée dans le service des urgences Adultes (SUA) du centre hospitalier régional de Lille, en France. L'IA hybride s'est avérée être une approche utile pour prédire et anticiper les tensions aux urgences.
M. Slim HAMMADI Centrale Lille Directeur de thèse M. Jean-Charles BILLAUT Université de Tours (EPU) Rapporteur M. Alassane B. NDIAYE Université Libre de Bruxelles Rapporteur M. Aziz MOUKRIM Université de Technologie de Compiègne Examinateur M. Christophe BORTOLASO Berger Levrault Examinateur Mme Laëtitia JOURDAN Université de Lille Examinatrice Mme Hayfa ZGAYA Université de Lille Co-directrice de thèse M. Jean-Marie RENARD CHU de Lille Examinateur
Thesis of the team OSL defended on 18/11/2022
français
English