Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d’Oran USTO-Mohamed Boudiaf Faculté des Sciences, Département d’Informatique MEMOIRE Présenté par : ZAHAF Nawal Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Modélisation, Optimisation et Evaluation des Performances des Systèmes (MOEPS) Intitulé : Métaheuristiques et les Systèmes Hospitaliers Sous la direction de Dr BELKADI Khaled Soutenue le 08/01/2012 devant les membres du jury : Mme NOUREDDINE Myriem : Maitre de conférences A, USTO. Mr BELKADI Khaled : Maitre de conférences A, USTO. Mme FIZAZI Hadria : Maitre de conférences A, USTO. Mr RAHAL Sid Ahmed : Maitre de conférences A, USTO. (Présidente) (Rapporteur) (Examinatrice) (Examinateur) Remerciements J’exprime mes vifs et sincères remerciements à mon encadreur, le Dr BELKADI KHALED, (Modélisation, responsable de la post-graduation MOEPS Optimisation et Evaluation des Performances des Systèmes) pour sa disponibilité, ses orientations et ses encouragements. Je remercie vivement Mr TANGUY ALAIN, maitre de conférences à l’université Blaise Pascal à Clermont Ferrand, pour ses orientations et sa contribution pour la réalisation de l’article soumis à la conférence ESM. Je remercie aussi Mme DEKHICI, enseignante à l’USTO, pour ses conseils et ses encouragements. Je tiens à remercier le professeur MARZOUK, chef de service maternité du CHUO de m’avoir autorisé à faire un stage au niveau de la maternité. Mes remerciements aussi à tout le personnel médical et paramédical de la maternité et plus particulièrement au Dr BENYETTOU, maitre assistante chargée des admissions, pour son encadrement et explications. Je remercie vivement les membres du jury qui m’ont fait l’honneur de lire et d’évaluer ce travail. Enfin, je remercie très affectueusement mes parents et mon mari pour le soutien considérable qu'ils m'ont apporté et la confiance qu’ils m'ont toujours témoigné, sans oublier de remercier mes amies Karima, Aicha, Lamia et Nawel pour leurs encouragements. Dédicaces A mes chers parents A mon cher mari Said A mes deux adorables enfants Mohammed Ryad et Abdennour A tous les membres de ma famille et particulièrement à mon petit frère Abdelkrim A ma belle famille A toutes mes amies Table des matières Table des matières Introduction générale..............................................................................................................................1 Chapitre I : Les Systèmes Hospitaliers 1. Introduction ....................................................................................................................................3 2. Notion de système ..........................................................................................................................3 3. Définition d‟un système de production ...........................................................................................4 4. Définition d‟un système hospitalier ................................................................................................4 5. Complexité des systèmes hospitaliers .............................................................................................4 5.1. Diversité des types d‟établissements ......................................................................................4 5.2. Diversité des acteurs ...............................................................................................................5 5.3. Singularité du patient ..............................................................................................................5 5.4. Aspect d‟Incertitude ...............................................................................................................5 5.5. Aspect Risque .........................................................................................................................6 6. Comparaison entre les systèmes hospitaliers et les systèmes de production ...................................6 7. Systèmes hospitaliers et performances ...........................................................................................8 7.1. Définition d‟indicateur de performance ..................................................................................8 7.2. Evaluation de performances ...................................................................................................9 7.3. Indicateurs clés de la performance des systèmes hospitaliers ...............................................10 8. Historique du CHUO ....................................................................................................................11 9. Organigramme général du C.H.U.O .............................................................................................12 Conclusion................................................................................................................................14 10. Chapitre II : Méthodologie de Modélisation 1. Introduction ..................................................................................................................................15 2. Notion de modèle .........................................................................................................................15 3. Objectifs de la modélisation .........................................................................................................16 4. Classification des méthodes de modélisation................................................................................17 5. Quelques méthodes utilisées dans la modélisation des systèmes hospitaliers ...............................18 5.1. SADT ...................................................................................................................................18 5.2. IDEFx ...................................................................................................................................19 5.3. GRAI ....................................................................................................................................20 5.4. ARIS.....................................................................................................................................21 5.4.1. Vue Organisationnelle ..................................................................................................22 5.4.2. Vue des données ...........................................................................................................22 5.4.3. Vue des processus .........................................................................................................23 5.4.4. Vue des fonctions .........................................................................................................23 5.5. UML .....................................................................................................................................23 5.6. Réseaux de Petri ...................................................................................................................23 6. Méthodologie de modélisation ASCI ...........................................................................................26 7. Conclusion ...................................................................................................................................29 Chapitre III : Méthodes de Simulation 1. Introduction ..................................................................................................................................30 2. Notion de simulation ....................................................................................................................30 3. Caractéristiques des modèles de simulation..................................................................................31 3.1. Modèle de simulation stochastique .......................................................................................31 3.2. Modèle de simulation déterministe .......................................................................................31 3.3. Modèle de simulation continu...............................................................................................31 3.4. Modèle de simulation discret ................................................................................................32 3.5. Modèle de simulation statique ..............................................................................................32 3.6. Modèle de simulation dynamique .........................................................................................32 4. Simulation à évènements discrets .................................................................................................33 5. Outils et langages de simulation ...................................................................................................34 6. 5.1. ARENA ................................................................................................................................35 5.2. SIMULA ..............................................................................................................................36 Conclusion ...................................................................................................................................36 Chapitre VI : Méthodes de Résolution et Métaheuristiques 1. Introduction ..................................................................................................................................37 2. Définition d‟un problème d‟optimisation .....................................................................................37 3. Processus d‟optimisation ..............................................................................................................38 4. Classification des méthodes de résolution ....................................................................................38 5. 6. 4.1. Méthodes exactes..................................................................................................................39 4.2. Méthodes approchées ...........................................................................................................40 4.2.1. Les heuristiques ............................................................................................................40 4.2.2. Les métaheuristiques ....................................................................................................41 Optimisation bio-inspirée du comportement des abeilles .............................................................49 5.1. La communication entre les abeilles .....................................................................................49 5.2. Algorithmes basés sur le comportement des abeilles ............................................................51 Conclusion ...................................................................................................................................51 Chapitre V : Conception et Modélisation du Cas d'éude 1. Introduction ..................................................................................................................................52 2. 3. Contexte de l‟étude .......................................................................................................................52 2.1. Description du service maternité ..........................................................................................52 2.2. Fonctionnement de la maternité ............................................................................................56 Modélisation de la maternité ........................................................................................................57 3.1. Sous système physique .........................................................................................................57 3.2. Sous système logique ...........................................................................................................60 3.2.1. Arbres de fonctions .............................................................................................................60 CPE ....................................................................................................................................64 3.3. Sous système décisionnel .....................................................................................................66 3.4. Communication entre les trois sous systèmes .......................................................................68 Chapitre IV : Implémentation et Mise en Œuvre 1. Introduction ..................................................................................................................................69 2. Implémentation du modèle d‟action .............................................................................................69 2.1. Modèle de files d‟attentes .....................................................................................................69 2.2. Modèle de simulation sous ARENA .....................................................................................73 2.2.1. Paramètres d‟entrée ......................................................................................................73 2.2.2. Scénarios ......................................................................................................................73 2.3. Modèle de simulation sous SIMULA ........................................................................................77 2.3.1. Simulation des admissions ..................................................................................................78 2.3.2. Résultats et discussion ........................................................................................................81 2.3.3. Couplage Optimisation-Simulation du bloc d‟accouchement .............................................82 3. Conclusion ...................................................................................................................................87 Conclusion Générale ............................................................................................................................88 Bibliographie ........................................................................................................................................90 Webographie ........................................................................................................................................96 Annexe A : Données et Informations Collectées ..................................................................................97 A.1. Différents cas d‟admission au niveau le la maternité ....................................................................97 A.2. Phases du processus d‟admission .................................................................................................98 A.3. Phases du processus d‟accouchement ...........................................................................................99 A.4. Phases du processus de césarienne .............................................................................................100 A.5. Phases du processus d‟une intervention gynécologique..............................................................101 Annexe B :Arbres de Fonctions et CPE ...........................................................................................1044 Liste des figures Chapitre I Fig.I.1. Système Ŕ Environnement .............................................. ................................................................... 4 Fig.I.2. Processus d‟évaluation de performance .......................... .................................................................... 9 Fig.I.3. Cycle d‟amélioration de la performance ........................ . .................................................................. 10 Fig.I.4. Organigramme général du C.H.U.O............................... . .................................................................. 13 Fig.I.5. Organigramme de la direction des activités médicales et paramédicales. .......................................... 14 Chapitre I Fig.II.1. Schéma cyclique de l‟utilisation d‟un modèle ............... ................................................................. 15 Fig.II.2. Démarche de mise en œuvre de la modélisation ............ .................................................................. 17 Fig.II.3. Représentation d‟une fonction SADT ........................... . .................................................................. 19 Fig.II.4. Formalisme de IDEF0 ................................................. . .................................................................. 20 Fig.II.5. Représentation des outils GRAI. ................................... .................................................................. 21 Fig.II.6. Approche processus de ARIS. ....................................... .................................................................. 22 Fig.II.7. Communication entre les trois sous systèmes. ............... .................................................................. 27 Fig.II.8. Processus itératif de la méthodologie ASCI................... .................................................................. 28 Chapitre III Fig.III.1. Principe de la simulation .............................................. ................................................................. 30 Fig.III.2. Taxonomie des modèles de simulation ......................... ................................................................. 33 Fig.III.3. Simulation à évènements discrets ................................. ................................................................. 33 Chapitre IV Fig.IV.1. Processus d‟optimisation .............................................. ................................................................. 38 Fig.IV.2. Classification des méthodes de résolution des problèmes d‟optimisation combinatoire ................. 39 Fig.IV.3. Algorithme de descente ................................................ ................................................................. 40 Fig.IV.4. Principe de recherche des métaheuristiques ................. ................................................................. 41 Fig.IV.5. Principe du Recuit simulé ........................................... .................................................................. 43 Fig.IV.6. Principe de la recherche tabou ..................................... ................................................................. 44 Fig.IV.7. Croisement de deux individus ...................................... ................................................................. 45 Fig.IV.8. Schéma des algorithmes évolutionnaires ..................... ................................................................. 45 Fig.IV.9. Principe de l‟Algorithme Génétique............................. ................................................................. 46 Fig.IV.10. Comportement des fourmis lors de la recherche de nourriture ..................................................... 47 Fig.IV.11.a. Dense ronde.......... .................................................. ................................................................. 50 Fig.IV.11.b. Dense frétillante ... .................................................. ................................................................. 50 Fig.IV.12. Orientation de la source de nourriture ........................ .................................................................. 51 Chapitre V Fig.V.1. Infrastructure de la maternité ......................................... ................................................................. 53 Fig.V.2. Sous système physique .................................................. ................................................................. 58 Fig.V.3. Organigramme du service maternité .............................. ................................................................. 59 Fig.V.4. Fonction de l‟IADE (Infirmier Anesthésiste Diplômé d‟Etat) .......................................................... 60 Fig.V.5. Fonction d‟une AS (Aide Soignante) ............................ ................................................................. 61 Fig.V.6. Fonction d‟un MAR (Médecin Anesthésiste Réanimateur) .............................................................. 62 Fig.V.7. Fonction d‟un gynécologue résident .............................. .................................................................. 63 Fig.V.8. CPE de consultation urgente (Aile des admissions) ...... ................................................................. 64 Fig.V.9. CPE d‟accouchement par voie basse (Aile 11) ............ ................................................................. 65 Fig.V.10. CPE d‟une césarienne (Aile 14) .................................. ................................................................. 66 Fig.V.11. Sous système décisionnel .......................................... ................................................................. 67 Fig.V.12. Communication entre les trois sous systèmes .............. ................................................................. 68 Chapitre VI Fig.VI.1. Modèle de file d‟attente d‟une consultation au niveau de l‟aile des admissions .............................. 70 Fig.VI.2. Modèle de file d‟attente d‟un accouchement (VB et césarienne) .................................................... 71 Fig.VI.3. Modèle de file d‟attente d‟une intervention gynécologique ............................................................ 72 Fig.VI.4. Modèle de simulation ARENA .................................... .................................................................. 76 Fig.VI.5. Taux d‟utilisation des ressources sous le scénario M2S1 ................................................................ 77 Fig.VI.6. Taux d‟utilisation des ressources sous le scénario M2S2 ................................................................ 77 Fig.VI.7. Début de la trace de simulation .................................... .................................................................. 79 Fig.VI.8. Taux d‟utilisation des ressources ................................. .................................................................. 80 Fig.VI.9. Phase de surveillance dans les BA et le temps d‟attente des patientes ............................................ 80 Fig.VI.10. Couplage optimisation-simulation pour le redimensionnement du BA ......................................... 82 Fig.VI.11. Premières traces de simulation du bloc d‟accouchement............................................................... 85 Fig.VI.12.a. Taux d‟utilisation des ressources (1ère réplication) .. .................................................................. 85 Fig.VI.12.b. Taux d‟utilisation des ressources (5ère réplication) .. .................................................................. 86 Fig.VI.12.c. Taux d‟utilisation des ressources (15ère réplication) .................................................................. 86 Annexe B Fig.B.1. Fonction d‟une sage femme ........................................... ................................................................ 104 Fig.B.2. Fonction d‟une infirmière instrumentiste ....................... ................................................................ 105 Fig.B.3. Fonction d‟une IDE (Infirmière Diplômée d‟Etat) ........ ................................................................ 106 Fig.B.4. Fonction d‟un gynécologue (maitre assistant et professeur) ........................................................... 107 Fig.B.5. CPE de prise en charge d‟une patiente arrivée en urgence à la maternité ....................................... 108 Fig.B.6. CPE de prise en charge de(s) nouveau(x) né(s) ............ ................................................................ 109 Liste des tableaux Chapitre I Tableau. I.1 comparaison entre les systèmes hospitaliers et les systèmes de production ................................. 7 Chapitre II Tableau. II.1. Points faibles et points forts de quelques méthodes de modélisation........................................ 25 Chapitre VI Tableau. VI.1. Ressources disponibles au niveau des blocs opératoires ......................................................... 73 Tableau. VI.2. Lois d‟arrivées des patientes ................................ .................................................................. 73 Tableau. VI.3. Taux de traitements des patientes et taux d‟utilisation des ressources des différents scénarios ...................................................................................... .................................................................. 74 Tableau. VI.4. Durées des phases de traitement des patientes .... .................................................................. 78 Tableau. VI.5. Paramètres de simulation ..................................... .................................................................. 83 Tableau. VI.6. Analogies entre les abeilles en nature et l‟ABC ... .................................................................. 84 Annexe A Tableau. A.1. Pathologies nécessitants une admission à la maternité ............................................................. 97 Tableau. A.2. Ressources utilisées au cours du processus d‟admission .......................................................... 98 Tableau. A.3. Ressources utilisées au cours du processus d‟accouchement par VB ....................................... 99 Tableau. A.4. Ressources utilisées au cours du processus de césarienne (Aile 14) ...................................... 100 Tableau. A.5. Ressources utilisées au cours du processus d‟une intervention gynécologique (Aile 34) ....... 101 Tableau. A.6. Durées des actes chirurgicaux et de réveil relatifs aux interventions gynécologiques ............ 102 Introduction Générale 1 Introduction générale Un hôpital doit accueillir tous les patients pour des soins immédiats même si leur prise en charge n‟a pas été programmée. Cette nature aléatoire des arrivées de patients induit des dysfonctionnements et une saturation de la capacité des unités de soins. En effet, de nouveaux besoins de santé sont apparus, et le patient souhaite acquérir une prestation rapide et une meilleure qualité de service. Par ailleurs, il est important de noter que l‟expérience acquise au niveau de l‟entreprise industrielle, dans le domaine de la planification et de l‟affectation de ressources, pourrait être réinvestie et adaptée aux systèmes hospitaliers. Cela est réalisé à travers l‟analogie existante entre ces deux systèmes, dans laquelle il ne faut pas perdre de vue la présence d‟éléments humains forts dans le cas des services de soins : une spécificité principale dans la production de soins. Cette spécificité est à l‟origine de la complexité des systèmes de soins et de leur environnement aléatoire. Plusieurs travaux de recherches s‟intéressent à la gestion et l‟ingénierie des systèmes hospitaliers à savoir : leur management, leurs systèmes d‟information, l‟évaluation de leurs performances, la gestion des compétences et des connaissances, la gestion des risques, la logistique, la configuration et le dimensionnement de leurs ressources, la planification des tâches et la maitrise des coûts. Pour maîtriser un système hospitalier, il convient de résoudre un maximum de problèmes dés la phase de conception. En raison des investissements que représente la mise en route d‟une nouvelle unité de soins, les problèmes de dimensionnement sont très importants. En phase d‟exploitation, il est difficile, voire risqué, d‟intervenir dans le fonctionnement d‟un organisme de santé dont dépendent des vies humaines. Il faut donc être capable d‟évaluer à priori le fonctionnement ou la restructuration du système. Cette évaluation est souvent réalisée à l‟aide d‟outils de mesure de performances. Toutefois, il est fondamental de prévoir les effets d‟une augmentation brutale de la charge sur le comportement de ces systèmes en utilisant la simulation à partir de laquelle les causes et les effets des dysfonctionnements doivent être analysés. Nous proposons ici d‟explorer une approche de gestion centrée sur le processus prévu à suivre par le patient dans l‟objectif de minimiser son délai de séjour dans l‟hôpital ainsi que les coûts de sa prise en charge, et ce dans le respect de la qualité des soins. Cette approche sera particulièrement illustrée dans les cas de processus de soins passant par le service de maternité du CHUO (Centre Hospitalo Universitaire d‟Oran). Le choix de ce service se Introduction Générale 2 justifie d‟une part, par le positionnement de l‟hôpital comme étant le plus grand établissement hospitalier de l‟ouest en termes de flux de patients et de compétences. D‟autre part, la maternité est l‟un des plus importants services de l‟hôpital car elle est caractérisée par les urgences et une grande charge de travail issue du flux important de patientes en provenance de plusieurs localités et même de différentes wilayas. Notre travail est structuré en six chapitres de la manière suivante : Le premier chapitre constitue une présentation de quelques définitions et concepts de base utilisés dans les systèmes de production de biens et de services et en particulier les systèmes de production de soins. Ensuite, nous exposons la complexité des systèmes hospitaliers par rapport aux systèmes industriels ainsi qu‟une comparaison entre ces deux. Après la définition des indicateurs de performances des systèmes hospitaliers, nous présentons l‟historique et l‟organigramme du CHUO. Le deuxième chapitre est consacré aux techniques et méthodes de modélisation utilisées dans les systèmes hospitaliers ainsi que la présentation de la méthodologie ASCI choisie pour modéliser notre cas d‟étude. Le troisième chapitre est réservé à la définition de la simulation et la classification de ses méthodes et en particulier la simulation à évènements discrets adoptée dans notre travail. Ensuite, nous présentons quelques outils et langages de simulation des systèmes hospitaliers tels que Arena et Simula utilisés dans le présent travail pour la simulation du fonctionnement de la maternité. Le quatrième chapitre concerne les méthodes de résolution et l‟optimisation des systèmes hospitaliers. Nous nous intéressons dans ce chapitre essentiellement aux métaheuristiques. Au cours du cinquième chapitre, nous décrivons notre modèle construit pour la conception du fonctionnement de la maternité et ce par l‟implémentation du modèle de connaissance, première étape de la méthodologie ASCI, basée sur les systèmes physique, logique et décisionnel. Le dernier chapitre met en œuvre la simulation du dimensionnement des ressources humaines et matérielles existantes au niveau de la maternité. Un couplage optimisation-simulation par métaheuristique, basée sur le comportement bio-inspiré des colonies d‟abeilles, est appliquée pour assurer un dimensionnement qui conduit à une utilisation optimale des ressources tout en améliorant la durée de surveillance post accouchement afin d‟acquérir une meilleure qualité de service. Enfin, nous concluons notre thèse en présentant un bilan final de notre travail et en ouvrant quelques perspectives de recherches. Chapitre I : Les Systèmes Hospitaliers 3 1. Introduction Dans ce chapitre nous présentons quelques définitions des systèmes en général et des systèmes de production de biens et de soins ainsi qu‟une comparaison entre les systèmes hospitaliers et les systèmes de production. Ensuite, nous présentons la définition de modèle et de simulation. Enfin, nous présentons l‟historique du CHUO ainsi que son organigramme. 2. Notion de système Il existe plusieurs définitions dans la littérature du mot système et parmi elles les suivantes [Belkadi, 2009a]: D‟après Joël De Rosnay, un système est un ensemble d‟éléments en interaction dynamique organisés en fonction d‟un but. Un système est défini selon LeMoigne comme un objet qui, dans un environnement doté de finalités, exerce une activité et voit sa structure interne évoluer au fil du temps, sans qu'il perde pourtant son identité unique. Bouvier définit un système comme étant un ensemble de composants en interaction dynamique œuvrant à un objectif commun, dans un processus organisé qui utilise des ressources et les transforment en produits finaux. Une autre définition donnée par Mélèze, "Des finalités et des buts étant exprimés sur un environnement, un système finalisé est un ensemble organisé de moyens, méthodes, règles et procédures qui permet d'obtenir des réponses satisfaisantes de l'environnement". Toutes les définitions existantes dans la littérature convergent vers le même principe schématisé par la figure (Fig.I.1) et représentant un système sous la forme d‟une entité complexe traitée comme une totalité organisée, formée d‟éléments et de relations entre ceuxci, les uns et les autres étant définis en fonction de la place qu‟ils occupent dans cette totalité et cela de telle sorte que son identité soit maintenue face à certaines évolutions de l‟environnement externe. Chapitre I : Les Systèmes Hospitaliers 4 Fig.I.1. Système Ŕ Environnement [Belkadi, 2009a] Parmi les systèmes, nous avons les systèmes de production, les systèmes hospitaliers, … 3. Définition d’un système de production Un système de production (SP) est un ensemble de ressources matérielles, humaines et informationnelles qui contribuent suivant un processus de transformation pour aboutir à la création de biens ou de services. 4. Définition d’un système hospitalier Sous un point de vue systémique, l‟auteur dans [Boumane, 2006] qualifie un système hospitalier comme étant un système socio-technique dont la mission principale est de prodiguer le meilleur soin au patient : c‟est un véritable système de production de soins (SP de soins) où le patient est à la fois produit et consommateur. 5. Complexité des systèmes hospitaliers La complexité des systèmes hospitaliers réside dans les points suivants : 5.1. Diversité des types d’établissements La diversité des types d‟établissement de santé existant est une première complexité caractérisant les systèmes hospitaliers. En Algérie, le système de santé est organisé autour d‟un secteur public et d‟un secteur privé. Le Ministère de la Santé, de la Population et de la Réforme Hospitalière (MSPRH) gère les soins hospitaliers et de santé du public et contrôle les Chapitre I : Les Systèmes Hospitaliers 5 conditions d‟exercice du secteur privé. Nous trouvons des établissements de santé de différents niveaux de prise en charge suivant les difficultés des soins. L‟infrastructure hospitalière publique est constituée d‟hôpitaux, d‟Etablissements Hospitaliers Spécialisés (EHS) de Centres hospitalo-universitaires (CHU) et d‟Etablissements HospitaloUniversitaires (EHU). Les infrastructures de consultations, de soins et de prévention comprennent les polycliniques, les centres de santé et salles de soins, les centres médicosociaux, les unités de dépistage et de suivi de santé scolaire, les unités de médecine préventive en milieu universitaire, les centres de transfusion sanguine et les officines de pharmacie. L‟armée dispose également de ses propres structures de santé qui dépendent de la Direction Centrale des Services de Santé Militaire au sein du Ministère de la Défense Nationale. 5.2. Diversité des acteurs La diversité des fonctions et des acteurs entrant en jeu dans ces secteurs, qu‟ils soient rattachés ou non à l‟activité de soins, font de l‟hôpital un système complexe dont la gestion soulève un certain nombre de difficultés causées par la multiplicité des missions, la hiérarchisation, le cloisonnement, la diversité des métiers, l‟hétérogénéité des équipements et des installations. 5.3. Singularité du patient L‟activité de soins est en elle-même une activité complexe car elle est spécifique à chaque malade contrairement à une activité de production industrielle basée sur des gammes de production connues à l‟avance. Il n‟existe pas, dans le cas de la prise en charge des patients hospitalisés, de convergence vers un seul type de processus. Au contraire, l‟analyse fait ressortir leur diversité. Les modes de prise en charge dépendent des pathologies en cause, mais aussi des caractéristiques personnelles des patients. Par ailleurs, chaque processus dessine une combinaison spécifique entre différentes phases d‟investigation diagnostique, de début de traitement, de surveillance ou de bilan dont certaines peuvent atteindre des degrés de complexité importants alors que d‟autres conservent un profil relativement simple. 5.4. Aspect d’Incertitude La complexité des systèmes de santé est due à l‟incertitude et la variabilité existante dans la trajectoire de soins depuis son origine (planifiée ou urgente) jusqu‟à son exécution (incertitude des durées) en passant par sa construction (protocole standard ou élaboration progressive) [Trilling, 2006]. Cette incertitude se présente à différents niveaux [Chahed, 2008] : Chapitre I : Les Systèmes Hospitaliers - 6 Incertitude sur la demande : bien que l‟on puisse considérer qu‟une partie de la demande soit déterministe (activités programmées, pathologies saisonnières, ..), l‟aspect aléatoire sur la nature, le volume et la fréquence des demandes (urgences, catastrophes naturelles,..) est présent constamment. La demande de soins est de nature évolutive et non programmée. - Incertitude relative au processus de production de soins qui peut être due à l‟aspect aléatoire de la durée d‟hospitalisation, à celui des durées des activités ou à la séquence des activités à effectuer suite à l‟évolution de l‟état de sante des patients ou au choix de traitements par le praticien. - Incertitude sur la disponibilité des ressources matérielles et humaines pouvant être le résultat de pannes pour les ressources matérielles non consommables, de rupture de stock des ressources matérielles consommables, de congés de maladies pour les ressources humaines. En outre, ce type d‟incertitude peut aussi être du a une évolution de l‟état de santé des patients ou l‟arrivée de demandes urgentes créant ainsi une charge supplémentaire non prévue pour la ressource requise. 5.5. Aspect Risque Un aspect risque prépondérant puisque le service concerne directement la prise en charge d‟êtres humains. Les enjeux ne sont pas les mêmes que ceux présents en industrie manufacturière étant donné qu‟il en va de la vie et du bien être des patients. 6. Comparaison entre les systèmes hospitaliers et les systèmes de production En se basant sur la comparaison faite par [Fei, 2006] entre la gestion des blocs opératoires et les systèmes de production, nous élargissons cette comparaison entre les systèmes hospitaliers et les systèmes de production de biens et de services suivant les cinq axes principaux : les composants du système, ses objectifs, les contraintes principales, la planification et l‟ordonnancement [Jebali, 2004] [Saadani, 2006]. Chapitre I : Les Systèmes Hospitaliers Point de vue Sens Analogies Composant du système Différences Analogies Objectifs Différences Analogies Contraintes principales Différences Système hospitalier 7 Système de production - Salles d‟opération et de - Machines ou centres de production ; consultation, lits et tables d‟intervention ; - Techniciens ; - Equipes de médecins ; - Convoyeurs ou véhicules - Brancards et chariots ; - Matière première ou produit à - Patients à prendre en charge ; transformer ; -… -… D‟une part, la différence entre ces deux systèmes se situe dans leurs «produits». Par rapport au système de production où les processus pour fabriquer les produits sont normalement déterministes, dans le système hospitalier, des services sont offerts aux patients dont l‟état de santé varie et qui ont aussi leurs préférences. De plus, il y a plus fréquemment des cas d‟urgences dans l‟hôpital que dans les systèmes de production. D‟autre part, à la différence du système de production où une machine (ou un centre de production) est normalement occupée par un technicien, les équipes médicales se composent de membres de différentes spécialités (chirurgiens, infirmières, anesthésistes etc.) donc il faut coordonner les activités et les compétences. -Minimiser le coût de stockage de - Minimiser le coût de stockage des médicaments ; ressources matérielles ; - Minimiser le temps de séjour des - Minimiser le temps de passages patients en respectant la qualité du des produits dans l‟atelier ; soin ; - Minimiser la sous-utilisation des - Maximiser l‟utilisation ressources matérielles ou humaines; des moyens chers; - Minimiser le nombre d‟heures supplémentaires de salle d‟opération ; -… -… L‟objectif d‟un système hospitalier consiste principalement à minimiser ses coûts tout en réduisant le taux de mortalité tandis que dans les systèmes de production c‟est surtout une recherche d‟une maximisation des bénéfices qui est réalisée. - Précédence des opérations dans les - Précédence des opérations dans blocs opératoires ; l‟atelier; - Capacité des salles d‟opération et - Capacité des ateliers ; d‟hospitalisation ; - Disponibilité des ressources humaines - Disponibilité des ressources et matérielles nécessaires (médecins, humaines et matérielles anesthésistes, infirmiers et outils nécessaires (les techniciens, les chirurgicaux etc.) ; outils chers etc.); - Etat de santé des patients, comme la - Respect des délais des date limite (date au plus tard de la commandes, respect d‟un niveau réalisation de l‟opération) ; de qualité etc. ; - Respecter les budgets fixés ; - Respecter les budgets fixés ; - … -… Bien que les entreprises doivent respecter certaines contraintes comme les délais des commandes, la qualité du produit etc., il est possible de ne pas les respecter moyennant des pénalités. Cependant ce n‟est pas possible dans les hôpitaux car il s‟agit de vies humaines où certaines contraintes (comme la date limite de l‟intervention) portant sur le patient doivent impérativement être respectées. Autrement dit, la satisfaction des clients dans les hôpitaux est une contrainte inviolable. D‟autre part, le problème d‟affectation des ressources du système hospitalier est plus complexe que celui du système de production car une équipe chirurgicale se compose de plusieurs personnes de spécialités différentes qu‟il faut coordonner. Chapitre I : Les Systèmes Hospitaliers Point de vue Sens Analogies Planification Différences Analogies Ordonnancement Différences 8 Système hospitalier Système de production - Approvisionnement, réception et -Approvisionnement, réception et stockage des produits médicaux ; stockage des matières premières ; - Affectation des patients aux lits - Stockage des produits finaux aux d‟hospitalisation ; stocks ; - Affectation des équipes chirurgicales - Affectation des techniciens aux et ressources matérielles aux machines et des machines aux interventions ; produits ; - Affectation des interventions aux - Affectation des tâches aux salles d‟opération (ou plages horaires) ateliers pendant une période ; pendant une période en respectant les contraintes critiques. Les durées de production dans un système de production sont généralement connues avec précision. Par contre, ce n‟est pas le cas dans le système hospitalier où les durées du processus de soins dépendent de nombreux paramètres (âge du patient, expérience du praticien, état du patient…). Flux des patients dans les blocs Flux des tâches dans un modèle de opératoires (salles d‟opération + SSPI). « flow shop » à deux étages. Dans le système de production, il y a généralement du stockage intermédiaire entre deux étages quand il n‟y a plus de machines disponibles dans le deuxième étage. Par contre, les patients dans un bloc opératoire doivent rester dans les salles d‟opération où ils ont été opérés si aucun lit de réveil n‟est disponible lorsque leur intervention est finie. Le patient commence à se réveiller dans la salle d‟opération. Tableau.I.1. comparaison entre les systèmes hospitaliers et les systèmes de production 7. Systèmes hospitaliers et performances 7.1. Définition d’indicateur de performance Le mot performance signifie ce que le système est capable d‟accomplir. La notion de performance (ou d‟indicateur de performance) présente deux aspects complémentaires à savoir la capacité et la disponibilité. La capacité d‟un système est la mesure en quantité et en qualité de l‟aptitude de ce système à traiter une fonction donnée. La disponibilité exprime la partie du temps pendant laquelle le système peut être employé à des fins productives [Belkadi, 2009a]. Il existe deux types de performances : - Performance externe : qui traduit l‟efficacité du système vis-à-vis du service rendu aux utilisateurs (temps de réponse, débit du système). - Performance interne : qui traduit l‟efficacité du système vis-à-vis de l‟utilisation de ses ressources (taux d‟occupation). Les indicateurs de performance sont identifiés dans le but de lister les dysfonctionnements existants dans le système et d‟entreprendre les actions d‟amélioration à mettre en place. Un indicateur permet donc la mesure de la différence entre le réel et les objectifs pour déterminer si ces derniers sont en voie d'être atteints (Fig.I.2). Chapitre I : Les Systèmes Hospitaliers 9 Fig.I.2. Processus d‟évaluation de performance Un indicateur doit être intelligent, SMART: S : Spécifique, bien décrit, compréhensible par les opérateurs. M : Mesurable, quantifiable en quantité ou en qualité. A: Atteignable. R: Raisonnable. T : Temporel (très important que l'indicateur soit fixé dans le temps). L'indicateur ainsi intelligent, pourra parler de façon efficace et être ensuite associé à un tableau de bord en prévision de prises de décision. 7.2. Evaluation de performances On peut définir trois types d‟évaluation: - Le choix d‟un système parmi un ensemble de systèmes existants. - Le calcul des performances d‟un système donné en vue de l‟optimiser. - La prévision des performances d‟un système nouveau. L‟évaluation de performances peut être faite en utilisant une des techniques suivantes : - Techniques de mesures, - Modélisation par simulation, - Modélisation analytique, et chacune de ces catégories de techniques nécessite des outils plus ou moins spécifiques. Chapitre I : Les Systèmes Hospitaliers 10 L‟évaluation toute seule n‟est pas suffisante mais il faut piloter les indicateurs de performances et entreprendre des actions d‟amélioration (Fig.I.3). Fig.I.3. Cycle d‟amélioration de la performance [Web05, 2010] 7.3. Indicateurs clés de la performance des systèmes hospitaliers Dans le milieu hospitalier les indicateurs de performances peuvent être classés comme suit [Moussa, 2009]: Les indicateurs de structure qui représentent les moyens humains, les équipements et les ressources financières nécessaires à la prise en charge des patients (ex : équivalent temps plein de personnel par activité) ; Les indicateurs de processus qui renseignent principalement sur les pratiques professionnelles appliquées au cours de la prise en charge du patient ainsi que sur les modalités de fonctionnement et de coordination des secteurs d'activité concernés (ex : délai d'obtention d'un rendez-vous) ; Les indicateurs de résultats intermédiaires qui mesurent l'activité et la qualité des différentes étapes du processus de soins (taux de césariennes, taux de vaccination) ; Les indicateurs de résultats finaux en termes de santé qui traduisent un changement de l'état de santé des patients (taux de mortalité) ; Les indicateurs de satisfaction des patients. Chapitre I : Les Systèmes Hospitaliers 11 8. Historique du CHUO Le centre hospitalo-universitaire d‟Oran (C.H.U.O) est un établissement public à caractère administratif. Sa création remonte à 1877, année ou fut la mise en chantier de la construction du premier pavillon du nouvel hôpital [Web01, 2010]. Ce n‟est qu‟en avril 1883 que les malades du vieil hôpital St Lazare sont venus occuper les nouveaux bâtiments du plateau St Michel. Régi d‟abord, par le décret du 23 décembre 1874, puis par celui du 27 décembre 1943, c‟est le décret 57-1090 du 03 octobre 1957 et l‟arrêté du 31 décembre 1957 fixant les conditions d‟organisation et de fonctionnement des établissements hospitaliers qui donnèrent à cet hôpital la dénomination de « Centre Hospitalier Régional d‟Oran ». En exécution des décisions du gouvernement, le centre hospitalier régional d‟Oran est appelé à constituer un ensemble hospitaliers comprenant deux hôpitaux : a- Hôpital de St Michel : 3000 lits. b- Hôpital de Canastel : 1200 lits. Cet ensemble deviendra par la suite, et conformément aux dispositions de l‟ordonnance N° 58-1373 du 30 décembre 1958, le centre hospitalier et universitaire d‟Oran et verra la création de la faculté de médecine d‟Oran. A cette époque, le C.H.U.O a fonctionné avec le personnel suivant : a- Cadre central : - Un directeur - Un directeur adjoint - Un économe - Un médecin psychiatre - Un pharmacien chef - Un pharmacien assistant b- Cadre hospitalier : - 30 médecins, chirurgiens, spécialistes chefs de service. - 52 médecins, chirurgiens, spécialistes assistants. - 44 internes. - 34 religieuses et 1739 agents hospitaliers. Après l‟indépendance, le décret 86-25 du 11-02-1986 portant statut type du C.H.U et le décret 86-299 du 16-12-1986 portant la création du centre hospitalo-universitaire d‟Oran et l‟arrêté interministériel du 26-04-1998 en application des dispositions de l‟article 21 du décret exécutif N° 97-467 du 02-12-1997. Ces textes ont régi l‟organisation du C.H.U.O à ce jour. Chapitre I : Les Systèmes Hospitaliers 12 Le centre hospitalo-universitaire d‟Oran couvre une superficie de 13 hectares, comprenant en plus des services administratifs, économiques généraux et un laboratoire, et ayant une capacité réglementaire d‟hospitalisation de 2142 lits pour une capacité réelle de 2922 lits. Le C.H.U.O est caractérisé par une autonomie financière. Il est crée par décret exécutif sur proposition conjointe du ministre chargé de la santé et du ministre chargé de l‟enseignement supérieur et de la recherche scientifique. Il est chargé, en relation avec l‟établissement d‟enseignement et/ou de formation supérieure en sciences médicales (I.N.E.S.M), des missions de diagnostic, d‟exploitation, de soins, de prévention, de formation, d‟études et de recherches. 9. Organigramme général du C.H.U.O La configuration architecturale de l‟hôpital d‟Oran est de type pavillonnaire, il se compose de 54 services dont 13 extra muros et de structures d‟urgence, de soins, d‟exploitation, de formation et de recherches médicales. Il emploi plus de 6000 travailleurs. Chapitre I : Les Systèmes Hospitaliers 13 Direction Générale Direction des Ressources Humaines S/D du Personnel S/D de la Formation et de la Documentation Direction des Activités médicales et paramédicales S/D de la gestion Administrative du malade S/D des Activités médicales S/D des Activités Paramédicales Direction des Finances et du Contrôle Direction des Moyens matériels S/D de Budget S/D de la pharmacie S/D d‟analyse et de calcul des coûts S/D des équipements et infrastructures S/D des services économiques Fig.I.4. Organigramme général du C.H.U.O [Zahaf, 2010a] Secrétariat général Bureau d‟ordre général Bureau des marchés Bureau de contentieux Bureau de la sécurité Chapitre I : Les Systèmes Hospitaliers 14 DIRECTION DES ACTIVITES MEDICALES ET PARAMEDICALES Sous Direction des Activités Médicales Sous Direction de la Gestion Administrative Sous Direction des Activités Paramédicales Bureau de l‟Organisation et de l‟Evaluation des Activités Médicales Bureau des Entrées Bureau de l‟Organisation et de l‟Evaluation des Activités Paramédicales Bureau de Garde et des Urgences Bureau de l‟Accueil et de l‟Orientation et des Activités socio Thérapeutiques Bureau de la Programmation et du Suivi des Etudiants Bureau des Soins Infirmiers Bureau de la Programmation et du Suivi des Stagiaires Fig.I.5. Organigramme de la direction des activités médicales et paramédicales [Zahaf,2010a] 10. Conclusion Nous avons présenté dans ce chapitre, quelques concepts généraux liés aux systèmes de production de biens et de services et les systèmes hospitaliers. Ensuite, nous avons cité les critères d‟évaluation des performances utilisés dans les systèmes hospitaliers. Enfin, nous avons présenté l‟historique et l‟organigramme du CHUO. Dans le chapitre suivant, nous allons présenter les méthodes de modélisation et la méthodologie ASCI, utilisées dans les systèmes hospitaliers. Chapitre II : Méthodologie de modélisation 15 1. Introduction Depuis quelques années, la modélisation d‟entreprise s‟est imposée comme un moyen incontournable et puissant au service des organisations dans le but d‟améliorer les critères de performances et de faire face à la concurrence du marché. La modélisation d‟un système et plus particulièrement de l‟entreprise permet de représenter sa structure et son fonctionnement actuel ou futur. La modélisation des systèmes est nécessaire pour mieux voir, pour mieux comprendre et pour mieux planifier et agir. Dans ce chapitre, nous commençons par la définition de la notion de modèle et nous listons les objectifs de la modélisation. Ensuite, nous décrivons quelques méthodes de modélisation utilisées dans le domaine des systèmes hospitaliers puis, nous présentons la méthodologie ASCI, adoptée dans la modélisation de notre contexte d‟étude. 2. Notion de modèle Un modèle est une image simplifiée de la réalité qui nous sert à comprendre le fonctionnement d‟un système en fonction d‟une question. Dans la littérature un modèle est la représentation d‟une certaine réalité. Pour un observateur A, β est un modèle du système B, si A peut, à partir de β apprendre quelque chose d‟utile sur B [Minsky, 1965] (Fig.II.1). Fig.II.1. Schéma cyclique de l‟utilisation d‟un modèle [Minsky, 1965][Belkadi, 2009a] Un modèle est la représentation schématique d‟un processus. Il s‟agit d‟une abstraction de la réalité : il doit permettre de reproduire, simplifier et expliquer la réalité. Il reste une vue subjective mais pertinente de la réalité. Chapitre II : Méthodologie de modélisation 16 3. Objectifs de la modélisation Les modèles sont élaborés à partir de l‟observation du fonctionnement sur le terrain et le témoignage des acteurs et la mise en commun de leurs connaissances. Ainsi la modélisation d‟un système hospitalier permet de représenter sa structure et son processus de fonctionnement selon un point de vue (Fig.II.2) à savoir : - Vue processus de prise en charge du patient, qui décrit l‟ensemble des activités contribuant à la production des soins ; - Vue système physique, qui décrit les ressources humaines et matérielles nécessaires à la réalisation de l‟activité de production du soin ; - Vue système d‟information, qui fait la synthèse de toutes les données utilisées et manipulées par les différentes activités (informations médicales, dossier patient, informations administratives, protocoles et procédures, documents qualité et traçabilité, indicateurs, etc.) ; - Vue décisions, qui décrit le processus de prise de décisions permettant de piloter l‟activité de production de soins en prenant en compte les objectifs de performance, les règles et les contraintes ; - Vue organisation, qui décrit les différents niveaux hiérarchiques et de responsabilité en prenant en compte les compétences métiers. La sélection d‟un point de vue permet d‟offrir plusieurs représentations possibles pour une même réalité avec le but d‟atteindre les objectifs suivants : Meilleure compréhension du système, Meilleure communication entre les acteurs, Evaluation de la performance par l‟intermédiaire d‟indicateurs, Analyse des dysfonctionnements, Simulation du comportement du système (pour le dimensionnement de ressources par exemple), Spécification d‟applications informatiques. Chapitre II : Méthodologie de modélisation 17 Fig.II.2. Démarche de mise en œuvre de la modélisation [Trilling, 2006] 4. Classification des méthodes de modélisation Nous trouvons dans la littérature, différentes classifications des approches de modélisation. Dans [Shen, 2004] les auteurs présentent les méthodes de modélisation en trois niveaux. Le niveau supérieur est celui des architectures de référence pour la modélisation d‟entreprise, telles que CIMOSA (Computer Integrated Manufacturing Open System Architecture), GIM (GRAI Integrated Method) et PERA (Purdue Enterprise Reference Architecture); le niveau moyen concerne les techniques de modélisation de système à savoir les méthodologies structurées telles SADT (Structured Analysis and Design Technique) et les techniques orientées objet utilisant UML (Unified Modeling Language) ; et au niveau inferieur, nous trouvons les méthodes de modélisation permettant d‟appréhender des vues spécifiques du système, soit la vue fonctionnelle avec IDEF0, la vue informationnelle avec ERM (EntityRelationship Modeling), la vue décisionnelle avec GRAI (Graphe à Résultats et Activités Inter reliés), la vue organisationnelle avec les organigrammes techniques, la vue économique avec ABC (Activity Based Costing) et la vue dynamique avec IDEF2 (IDEF Dynamic Modeling Method). Dans [Trilling, 2003], l‟auteur classifie les différentes méthodes, architectures de référence et les techniques de modélisation en quatre catégories : Chapitre II : Méthodologie de modélisation 18 - Les approches structurées qui s'appuient sur l'analyse des fonctions que doit remplir le système ; elles se basent sur le principe de décomposition descendante hiérarchique, modulaire et structurée (du général au spécifique) telles que SADT, SART et IDEFx [Mayer, 1995]. Malgré la simplicité de ces méthodes, la parcellisation de l'analyse centrée sur les fonctions engendre des redondances sur les données, celles-ci n'étant pas prises en compte dans ces méthodes. - Les approches systémiques basées sur l‟interaction des systèmes et plus particulièrement sur des flux : MERISE, GRAI, GIM, PERA, CIMOSA, GIRAM, UEML. Elles s'inspirent de la théorie systémique des organisations combinée à une approche conceptuelle. Ici la modélisation est abordée selon deux points de vue complémentaires : les données et les traitements. - Les approches orientées processus fondées sur l‟analyse et la réorganisation des systèmes suivant les processus mis en œuvre dans l‟entreprise : ARIS, SCOR, EPRE et MECI. - Les approches orientées objet souvent orientées conception de système d‟information, le but était de modéliser un système tout à la fois d'un point de vue structurel, fonctionnel et dynamique, en partant d'un travail d'abstraction tel que UML. Le formalisme de cette approche ressemble fort à celui des méthodes systémiques, mais ici tout est objet, et l'aspect dynamique de la vie des objets revêt un caractère décisif. Pour limiter les ambiguïtés et faciliter l'analyse, ces démarches comportent à la fois un langage commun permettant de représenter des concepts (vocabulaire) et des règles (grammaire). 5. Quelques méthodes utilisées dans la modélisation des systèmes hospitaliers Dans cette section, nous décrivons quelques méthodes les plus utilisées dans les systèmes hospitaliers : 5.1. SADT La méthode SADT (Structured Analysis and Design Technics) est une méthode de modélisation développée par Softech (USA) et IGL Technologie (France) en 1977 pour l‟analyse des systèmes complexes. Elle offre une analyse fonctionnelle descendante, permettant une modélisation modulaire et progressive de systèmes complexes. SADT est une démarche de modélisation d‟un système complexe ou d‟un processus opératoire. Cette méthode offre également un formalisme graphique clair, pouvant être utilisé comme outil de Chapitre II : Méthodologie de modélisation 19 communication synthétique et universel. Les confusions d‟interprétation sont ainsi minimisées grâce à l‟utilisation d‟une syntaxe simple. L‟analyse du système est réalisée grâce à une collection de diagrammes organisés hiérarchiquement et composés d‟un nombre fini d‟éléments. Cette modélisation permet la représentation conjointe d‟actions (actigrammes) et d‟informations (datagrammes), organisées au sein d‟une structure arborescente. Une fonction est représentée par une «boîte » ou un «module » selon la vue considérée (datagramme ou actigramme). Quatre types de flèches sont utilisés pour définir les contraintes de liaisons entre boîtes. La figure (Fig.II.3) présente un exemple de boîte : les entrées sont les entités entrantes à traiter, les sorties sont les entités sortantes modifiées par le processus, les contrôles sont les contraintes d‟exécution, et les mécanismes sont les ressources requises pour cette activité. Une fonction Ai peut ensuite être décomposée au niveau inférieur en un nombre fini m de sous-fonctions constituantes notées Ai1, . . . ,Aim. Fig.II.3. Représentation d‟une fonction SADT La méthode SADT a été utilisée pour la modélisation du processus d‟intervention chirurgicale dans [Chaabane, 2004]. 5.2. IDEFx La famille de technique de modélisation IDEF (Integrated DEfinition for Function modeling) se base sur un ensemble de formalismes permettant la représentation et la modélisation du processus et des structures de données dans un mode intégré. La suite IDEF se compose d‟un certain nombre de techniques indépendantes [Mayer, 1995], la plus connue IDEF0. Les modèles IDEF0 dérivés de SADT admettent une structure arborescente (Fig.II.4) permettant d‟organiser un ensemble de diagrammes représentant de façon hiérarchique les Chapitre II : Méthodologie de modélisation 20 fonctions des processus identifiés. Ces fonctions sont des activités de prise de décisions, des activités de transformation d‟informations ou des activités de transformation physique. Fig.II.4. Formalisme de IDEF0 IDEF0 a été utilisée dans [Bell, 2004] pour la modélisation du processus de gestion des médicaments et elle a été combinée avec la méthode GRAI dans [Chahed, 2008] pour la modélisation du processus d‟hospitalisation à domicile (HAD). 5.3. GRAI GRAI (Graphes et Réseaux d‟Activités Inter-reliés) est une méthodologie d‟analyse et de conception des systèmes de décision et de gestion de production. La force de la méthode GRAI réside dans sa capacité à fournir aux utilisateurs la possibilité de modéliser efficacement le système décisionnel de l‟entreprise, à savoir l‟organisation des processus qui génèrent les décisions. La méthodologie GRAI fournit un modèle de référence basé sur les concepts de système et de processus et utilisant deux outils principaux : la grille GRAI pour le modèle du système décisionnel et les réseaux GRAI pour le modèle détaillé de chaque centre de décision [Roboam, 1993]. La grille GRAI apporte une vision macroscopique globale du système et permet de représenter le système décisionnel de l‟entreprise selon deux axes : vertical (axe du temps) et horizontal (type de décision). Cette matrice permet de coordonner la vue fonctionnelle de l‟entreprise et la vue processus par niveau de décision. A l‟intersection entre les fonctions et les périodes temporelles se trouvent les centres de décision qui s‟échangent des flux. Un centre de décision est un ensemble d‟activités de décision appartenant à un même couple horizon-période et remplissant une même fonction. Le réseau GRAI permet la représentation Chapitre II : Méthodologie de modélisation 21 des activités de décision. Le but de ces diagrammes est de connecter entre eux activités et résultats de ces activités. La figure (Fig.II.5) offre une représentation des outils GRAI. Fig.II.5. Représentation des outils GRAI [Augusto, 2008] La méthodologie GRAI ainsi que l‟outil GRAITools a été utilisée dans [Glaa, 2008] pour la modélisation du processus de prise en charge des urgences. 5.4. ARIS ARIS (Architecture Reference Integreted System) est à la fois une approche orientée processus et un environnement de modélisation [Scheer, 2001] [Scheer, 2006]. L‟approche par processus focalise l‟analyse et la réorganisation des systèmes sur les processus mis en œuvre dans l‟entreprise. Un processus est un ensemble d‟activités qui met en relation des structures organisationnelles transversales par rapport à l‟organisation fonctionnelle et hiérarchique. La philosophie du Reengineering favorise l‟échange d‟information et développe la coopération entre les acteurs du processus de l‟entreprise. Elle correspond à une manière nouvelle de représenter les modèles de l‟entreprise et propose de nouvelles formes d‟organisation pour celle-ci. IDE Scheer, l‟éditeur des produits ARIS, fournit les outils intégrés de conception, de mise en œuvre et de contrôle des processus d‟entreprise. Parmi ces outils on trouve ARIS Toolset qui est un logiciel utilisé pour la définition, la modélisation, l‟analyse et l‟optimisation des processus. Le cadre de modélisation ARIS, représenté sur la figure (Fig.II.6) est bâti sur une approche multi niveaux (conceptuel, technique, implémentation) et multi vues (fonction, information, organisation, contrôle). Le modèle se fonde sur une modélisation des processus par un diagramme de processus, réalisée à l‟aide d‟une boite à outils. Pour chaque vue un panorama de modèles est proposé. Chapitre II : Méthodologie de modélisation 22 Fig.II.6. Approche processus de ARIS [Scheer, 2006] [Mebrek, 2008] 5.4.1. Vue Organisationnelle Elle permet de représenter les unités organisationnelles formées (en tant que responsables des tâches à accomplir) et leurs interconnexions afin de réaliser les objectifs de l'entreprise. Les liens représentent les relations entre les unités organisationnelles et les rapports hiérarchiques. La modélisation de l‟organigramme est le point de départ de la modélisation de l‟entreprise. Elle permet de déclarer tous les acteurs des processus afin qu‟ils soient réutilisés tout au long de la modélisation. 5.4.2. Vue des données Elle comporte les données agissants sur le processus ainsi que les messages qui sont déclencheurs des fonctions ou déclenchés par ces dernières [Scheer, 2006]. Chapitre II : Méthodologie de modélisation 23 5.4.3. Vue des processus On peut représenter à l‟aide de cette vue la vue organisationnelle, la vue de donnée et la vue de fonction qui nous donne une vue détaillé et globale du fonctionnement d‟un système [Mebrek, 2008]. 5.4.4. Vue des fonctions C‟est une vue composée de l‟ensemble des processus qui permettent de transformer les entrées en sorties. Les objectifs sont rattachés à cette vue dans la mesure où ils sont associés aux fonctions. Les applications, qui définissent les règles de déroulement d‟une fonction, sont aussi présentées dans cette vue [Moussa, 2009]. La méthode ARIS a été utilisée dans plusieurs travaux modélisant le processus de fonctionnement dans le milieu hospitalier [Trilling, 2006], [Chauvet, 2005], [Féniès, 2006], [Mebrek, 2007] et [Rodier, 2010]. 5.5. UML UML (Unified Modelling Language) est un langage de modélisation et de spécification non-propriétaire orienté objet principalement utilisé dans le domaine du développement informatique. UML propose un ensemble de notations graphiques standardisées regroupées en treize types de diagrammes. UML se décompose en plusieurs sous-ensembles : (i) les vues, permettant de décrire le système d‟un point de vue donné (organisationnel, dynamique, temporel, architectural, etc.), (ii) les diagrammes, permettant de décrire graphiquement le contenu des vues, qui sont des notions abstraites, et (iii) les modèles d‟élément, briques de base d‟UML utilisés dans plusieurs types de diagrammes. UML est vu comme un support de communication universel, permettant la représentation de plusieurs vues complémentaires d‟un système avec plusieurs niveaux d‟abstraction. Grâce à son formalisme graphisme, UML permet d‟exprimer visuellement l‟information en limitant les ambigüités et les incompréhensions. UML a été utilisé dans [Augusto, 2008] pour la modélisation de l‟unité neuro-vasculaire, la pharmacie et le bloc opératoire 5.6. Réseaux de Petri Un réseau de Petri est un modèle mathématique permettant la représentation de systèmes distribués discrets (informatiques, industriels, etc.). Un réseau de Petri est également un Chapitre II : Méthodologie de modélisation 24 langage de modélisation représenté sous forme d‟un graphe biparti orienté composé de nouds appelés places et transitions, connectés par des arcs orientés pondérés. Les réseaux de Petri sont un ensemble d‟outils permettant à la fois la spécification fonctionnelle, la modélisation et l‟évaluation des systèmes de production. Un tel outil permet l‟étude des relations de dépendances entre les ressources impliquées ainsi que la représentation de processus concurrents régis par des contraintes de précédence. Les réseaux de Petri permettent l‟analyse d‟un grand nombre de propriétés, favorisant la validation du modèle. Dans le milieu hospitalier, les réseaux de Petri ont été utilisés dans [Sampath, 2006] où leur utilisation permet d‟aider et d‟assister l‟organisation de la planification hospitalière et du système de réponse aux urgences. Ils ont été utilisés dans [Celano, 2006] afin de simuler le fonctionnement du département de radiologie d‟un hôpital et ils ont été aussi combinés avec la modélisation UML dans [Augusto, 2008] pour la modélisation du bloc opératoire et de la pharmacie. Chapitre II : Méthodologie de modélisation Méthode de modélisation SADT IDEF GRAI ARIS UML Réseaux de Petri 25 Points Faibles - Absence d‟opérations de logique booléenne (ET, OU, etc). - Les flux ne peuvent être différenciés en fonction de leur nature (types de flux et types de ressources) par exemple, les activités liées au patient sont mêlées aux activités préparatoires réalisées par les ressources. - Absence de l‟aspect dynamique ce qui rend sa transformation en un modèle de simulation difficile. - Permet uniquement la représentation des activités du système et leurs interrelations sans faire apparaitre directement les dépendances logiques et les durées entre elles [Pichel, 2003]. - Une grille GRAI est difficile à lire si toutes les décisions d‟un système sont modélisées. - La correspondance entre vue décisionnelle et vue processus est difficile à réaliser. - C‟est un cadre de modélisation et aucune méthodologie n‟est fournie. - Les fonctionnalités de simulation sont restreintes. - Sa mise en pratique est dangereuse car la modélisation est totalement libre et les outils sont variés. - UML doit être spécifié pour être utilisé dans un cadre précis sans risque d‟erreur. - La représentation de systèmes complexes donne lieu à des réseaux illisibles. - Le formalisme graphique des réseaux de Petri n‟est pas intuitif et difficile à comprendre pour une personne non-initiée. Points Forts - Sa structure hiérarchisée par niveau permet une représentation claire d‟un système. - Les diagrammes sont intemporels. - Assure la consistance du système modélisé à chaque niveau de décomposition. - Méthodologie complète permettant une représentation originale du système. - Excellente représentation du système de décision. - Elle offre une représentation graphique attrayante et intuitive. - La vue organisation structure le modèle et assure la cohérence entre les vues. - La représentation distincte d‟activités, de données et de ressources dans un même modèle est possible. - L‟intégration d‟informations dynamiques est possible (durées opératoires par exemple). - UML est un langage formel et normalisé, offrant précision et stabilité. - UML est un support de communication performant, permettant de cadrer l‟analyse ; la compréhension de représentations abstraites complexes est facilitée et son caractère polyvalent et sa souplesse en font un langage universel. - Offre un langage de modélisation précis et rigoureux. - Permet la mise en évidence de certains types de comportements généraux à l‟aide de ses propriétés. - Les similitudes de comportement entre réseaux de Petri élémentaires et systèmes de production discrets permettent la mise en œuvre de techniques originales pour la planification et l‟ordonnancement. Tableau.II.1. Points faibles et points forts de quelques méthodes de modélisation Chapitre II : Méthodologie de modélisation 26 6. Méthodologie de modélisation ASCI Afin de réaliser une modélisation complète et fiable, il est indispensable d‟élaborer une démarche structurée et flexible qui répond aux enjeux relatifs à la gestion des systèmes complexes. La méthodologie ASCI (Analyse, Spécification, Conception, Implantation) est une démarche présentée par Gourgand et Kellert en 1991 [Gourgand, 1991] pour la modélisation des systèmes de production complexes. Elle résulte de réflexions menées pour chercher à formaliser le savoir-faire des experts en modélisation tout en permettant aux gestionnaires qui exploitent cette méthodologie, d‟utiliser facilement et de manière autonome ce savoir-faire pour formaliser leur connaissance du domaine et ensuite exploiter les différents modèles d‟aide à la décision. Cette méthodologie est basée sur une décomposition hiérarchique en trois sous-systèmes (logique, physique et décisionnel). - Le sous-système physique (SSP) décrit la topologie des voies de circulation (au sens large du terme), leur répartition géographique, leurs caractéristiques techniques et les liens (simple ou complexe) qui permettent leur assemblage, - Le sous-système logique (SSL) contient la description des flux qui parcourent le système. Ceci est réalisé à l'aide de la notion de trajets et des contraintes associées à respecter (par exemple temporelle), - Le sous-système décisionnel (SSD), ou système de pilotage, contient les règles de fonctionnement du système et les algorithmes nécessaires pour son pilotage. Ce sous-système est le plus complexe et le plus évolutif. Il est donc nécessaire de le structurer en centres de décision. Les trois sous systèmes sont indépendants, mais échangent des informations sur l‟état du système et sur son fonctionnement (Fig.II.7). Chapitre II : Méthodologie de modélisation 27 Fig.II.7. Communication entre les trois sous systèmes [Mebrek, 2008] La démarche ASCI a été utilisée avec succès non seulement dans les systèmes de production [Gourgand, 1991], mais aussi dans la modélisation des systèmes de trafic urbain [Chabrol, 2001] et elle a été adaptée aux systèmes hospitaliers [Combes, 1994], [Chabrol, 2005], [Chauvet, 2005], [Gourgand, 2007], [Chabrol, 2008a], [Mebrek, 2008], [Belkadi, 2008], [Chabrol, 2009], [Chauvet, 2009] et [Rodier, 2010]. Pour modéliser un système hospitalier, la méthodologie ASCI met en œuvre un processus de modélisation qui préconise explicitement la construction de deux modèles nommés modèle de connaissance et modèle d‟action (modèles informatiques). Pour cela, le processus de modélisation est itératif et se compose de quatre étapes (Fig.II.8): - la construction d‟un modèle de connaissance, - l‟élaboration d‟un modèle d‟action à partir du modèle de connaissance, - l‟exploitation d‟un modèle d‟action, - les modifications éventuelles sur le système. La construction du modèle de connaissance doit être réalisée en collaboration avec les experts du domaine. Ce modèle doit rester cohérent dans le temps, quel que soit son niveau de finesse et quelles que soient les évolutions apportées au système lors de son utilisation. Les objectifs à atteindre lors de l‟étude doivent être clairement identifiés de façon à connaître les problèmes à résoudre. Ceci fait partie de l‟identification précise du contexte et des limites de Chapitre II : Méthodologie de modélisation 28 l‟étude. La construction du modèle de connaissance consiste en la récolte et la formalisation de la connaissance sur le système étudié. Une phase d‟analyse fonctionnelle et structurelle formalise le système sous une forme graphique ou syntaxique. Une méthode de décomposition peut être employée pour faciliter la formalisation de la connaissance lorsque le système étudié est complexe. Une phase de spécification, permet l‟expression du fonctionnement des entités du système et des flux. En particulier, le système de pilotage doit être spécifié de façon précise, compte tenu des événements à prendre en compte. Le format des données d‟entrée du système doit être spécifié. La spécification ainsi réalisée doit permettre aux experts en modélisation et aux experts du système de s‟accorder sur le fonctionnement (réel ou désiré) du système. La construction du modèle de connaissance nécessite l‟utilisation d‟outils et/ou de formalisation adaptés. Après la construction du modèle de connaissance, il y a la traduction de ce modèle en utilisant un modèle d‟action, ce modèle d‟action est construit soit avec un modèle mathématique, analytique ou modèle de simulation. Enfin les performances de ce modèle d‟action sont traduites en un modèle de résultat (tableau de bord,…). Fig.II.8. Processus itératif de la méthodologie ASCI [Chabrol, 2008b] Chapitre II : Méthodologie de modélisation 29 Nous trouvons dans la littérature [Chauvet, 2005] [Colomb, 2007], la démarche ASCI décrite en cinq étapes de telle sorte que l‟étape d‟étude de l‟existant et observation du système soit séparée de l‟étape de construction du modèle de connaissance et donc nous avons une démarche en cinq étapes : - Comprendre le système Il s‟agit d‟observer le système étudié, d‟interroger les acteurs de ce système afin d‟identifier les flux et processus internes et les échanges avec l‟extérieur. Tout ce qui a été observé ou noté au cours de cette étape doit être retranscrit pour pouvoir être utilisé au mieux et validé par les acteurs du système afin d‟éviter toute erreur ou toute confusion qui remettraient en cause la suite de la procédure. - Elaborer le modèle de connaissance A partir de l‟étape précédente, il s‟agit maintenant de formaliser toutes les informations obtenues sous forme de schémas structurés et interdépendants, pour ordonner et symboliser les flux, ce qui rendra possible par la suite l‟élaboration du modèle d‟action. - Elaborer le modèle d’action Cette étape correspond au passage du modèle de connaissance sous forme de schémas au modèle d‟action qui prend la forme d‟une simulation des flux. Grâce à ce modèle de simulation, différentes hypothèses en matière de flux peuvent être testées. - Analyser les résultats Cette étape consiste à tester différents scénarios en matière de flux, en les quantifiant, ce qui permet d‟évaluer les ressources nécessaires et l‟activité du futur système. - Prendre la décision A l‟issue des résultats proposés, les responsables prendront une décision en choisissant une des solutions proposées ; si à l‟issue de l‟analyse des résultats aucune solution satisfaisante n‟est trouvée, le processus repartira au début, c'est-à-dire, à la première étape « Comprendre le système ». 7. Conclusion Nous avons présenté, dans ce chapitre, les objectifs de la modélisation et la classification des méthodes et techniques de modélisation ainsi que la mise en évidence des avantages et inconvénients de chacune d‟elles. Nous avons décrit aussi le principe de la méthodologie ASCI qui est bien adaptée pour la modélisation des systèmes hospitaliers. Chapitre III : Méthodes de Simulation 30 1. Introduction Dans ce chapitre nous exposons la notion de simulation et ses différents types ainsi que la présentation de quelques outils utilisés dans la simulation des systèmes hospitaliers. Puis nous présentons les outils de simulation que nous avons utilisé pour l‟implémentation de notre modèle d‟action. 2. Notion de simulation La simulation est l‟imitation des opérations effectuées par un système réel et de son comportement à travers un modèle. Elle comporte la génération artificielle de l‟évolution du système à partir d‟un état initial pour obtenir un état final (Fig.III.1), représentant son histoire sur une période plus ou moins longue, et l‟observation de cette histoire pour en déduire des critères de performance du système [Mebrek, 2008]. La simulation permet de réaliser des expérimentations qui peuvent être coûteuses si elles sont appliquées sur le système réel. C‟est un outil d'aide à la décision permettant d'éviter des investissements inconsidérés [McKee, 1999]. Fig.III.1. Principe de la simulation La simulation est très utile dans les cas suivants [Fleury, 2007]: Le système est complexe et n‟est pas décomposable en sous-systèmes plus simples et indépendants les uns des autres. C‟est la condition essentielle qui impose une simulation de ce système. Le système n‟existe pas encore et une étude préliminaire (phase de conception) est en cours. Par exemple, pour préciser le dimensionnement d‟un atelier de fabrication de pièces mécaniques, il faut évaluer les performances que doivent réaliser les machines à utiliser, leur nombre, leur emplacement, les transporteurs nécessaires, puis il faut vérifier le fonctionnement correct du système en projet, son adéquation aux performances attendues. Chapitre III : Méthodes de Simulation 31 Les expériences sur le système réel coûtent cher, ou sont impossibles à réaliser pendant son fonctionnement [Barnes, 1997]. Par exemple, modifier le rythme cardiaque dans le système circulatoire pour en mesurer l‟impact est une expérience peu recommandée. Le système est inaccessible : le système circulatoire en est un excellent exemple. Les temps d‟observation nécessaires sur le système réel sont incompatibles avec les besoins : l‟évolution du système est très rapide, de sorte que, à l‟échelle humaine, les changements d‟état du système semblent continus, ou cette évolution est au contraire très lente, de sorte que le système n‟évolue pas à l‟échelle de temps dont on dispose pour mener l‟étude (c‟est généralement le cas d‟un système écologique, qui évolue très lentement à l‟échelle humaine). Faire des expériences sur le système réel est dangereux [Kurrek, 2010] ou peut avoir des conséquences graves : pensons au système circulatoire, ou au danger que peut représenter la mise en œuvre d‟une expérimentation dans une raffinerie de pétrole … 3. Caractéristiques des modèles de simulation Les modèles de simulation sont caractérisés par plusieurs propriétés [Web02, 2010] à savoir : stochastique ou déterministe, continu ou discret [Rubinstein, 2008], statique ou dynamique. 3.1. Modèle de simulation stochastique Connue aussi sous l‟appellation de Monte Carlo [Kreke, 2004] [Rubinstein, 2008] [Cabarbaye, 2009], un modèle de simulation stochastique nécessitera la connaissance de lois de probabilité pour représenter le système et une simulation du hasard pour décrire son fonctionnement. La plupart des systèmes sont stochastiques [Fleury, 2007] et l‟on approche souvent leur comportement en faisant intervenir des lois de probabilité. 3.2. Modèle de simulation déterministe Un modèle déterministe est un modèle ne faisant pas intervenir le hasard où toutes les variables sont fixes à l‟avance et sont certaines. 3.3. Modèle de simulation continu Un modèle est dit continu si l‟ensemble des instants considérés forme un intervalle compact sur l‟axe des temps. Chapitre III : Méthodes de Simulation 32 3.4. Modèle de simulation discret Contrairement au modèle continu, le modèle de simulation à évènements discrets consiste à simuler un système dont l‟état évolue au cours du temps selon une représentation dans laquelle les variables d‟état changent à certaines dates précises. Les évènements se produisent à ces dates, un évènement étant une occurrence instantanée susceptible de faire évoluer l‟état du système. 3.5. Modèle de simulation statique Le modèle n‟évolue pas au cours du temps et donc ne représente pas le passage du temps en d‟autres termes les valeurs de ses variables ne se modifient pas dans le temps. 3.6. Modèle de simulation dynamique Représenter la dynamique d‟un système consiste à représenter les instants auxquels le système change d‟état [Fleury, 2007]. Un changement d‟état du système se produit lorsqu‟une entité (machine, unité de stockage...) change d‟état, ce qui correspond, par exemple, à l‟arrivée ou au départ d‟une pièce ou d‟un client, ou encore à l‟indisponibilité d‟une machine ou un serveur suite à une panne. Dans [Fleury, 2007], les auteurs classent les modèles de simulation en deux catégories : les modèles de simulation déterministes ; les modèles de simulation stochastiques. et chacune de ces deux catégories peut avoir les caractéristiques cités dans les sections (3.3, 3.4, 3.5 et 3.6), la figure (Fig.III.2) illustre la taxonomie des modèles de simulation. Chapitre III : Méthodes de Simulation 33 Modèle de simulation Déterministe Statique Stochastique Dynamique Statique Dynamique Simulation Monte Carlo Continu Discret Continu Discret Simulation à évènement discret Fig.III.2. Taxonomie des modèles de simulation [Park, 2005] La simulation à évènements discrets est la plus utilisée dans le domaine de commerce et de la santé [Su, 2003] [Young, 2009]. 4. Simulation à évènements discrets La simulation par évènements discrets désigne la modélisation d‟un système réel tel qu‟il évolue dans le temps par une représentation dans laquelle les grandeurs caractérisant le système (variables) ne changent qu‟en un nombre fini ou dénombrable de points isolés dans le temps (instants) [Connelly, 2004] [Belkadi, 2009b]. Chaque changement d‟état se produisant à un instant donné est appelé évènement (Fig.III.3). Fig.III.3. Simulation à évènements discrets Chapitre III : Méthodes de Simulation 34 Trois approches de simulation à événements discrets possibles : approche par événement, approche par activité et approche par processus [Michel, 2004] [Fleury, 2007]. Un événement est un instant précis de changement d‟état de ressource (t1, t2, t3…). Une activité est un intervalle de temps pendant lequel l‟état de la ressource ne change pas (par ex: ak, ak+1…). Un processus est une succession d‟un nombre fini d‟états d‟une ressource (a 0,…,ak…). Si nous prenons l‟exemple d‟un système hospitalier, les évènements sont les instants où se modifient les variables du système à savoir : - L‟arrivée d‟un patient au niveau d‟un service ; - La prise en charge d‟un patient par un médecin ; - La sortie du patient du service. 5. Outils et langages de simulation Il existe plusieurs outils et langages de simulation qui permettent de traduire un modèle de connaissance en plusieurs modèles d‟action. Le choix de l‟outil ou du langage de simulation repose sur la souplesse de ces derniers ainsi qu‟aux objectifs du système cible. Plus de deux cent produits de simulation sont disponibles dans le commerce [Moussa, 2009] et une douzaine de logiciels conçus pour la simulation, parmi lesquels nous retrouvons Arena, Witness, Flexim et autres [Belbachir, 2009]. Les expériences de simulation utilisent le formalisme de la théorie de files d‟attente et donc il est possible d‟obtenir une aide puissante à l‟écriture du logiciel, si un langage possède des fonctions de type « mise en file d‟attente », « gestion de priorités », « serveur », etc. Il existe trois types de langages pour la mise en œuvre de la simulation [Hebuterne, 2000]: 1. Un langage de programmation universel (C, Fortran, …). Il faut alors écrire soi-même toutes les procédures de simulation (gestion de l‟échéancier, mise en file, tirage de variables aléatoires, prise de mesure, édition). 2. Un langage de simulation universel qui prend en charge toutes les fonctions énumérées précédemment, déchargeant ainsi l‟usager d‟une lourde tâche d‟écriture. Parmi ces langages nous citons : SIMSCRIPT, GPSS, SIMULA. Ces langages de première génération travaillent en mode texte. Bones, OP-NET. Ces langages sont plus modernes et offrent des interfaces graphiques, une gestion de bibliothèques, animation, etc. Chapitre III : Méthodes de Simulation 35 3. Un langage spécifique à l‟application ou à une classe d‟applications tel que le simulateur du langage QNAP. Le modèle que construit l‟utilisateur se présente, non pas comme une description du système, mais comme une paramétrisation d‟un modèle préexistant : c‟est la force de ce type de langage (gain en sureté et en rapidité), mais sa faiblesse réside dans l‟impossibilité de l‟utiliser dans un autre cadre. Lorsque l‟on passe du langage de type 1 au 2 puis 3 : Le temps d‟écriture du modèle de simulation diminue ; La confiance dans le modèle augmente (l‟effort de la validation est réduit) ; mais L‟effort de formation accroit (nécessité d‟apprendre un langage spécialisé) ; Le coût d‟exploitation du modèle augmente ; La portabilité est diminuée. Nous présentons l‟outil de simulation Arena et le langage Simula que nous avons utilisé dans notre travail respectivement pour la simulation des blocs opératoires de la maternité et du bloc d‟accouchement par voie basse. 5.1. ARENA Arena est un outil graphique facilitant la modélisation et l‟animation des systèmes, il offre une traçabilité et une analyse des données en sortie. Son noyau est implémenté sous le langage de simulation SIMAN [Pegden, 1992] [Takus, 1997]. Arena se base sur le principe des objets et la modélisation hiérarchique. Ces deux concepts représentent le fondement de Arena [Pegden, 1992]. Le paradigme objet permet de représenter les entités du système groupés dans une bibliothèque appelée elements. Le principe de la modélisation hiérarchique et modulaire permet la réutilisation des modèles dans d‟autres applications, de minimiser le temps de développement et d‟éviter des erreurs de modélisation. Afin de réutiliser les modèles développés, Arena enregistre ces modèles sous forme de modèles génériques en définissant les points de connexions d‟entrées et de sorties (disponible sous la version professionnelle de Arena). Ces modèles peuvent être connectés avec des blocs élémentaires Arena pour construire des systèmes plus complexes. Cela permet, une modélisation de haut niveau avec moins d‟erreurs. Le modèle d‟animation Arena facilite la communication avec les experts du domaine qui ne sont pas forcement issus du domaine de la simulation. Chapitre III : Méthodes de Simulation 36 5.2. SIMULA Créé par Ole-Johan Dahl et Kristen Nygaard, Simula (Simple Universal Language) est le premier langage qui a introduit la notion de classe et d‟objet, utilisée plus tard dans Smalltalk et C++. A l'origine Simula était un langage destiné à la simulation d'évènements discrets en recherche opérationnelle, plus puissant et plus riche que le premier langage de simulation GPSS (General Purpose Simulation System) [Krour, 2008]. Il fut progressivement étendu comme un langage universel en ayant comme base le langage Algol 60. Sa caractéristique principale est la structure de blocs présente aussi en Pascal. La richesse de sa structure en fait un langage approprié pour la simulation d‟évènements modélisés en utilisant les files d‟attentes. La première version de SIMULA est apparue en 1962 sous la dénomination SIMULA I. Son évolution a généré une autre version en 1967 sous le nom SIMULA 67. La version actuelle de SIMULA a été définie en 1986 et dérive de SIMULA 67 [Dahl, 2001][Web06, 2010]. De nombreuses classes existantes prolongent les possibilités du langage en gestion de transactions et de calcul de statistiques. La classe GPSSS [Tanguy, 2007], issue du langage GPSS fournit les objets de base tels que le service, le stockage, les notions de transaction et de régions statistiques, de plus un rapport de simulation est automatiquement généré. 6. Conclusion La simulation est un outil puissant et universel. Les gains à tirer d‟une expérience de simulation sont variés : description (validation d‟une architecture), explication (observation, expérimentation sur une maquette) et prédiction (mesure de performances ou prévision de comportement). Son champ d‟application recouvre les problèmes d‟analyse, de conception, et d‟optimisation. C‟est un instrument idéal de « décideur », aussi bien que de technicien. Chapitre IV : Méthodes de Résolution et Métaheuristiques 37 1. Introduction Les systèmes de production de biens et de service présentent souvent une double complexité, une complexité structurelle et fonctionnelle qui se traduit par la difficulté d‟évaluer le ou les critères de performances, et une complexité algorithmique qui désigne la complexité des problèmes d‟optimisation combinatoire, cette dernière se traduit par la recherche d‟une solution qui optimise un ou plusieurs critères de performance. Pour répondre à la complexité structurelle et fonctionnelle, il est nécessaire de faire appel à une méthodologie de modélisation (chapitre 2). Pour répondre à la complexité algorithmique, nous disposons d‟un large éventail de méthodes de résolution regroupées en deux grandes catégories : les méthodes exactes et les méthodes approchées. Au cours de ce chapitre, nous présentons tout d‟abord des notions sur les problèmes d‟optimisation puis nous présentons les différentes approches et méthodes de résolution des systèmes complexes, ensuite nous exposons quelques métaheuristiques existantes. 2. Définition d’un problème d’optimisation Un problème d‟optimisation se définit comme la recherche du minimum ou du maximum d‟une fonction donnée sous contraintes dans un ensemble S appelé ensemble des solutions réalisable. Mathématiquement, un problème d‟optimisation se présentera sous la forme suivante : - Étant donné une fonction f : SR d‟un ensemble S aux nombre réels. - Soit : un élément s* en S tel que f(s*) ≥f(s) pour tous les s en S (maximisation) ou tel que f(s*) ≤f(s) pour tous les s en S (minimisation). - Soient g(s) (m contraintes d‟inégalité) et h(s)=0 (p contraintes d‟égalités), l‟ensemble de contraintes que doit vérifier la solution s*. La fonction objectif f formule donc le but à réaliser [Talbi, 2009] [Ahmed, 2009]. Elle associe à chaque solution de l'espace de recherche une valeur réelle qui décrit la qualité ou la forme physique de la solution, f : SR permet ainsi une commande complète de toutes les solutions de l'espace de recherche. Lorsque l‟espace de recherche S est discret le problème d‟optimisation est dit problème d‟optimisation combinatoire. Chapitre IV : Méthodes de Résolution et Métaheuristiques 38 3. Processus d’optimisation Le processus d‟optimisation se présente en trois étapes : analyse, synthèse et évaluation (Fig.IV.1). Tout d‟abord, il convient d‟analyser le problème et d‟opérer un certain nombre de choix préalables : - Variables du problème. Quels sont les paramètres intéressants à faire varier ? - Espace de recherche. Dans quelles limites faire varier ces paramètres ? - Fonction objectif. Quels sont les objectifs à atteindre ? Comment les exprimer mathématiquement ? - Méthode d‟optimisation. Quelle méthode choisir ? Après cette phase d‟analyse, la méthode choisie synthétise des solutions potentielles qui sont évaluées, puis éventuellement éliminées jusqu‟à obtention d‟une solution acceptable. Si nécessaire, le problème peut être alors redéfini à partir des solutions déjà obtenues. 1) Analyse Définition du problème Contraintes Objectifs 2) Synthèse Formulation des solutions potentielles 3) Evaluation Evaluation des solutions potentielles Solution Fig.IV.1. Processus d‟optimisation [Zerrouki, 2009]. Etant donné l'importance de ces problèmes, qui sont très souvent NP-complets, de nombreuses méthodes de résolution ont été développées en recherche opérationnelle (RO) et en intelligence artificielle (IA). 4. Classification des méthodes de résolution Les méthodes peuvent être classées sommairement en deux grandes catégories : les méthodes exactes (complètes) qui garantissent la complétude de la résolution, et les méthodes approchées (incomplètes) qui perdent la complétude pour gagner en efficacité et en temps d‟exécution. La figure (Fig.IV.2) représente la classification de ces méthodes. Chapitre IV : Méthodes de Résolution et Métaheuristiques 39 Fig.IV.2. Classification des méthodes de résolution des problèmes d‟optimisation combinatoire [Belkadi, 2009a] 4.1. Méthodes exactes Le principe essentiel d'une méthode exacte consiste généralement à énumérer, de manière implicite, l'ensemble des solutions de l'espace de recherche. Pour améliorer l'énumération des solutions, une telle méthode dispose de techniques pour détecter le plus tôt possible les échecs (calculs de bornes) et pour orienter les différents choix. Elles sont généralement utilisées pour résoudre des problèmes de petite taille où le nombre de combinaisons possibles est suffisamment faible pour pouvoir explorer l‟espace de solution en temps raisonnable. Ces méthodes assurent toujours l‟optimalité de la solution trouvée. Parmi les méthodes classées dans cette catégorie de méthodes de résolution, nous pouvons citer la programmation linéaire, la méthode Branch and Bound, …etc. Les méthodes exactes rencontrent généralement des difficultés face aux applications de taille importante, le temps de calcul nécessaire pour trouver une solution augmente Chapitre IV : Méthodes de Résolution et Métaheuristiques 40 exponentiellement avec la taille du problème. Afin de remédier à ce problème, les méthodes approchées sont utilisées. 4.2. Méthodes approchées Les méthodes approchées constituent une alternative très intéressante pour traiter les problèmes d'optimisation de grande taille si l'optimalité n'est pas primordiale, c'est-à-dire, trouver une solution de bonne qualité en un temps de calcul raisonnable sans garantir l'optimalité de la solution obtenue. Les méthodes approchées sont fondées principalement sur diverses heuristiques, souvent spécifiques à un type de problème. En effet, ces méthodes sont utilisées depuis longtemps par de nombreux chercheurs [Basseur, 2005]. 4.2.1. Les heuristiques Les heuristiques sont des critères, des principes ou des méthodes permettant de déterminer parmi plusieurs chemins, celui qui permet d‟être le plus efficace pour atteindre une bonne solution du problème considéré. Elles représentent des compromis entre deux exigences : le besoin de rendre de tels critères simples et en même temps d‟établir une distinction entre les bons et les mauvais choix. La performance de ces méthodes dépend largement de la pertinence et de leur capacité d'exploiter les connaissances du problème. Parmi les heuristiques existantes, nous citons la méthode de descente qui consiste à choisir à chaque étape la meilleure solution voisine, et elle s‟arrête dés qu‟elle ne peut plus améliorer la solution courante ou le nombre d‟itération fixé est atteint (Fig.IV.3). 1 : choisir une solution s dans S 2 : Déterminer une solution s‟ qui minimise f dans le voisinage de s. 3 : Si f (s‟) < f (s) alors poser s := s‟ et retourner à 2 4 : Sinon STOP (selon critère d‟arrêt) Fig.IV.3. Algorithme de descente Une variante consiste à parcourir N(s) et à choisir la première solution s‟ rencontrée telle que f(s‟)< f(s) (pour autant qu‟une telle solution existe). Pour éviter d‟être bloqué au premier minimum local rencontré, on peut décider d‟accepter, sous certaines conditions, de se déplacer d‟une solution s vers une solution s‟ € N(s) telle que : f (s‟) les méthodes que nous décrivons ci-dessous f(s). C‟est ce que font Chapitre IV : Méthodes de Résolution et Métaheuristiques 41 4.2.2. Les métaheuristiques Les métaheuristiques forment une famille d‟algorithmes d‟optimisation visant à résoudre des problèmes d‟optimisation difficile (souvent issus des domaines de la recherche opérationnelle, de l'ingénierie ou de l'intelligence artificielle) pour lesquels on ne connaît pas de méthode classique plus efficace [Lapetoule, 2006] [Web04, 2010]. Dans [Zahaf, 2010b], un état de l‟art est dressé concernant l‟utilisation des métaheuristiques dans l‟optimisation des systèmes hospitaliers. Les métaheuristiques sont généralement des algorithmes stochastiques itératifs, qui progressent vers un optimum global d‟une fonction objectif. Elles se comportent comme des algorithmes de recherche, tentant d‟apprendre les caractéristiques d‟un problème afin d‟en trouver une approximation de la meilleure solution (Fig.IV.4). Discontinuité de recherche Métaheuristique Optimum Local Optimum Global Fig.IV.4. Principe de recherche des métaheuristiques Les métaheuristiques comprennent trois mécanismes : l‟intensification, l‟apprentissage et la diversification. L‟intensification appelée aussi exploitation vise à améliorer une solution de bonne qualité en explorant les solutions trouvées. L‟apprentissage permet à l‟algorithme de tirer parti des informations contenues dans les solutions qui ont déjà été visitées. La diversification dite aussi exploration permet à la méthode d‟explorer des zones de l‟espace des solutions qui ont été peu ou pas visitées permettant ainsi d‟éviter des optima locaux. L'équilibre entre la diversification et l'intensification est important [Sevaux, 2004], d'un côté, pour identifier rapidement les régions dans l'espace de recherche avec des solutions de haute qualité et d'un autre côté, pour éviter de perdre trop temps dans des régions d'espace de recherche qui sont déjà exploré ou qui ne fournissent pas de solutions de haute qualité [Zerrouki, 2009]. Chapitre IV : Méthodes de Résolution et Métaheuristiques 42 4.2.2.1. Propriétés des métaheuristiques Les propriétés des métaheuristiques peuvent se résumer dans les points suivants : Elles sont inspirées par des analogies : avec la physique (recuit simulé, diffusion simulée…), avec la biologie (algorithmes génétiques, algorithmes mémétiques…) ou avec l'éthologie (colonies de fourmis, colonies d‟abeilles…) ; Ce sont des stratégies au moins pour partie stochastiques. Les techniques qui constituent des algorithmes de type métaheuristique vont de la simple procédure de recherche locale à des processus d‟apprentissage complexes. Les métaheuristiques sont en général non déterministes et ne donnent aucune garantie d‟optimalité. Les concepts de base des métaheuristiques peuvent être décrits de manière abstraite. Les métaheuristiques peuvent faire appel à des heuristiques qui tiennent compte de la spécificité du problème traité, mais ces heuristiques sont contrôlées par une stratégie de niveau supérieur. Les métaheuristiques peuvent faire usage de l‟expérience accumulée durant la recherche de l‟optimum, pour mieux guider la suite du processus de recherche. Elles partagent les mêmes inconvénients : les difficultés de réglage des paramètres de la méthode et le temps de calcul élevé [Fei, 2006]. Elles existent en version parallèle. 4.2.2.2. Classification des métaheuristiques Nous distinguons trois classes de métaheuristiques : 4.2.2.2.1. Méthodes de voisinage Basées sur une solution unique et dont le principe de recherche se base sur le voisinage de la solution trouvée. Ce sont des méthodes itératives, qui à partir d‟une solution initiale cherchent une amélioration possible [Cassagne, 2008]. L‟amélioration de la solution se fait de manière répétitive, et s‟arrête quand la condition d‟arrêt est satisfaite. Le recuit simulé Le recuit simulé a été proposé en 1982 par des spécialistes de physique statistique qui s‟intéressaient aux configurations de basse énergie de matériaux magnétiques désordonnés regroupés sous le terme de verre de spin. C‟est pour éviter les structures liées à des minima énergétiques locaux qu‟ils se sont inspirés de la technique de recuit des métallurgistes, qui permet d‟obtenir un solide dans un état d‟énergie minimale en le chauffant jusqu‟à l‟état liquide, puis en abaissant lentement sa température (souvent suivant la loi de décroissance par Chapitre IV : Méthodes de Résolution et Métaheuristiques 43 palier proposée par Metropolis). Le recuit métallurgique permet d‟amener le matériau dans un état stable d‟énergie minimale, alors que ces mêmes métallurgistes utilisent la technique de trempe pour figer une structure métallographique intéressante en amenant le matériau dans un minimum local d‟énergie. Cette technique de trempe est également utilisée en optimisation, afin d‟améliorer une solution jusqu‟au minimum local du bassin d‟attraction dans lequel elle se situe (Fig.IV.5). On peut considérer une grande augmentation de la température comme un processus de diversification alors que la décroissance de la température correspond à un processus d‟intensification. Le recuit simulé permet de résoudre les problèmes de routage, les problèmes d‟affectation, les problèmes de planification et les problèmes d‟ordonnancement. Fig.IV.5. Principe du Recuit simulé La Recherche Tabou C‟est une méthode de voisinage à solution unique, qui possède des stratégies qui permettent d‟éviter le minimum local. L‟idée de cette méthode est de garder la trace du parcours effectué dans une mémoire et de la consulter pour pouvoir améliorer la résolution du problème [Bachelet, 2005]. On évolue donc d‟une solution à une autre par observations des précédentes, ainsi on s‟interdit les solutions tabou déjà gardées en mémoire et on ne les Chapitre IV : Méthodes de Résolution et Métaheuristiques 44 applique pas à la solution courante (Fig.IV.6). La mémoire liste donc les solutions interdites, ce qui permet de les supprimer à chaque nouvelle réalisation. Fig.IV.6. Principe de la recherche tabou 4.2.2.2.2. Méthodes évolutives Ce sont des algorithmes qui manipulent une population de solutions en utilisant des opérateurs. On parlera d‟opérateurs pour toute action modifiant l‟état d‟une ou plusieurs solutions. Un opérateur construisant une nouvelle solution sera dénommé générateur, alors qu‟un opérateur modifiant une solution existante sera appelé mutateur. Dans cette optique, la structure générale des algorithmes évolutionnaires ou évolutionnistes enchaîne des étapes de sélection, de reproduction (ou croisement), de mutation et enfin de remplacement (Fig.IV.7, Fig.IV.8). Chaque étape utilise des opérateurs plus ou moins spécifiques [Web04, 2010]. Opérateur de sélection : il permet aux individus d‟une population de survivre, de se reproduire ou de mourir. En règle générale, la probabilité de survie d‟un individu sera directement reliée à son efficacité relative au sein de la population autrement dit il est sélectionné tant qu‟il a une fonction fitness optimale. Il existe plusieurs méthodes de reproduction (sélection). Opérateur de croisement : il permet la création de nouveaux individus selon un processus fort simple. Il permet donc l‟échange d‟information entre les individus. Tout d‟abord, deux Chapitre IV : Méthodes de Résolution et Métaheuristiques 45 individus, qui forment un couple, sont tirés au sein de la nouvelle population issue de la reproduction. Fig.IV.7. Croisement de deux individus [Vallée, 2003] Opérateur de mutation : le rôle de cet opérateur est de modifier aléatoirement, avec une certaine probabilité, la valeur d‟un composant de l‟individu. Cet opérateur est donc d‟une grande importance car il a la possibilité d‟effectuer une recherche locale et/ou de sortir d‟une trappe (recherche éloignée). Parmi les méthodes évolutionnistes nous présentons les algorithmes génétiques, la PSO (Particule Swarme Optimisation), l‟ACO (Ant Colonny Optimization), BCA (Bee Colonny Algorithm). Fig.IV.8. Schéma des algorithmes évolutionnaires L’algorithme génétique Les algorithmes génétiques sont les plus populaires des algorithmes évolutionnaires. Ce sont des méthodes de recherche stochastiques conçues pour résoudre des problèmes complexes. Ils tentent de simuler le processus d‟évolution naturelle en suivant le modèle darwinien dans un environnement donné. Ils utilisent un vocabulaire similaire à celui de la génétique naturelle tel Chapitre IV : Méthodes de Résolution et Métaheuristiques 46 que les structures qui composent la population (les individus) codent des solutions expérimentales, qui sont manipulés en compétition en leurs appliquant quelques opérateurs stochastiques (Fig.IV.9) pour trouver une solution optimale satisfaisante, sinon globale [Vallée, 2003]. . Fig.IV.9. Principe de l‟Algorithme Génétique L’optimisation par colonie de fourmis A l‟origine, l‟optimisation par colonie de fourmis (OCF), en anglais Ant Colony Optimization (ACO), a été conçue pour résoudre le problème du voyageur de commerce (TSP). L‟objectif de ce problème étant de trouver la tournée la plus courte pour servir un ensemble de villes. Le premier algorithme proposé dans ce contexte fut appelé « Ant System» (AS) par Marco Dorigo en 1992. Pour cela l‟ACO s‟inspire du comportement naturel d‟une fourmi lors de la recherche de nourriture. La figure (Fig.IV.10) illustre une expérience où il existe deux chemins de longueurs différentes et conduisant à la même source de nourriture. Chaque fourmi dégage une substance chimique appelée phéromone qui guide les autre fourmis vers les sources de nourriture et laisse ainsi des traces sur le chemin parcouru. Après un certain temps, les fourmis empruntent le plus court chemin grâce aux phéromones qui augmentent dans ce chemin très rapidement. En effet, les phéromones s‟évaporent au cours du temps et les fourmis qui empruntent le chemin le plus court arrivent rapidement à se procurer Chapitre IV : Méthodes de Résolution et Métaheuristiques 47 de la nourriture et rentrent à la fourmilière en déposant de la phéromone sur leur chemin de retour [Talbi, 2004] [Dréo, 2006]. Fig.IV.10. Comportement des fourmis lors de la recherche de nourriture Soit D l‟ensemble des décisions possibles que peut prendre une fourmi pour compléter une solution partielle. La décision dЄD qu‟elle choisira dépendra de deux facteurs, à savoir la force gloutonne et la trace : - La force gloutonne est une valeur ηd qui représente l‟intérêt qu‟a la fourmi à prendre la décision d et cette valeur est directement proportionnelle à la qualité de la solution partielle obtenue en prenant la décision d, - La trace τd représente l‟intérêt historique qu‟a la fourmi de prendre la décision d. Plus cette quantité est grande, plus il a été intéressant dans le passé de prendre cette décision. L‟algorithme est décrit de la manière suivante : 1 : Initialiser les traces τd à 0 pour toute décision possible d 2 : Tant qu‟aucun critère d‟arrêt n‟est satisfait faire 3 : Construire |A| solutions en tenant compte de la force gloutonne et de la trace 4 : Mettre à jour les traces τd ainsi que la meilleure solution rencontrée; 5: Fin du tant que L’optimisation par essaim particulaire L‟optimisation par essaim particulaire (OEP) est une méthode née en 1995 aux états unis sous le nom de Particle Swarm Optimization (PSO) suite aux recherches menés par Russel Eberchart et James Kennedy. Ces deux chercheurs visaient à modéliser des interactions sociales entre les « agents » devant atteindre un objectif donné dans un espace de recherche commun, chaque agent ayant une certaine capacité de mémorisation et de traitement de Chapitre IV : Méthodes de Résolution et Métaheuristiques l‟information [Borne, 2009]. 48 La règle de base était qu‟il ne devait y avoir aucun chef d‟orchestre, ni même aucune connaissance par les agents de l‟ensemble des informations, seulement des connaissances locales, un modèle simple fut alors élaboré. Dès les premières simulations, le comportement collectif de ces agents évoquait celui d'un essaim d‟êtres vivants (bancs de poissons, essaim d‟oiseaux, essaim d‟abeilles …) convergeant parfois en plusieurs sous-essaims vers des sites intéressants (sites promoteurs) [Clerc, 2004]. A partir de là, nous pouvons parler d‟intelligence en essaim qui se base sur deux phénomènes très importants : le phénomène d‟auto-organisation [Dréo, 2004] [Mano, 2006] (ayant donné lieu aux algorithmes de colonies de fourmis et colonies d‟abeilles) et le phénomène socio-cognitif (ayant conduit à l‟optimisation par essaim particulaire). L‟algorithme de la PSO considère au départ un essaim réparti au hasard dans l‟espace de recherche, chaque particule ayant une vitesse aléatoire. Ensuite, à chaque pas de temps : - Chaque particule est capable d'évaluer la qualité de sa position et de garder en mémoire sa meilleure performance, c‟est-à-dire la meilleure position qu‟elle a atteinte jusqu‟ici (qui peut en fait être parfois la position courante) et sa qualité (la valeur en cette position de la fonction à optimiser). - Chaque particule est capable d'interroger un certain nombre de ses congénères (ses informatrices sélectionnées à partir de son voisinage, y compris elle même) et d'obtenir de chacune d'entre elles sa propre meilleure performance (et la qualité afférente). - A chaque pas de temps, chaque particule choisit la meilleure des meilleures performances dont elle a pris connaissance, modifie sa vitesse en fonction de cette information et de ses propres données et se déplace en conséquence. 4.2.2.2.3. Métaheuristiques avancées Bien que les métaheuristiques sont puissantes pour la résolution d‟un grand nombre de problèmes mais elles présentent certains défauts se résumant dans la limite de trouver un minimum globale en un temps fini, les difficultés à adapter des algorithmes à certains problèmes, l‟intensification et la diversification ne sont pas toujours réalisables. Afin de palier à ces limites, une hybridation entre les métaheuristiques à solution unique et ceux manipulant une population de solutions et parfois le parallélisme donnant ainsi naissance aux métaheuristiques avancées [Dhaenens, 2007]. Parmi les métaheuristiques avancées nous citons les algorithmes mémétiques, GA/PM, la recherche dispersée (Scatter Search), les algorithmes électromagnétiques, etc. Chapitre IV : Méthodes de Résolution et Métaheuristiques 49 Algorithmes mémétiques Introduites par Moscato en 1989, les algorithmes mémétiques sont issus d‟une hybridation entre les algorithmes génétiques et une recherche locale. L‟idée principale de cette technique est de remédier au problème de lenteur de convergence, posé par les algorithmes génétiques basiques, par l'ajout d'une recherche locale à la place de la mutation [Taillard, 2007] [Goäeffon, 2006]. La méthode de recherche locale peut être la descente, le recuit simulé ou la recherche tabou ou autre. Cette recherche locale sera appliquée à tout nouvel individu obtenu au cours de la recherche. Il est évident que cette simple modification entraîne de profonds changements dans le comportement de l'algorithme. 5. Optimisation bio-inspirée du comportement des abeilles Dans cette section, nous présentons une métaheuristique inspirée du comportement naturel des abeilles pour la récolte de nourriture. Les algorithmes basés sur les colonies d'abeilles [Zahaf, 2010c] sont des métaheuristiques évolutives qui appartiennent à la classe des algorithmes d'intelligence d'essaim. Nous avons utilisé cette métaheuristique pour l‟optimisation et l‟amélioration de certains paramètres agissant sur le fonctionnement de la maternité (chapitre VI). 5.1. La communication entre les abeilles Pour la transmission de tout type d‟information, les abeilles utilisent un système de communication remarquable, propre à elles, à base de mouvements, d‟odeurs, de repères visuels et de sons diffusés dans la ruche faisant référence à un grand nombre de renseignements. Dans une ruche il existe : - une seule abeille appelée reine qui est la femelle reproductrice d‟abeilles. - des centaines de bourdons représentant les mâles développés quand la reine étend les œufs non-fertilisés et ayant comme rôle la fertilisation avec la reine. - des couvées qui sont les jeunes abeilles qui naissent après que la reine ait posé des œufs dans des cellules spéciales du nid d'abeilles où ils restent jusqu‟à ce qu‟ils peuvent être autonomes. - des milliers d‟ouvrières qui sont les abeilles femelles mais elles ne sont pas reproductrice. L‟ouvrière est responsable de la défense de la ruche et de la recherche et la récolte de nourriture. En plus, elle assure les activités habituelles de la colonie d'abeille telles que le nettoyage des cellules, la production de la cire, l‟emballage de pollen, éventer les abeilles, porter l‟eau, déplacement des œufs, s‟occuper de la reine, nourrir les bourdons, et construction du nid d'abeilles. Chapitre IV : Méthodes de Résolution et Métaheuristiques 50 Une abeille peut avoir trois comportements différents dans la ruche, elle peut être : Eclaireuse : Les éclaireuses sont des abeilles qui quittent la ruche dans toutes les directions à la recherche de sources de nectar. De retour à la ruche, ces abeilles peuvent, en fonction de la qualité de la nourriture trouvée, soit effectuer une danse pour le recrutement d‟autres abeilles, soit retourner directement à la source sans recrutement ou bien abandonner la source trouvée. Ouvrière : Une abeille ouvrière est en constante observation des abeilles qui dansent (recruteuses). Si l‟ouvrière décide de suivre une recruteuse, elle devient une butineuse. Butineuse : Une butineuse est une abeille qui va directement récolter du nectar dans la source indiquée par une recruteuse. Le comportement d‟une butineuse qui revient à la ruche est similaire à celui d‟une éclaireuse. Le processus de récolte du nectar commence par l‟exploration de l‟entourage par un ensemble d‟abeilles éclaireuses qui quittent la ruche dans toutes les directions à la recherche de sources de nourriture. De retour à la ruche, l‟abeille qui trouve une source de nourriture, régurgite une partie de sa récolte de nectar puis, aussitôt exécute une danse (danse en rond ou frétillante) pour recruter d‟autres abeilles (Fig.IV.11.a, Fig.IV.11.b). Fig.IV.11.a. Dense ronde Fig.IV.11.b. Dense frétillante Cette danse est très riche en information, en particulier, elle donne aux abeilles observatrices des indications essentielles : la quantité de nourriture, la distance à parcourir et la direction à suivre. Concernant la distance, plusieurs paramètres sont utilisés simultanément, le plus important est le tempo de la danse, c‟est-à-dire le nombre de tours complets effectués par la danseuse par unité de temps. Les mouvements de l‟abeille sont d‟autant plus durables que la source est riche (quantité de nourriture). En ce qui concerne la direction, elle est donnée par rapport à l‟azimut solaire (en plan horizontal), la position angulaire de la source est indiquée par l‟angle que fait la partie frétillante avec la verticale du rayon comme l‟indique la figure (Fig.IV.12). Chapitre IV : Méthodes de Résolution et Métaheuristiques 51 Fig.IV.12. Orientation de la source de nourriture 5.2. Algorithmes basés sur le comportement des abeilles Le comportement auto-organisé observé chez les abeilles pour la récolte de nourriture a fait apparaitre plusieurs algorithmes à savoir : l‟algorithme virtuel des abeilles VBA (Virtual Bee Algorithm) [Yang, 2005] [Pham, 2007] [Pham, 2008], L‟algorithme ABC (Artificial Bee Colony) [Karaboga, 2005] [Karaboga, 2007], L‟algorithme BCO (Bee Colony Optimization) [Chong, 2006]. Chacun de ces algorithmes a été utilisé pour optimiser un problème complexe dans différents domaines. Le pseudo code de l‟algorithme de base des colonies d‟abeilles est le suivant : 1. 2. 3. 4. 5. 6. 7. 8. Donner la solution initiale (population initiale). Evaluer la fonction fitness de la population. Tant que le critère d‟arrêt n‟est pas atteint Faire //Former une nouvelle population Sélectionner les sites dans le voisinage de recherche. Recruter les abeilles des sites sélectionnés (plus d‟abeilles pour les e meilleurs sites). Sélectionner l‟abeille la plus convenable pour chaque site. Faire une recherche aléatoire des abeilles restantes et évaluer leurs fonctions fitness. Fin Faire. 6. Conclusion Au cours de ce chapitre, nous avons présenté la classification des méthodes de résolution des problèmes combinatoires. Ensuite, nous avons cité les propriétés des métaheuristiques ainsi que quelques unes d‟entre elles. Enfin, nous avons mis l‟accent sur la métaheuristique inspirée du comportement de récolte de nourriture chez les abeilles (métaheuristique adoptée dans notre travail). Chapitre V : Conception et Modélisation du cas d‟étude 52 1. Introduction La phase de modélisation est une phase cruciale dans une étude de simulation. Elle se base en grande partie sur la connaissance du système étudié et sur la collecte d‟informations fiables. Ce chapitre nous permet, en premier lieu de faire la présentation de la maternité et de connaitre son architecture, son fonctionnement et ses ressources humaines et matérielles. En suite, il présente l‟implémentation du modèle de connaissance de la méthodologie ASCI en utilisant l‟outil Aris. 2. Contexte de l’étude Notre étude est basée sur l‟évaluation du fonctionnement du service maternité du CHUO (Centre Hospilo-Universitaire d‟Oran). Au cours d‟un stage d‟environ quatre mois, nous avons recensé les principales activités offertes au niveau de la maternité, nous avons eu connaissance des difficultés existantes et des problèmes rencontrés par les praticiens ainsi qu‟aux patientes. 2.1. Description du service maternité La maternité du CHUO est classée comme maternité du niveau trois [Web03, 2010], elle prend en charge les grossesses quelque soit leurs risques, les patientes évacuées à partir d‟autres établissements de santé publics ou privés de la wilaya et hors wilaya, les accouchements quelque soit leur nature, les interventions gynécologiques, la réanimation des nouveau nés et la formation des médecins résidents et internes. Elle est constituée d‟ailes, chacune d‟elles prend en charge une catégorie donnée de patientes. Elle est équipée d‟un bloc d‟accouchement par voie basse, de deux blocs opératoires, d‟une aile d‟oncologie et chimiothérapie, une aile de périnatalogie pour la prise en charge des nouveaux nés prématurés ou ayants des problèmes, deux ailes pour accueillir les grossesses à risque, une autre aile pour la gynécologie, des ailes d‟hospitalisation pré et post opérationnelles et post partum. Elle comprend aussi une aile de consultations externes, un laboratoire d‟analyse, une salle d‟échographie et une salle de formation. La maternité du CHUO reçoit quotidiennement des dizaines de patientes arrivées dans des états et des degrés d‟urgence différents (une moyenne avoisinant les mille admissions par mois) et emploi un personnel médical et paramédical de différents profils pour lequel la charge de travail ne cesse d‟augmenter. L‟infrastructure de la maternité est constituée d‟un rez de chaussé et de trois étages chacun d‟eux sous forme de croix (Fig.V.1), la communication entre ces quatre niveau se fait en Chapitre V : Conception et Modélisation du cas d‟étude 53 utilisant un ascenseur et des escaliers. Pour accéder à la maternité il existe trois accès, un premier à travers les consultations externes réservé pour les consultations sous RDV et les visiteurs, un deuxième à travers l‟aile des admissions réservé pour les urgences et un troisième réservé pour le personnel de la maternité. Aile 11 Bloc d’Accouchement Chef de service Aile 02 Consultation externe Aile 04 Admissions RDC Aile 12 Post partum 1er Etage Aile 13 Post opératoire Aile 03 Post Partum Aile 31 GHR Aile 21 Oncologie Aile 22 GHR Aile 14 Bloc Opératoire Aile 24 Gynécologie (non opérationnel) 2ème Etage Aile 32 Post Opératoire 3ème Etage Aile 34 Bloc Opératoire Aile 33 Périnatalogie Aile 23 Gynécologie préopératoire Fig.V.1. Infrastructure de la maternité Aile Chef de service Contient le bureau du chef de service dans lequel existe une salle de consultation, un secrétariat, une salle d‟attente pour les patientes et un petit laboratoire où s‟effectue quelques analyses de sang pour les patientes hospitalisées et les nouveaux nés à savoir le test de grossesse, le groupage et la VS. Aile des consultations planifiées C‟est l‟aile où se font les consultations sous rendez vous suite à une lettre d‟orientation externe ou interne (aile des urgences) ou bien pour subir un contrôle post opératoire d‟une patiente qui a quitté l‟hôpital après avoir subi une intervention chirurgicale. Chaque médecin résident à partir de sa troisième année de formation, assistant, maître assistant ou professeur a un jour ouvrable fixe de consultation par semaine. Il existe trois box Chapitre V : Conception et Modélisation du cas d‟étude 54 de consultation pour les résidents et deux bureaux de consultation pour les maîtres assistants. La patiente se présente avec sa lettre d‟orientation au niveau du secrétariat des consultations pour prendre un rendez vous soit chez son médecin traitant ou chez un autre médecin. Il existe deux infirmières IDE (Infirmier Diplômé d‟Etat) chargées de donner les rendez vous et de faire les prélèvements sanguin pour les patientes ciblées par un programme national donné (Exp : Le programme de dépistage du VIH durant la grossesse âgée de moins de sept mois). Au niveau de l‟aile, il existe aussi une aide soignante AS chargée de la stérilisation du matériel de consultation et de sa mise à disposition aux médecins de consultation. Aile 03 ( Post partum) C‟est une aile qui contient deux parties, une pour l‟hospitalisation des patientes qui font une cure de radiothérapie ailleurs, et la deuxième partie pour les patientes ayant accouché par voie basse et par fois même par césarienne. Les patientes de cette aile sont prises en charge par les gynécologues des admissions. Aile 04 (admissions/Urgences) Il s‟agit de la partie qui se charge du filtrage des cas qui se présentent à la maternité durant les 24 heures et 7 jours /7. Il existe deux box (salles) d‟examen ayant une salle d‟attente commune. L‟aile des admissions reçoit des patientes quelque soit leur provenance (de la wilaya ou hors wilaya) pour une prise en charge obstétrique ou gynécologique. La patiente est examinée pour être orientée par la suite dans l‟une des ailes de la maternité ou bien pour un traitement ambulant si elle ne nécessite pas une hospitalisation ou encore pour un complément de bilan si elle ne présente pas une urgence. Salle d’échographe Il ya un seul échographe dans la maternité situé en face des box d‟admission et destiné aux patientes hospitalisées ou pour les cas d‟extrême urgence qui se présentent au niveau des admissions. L‟échographe est utilisé uniquement durant la journée, les cas urgents durant la garde sont orientés vers le service d‟imagerie de l‟hôpital (radio centrale). Il n‟y a pas un personnel particulier destiné à la salle d‟échographe, chaque médecin peut faire l‟échographie pour sa patiente hospitalisée s‟il juge qu‟elle nécessite un examen échographique. Aile 11 (bloc d’accouchement) Contient quatre (04) salles de travail chacune à deux lits, 5 salles d‟accouchement, une salle de néonatologie, une salle de stérilisation, la pharmacie du bloc d‟accouchement et une chambre pour les sages femmes. Chapitre V : Conception et Modélisation du cas d‟étude 55 Aile 12 (parturiente / post partum) Concerne l‟hospitalisation des patientes ayants accouché par voie basse et par fois même par césarienne et les patientes qui présentent des signes d‟accouchement dans les future 24 heures. Aile 13 (Post-Césarienne ou post-opératoire) C‟est l‟aile qui prend en charge l‟hospitalisation des patientes après une intervention de césarienne ou une petite intervention gynécologique. Aile 14 (Bloc opératoire) Il contient deux parties, la première contient deux salles d‟opérations dans lesquelles se font les interventions de césariennes urgentes ou planifiées et la seconde partie regroupe quatre salles de surveillance post interventionnelle (SSPI) post ou pré opératoire à un, deux, trois et quatre lits. Les SSPI accueillent les patientes présentant des complications pré ou post interventionnelles et nécessitant une surveillance particulière et continue. Le bloc opératoire de l‟aile 14 reçoit les patientes en provenance des ailes 12, 22 et 31, et à partir des admissions pour les cas de césarienne urgentes ou encore à partir de l‟aile 11 s‟il s‟agit d‟un accouchement par voie basse présentant des complications. Aile 21 (Service Oncologie/chimiothérapie) C‟est l‟aile qui prend en charge les pathologies de tumeurs de l‟appareil génital et du sein ainsi que la chimiothérapie pré ou post interventionnelle. Cette aile contient des salles d‟hospitalisation, une salle de chimiothérapie, une pharmacie et une salle d‟examen. Aile 22 (Grossesse à haut risque : GHR) C‟est une aile qui accueille les patientes avec grossesse et présentant des risques sur la vie de la mère ou du fétus pour une grossesse âgée de plus de 28 semaines. Aile 23 ( Gynécologie) C‟est une aile qui regroupe à la fois des grossesses jeunes (moins de 28 semaines) et des cas de kystes, de fibromes et d‟avortement. Aile 24 (Post opératoire de la gynécologie) C‟est une aile en réaménagement en vue d‟accueillir les patientes après une intervention gynécologique. Aile 31 (GHR) C‟est une extension de l‟aile 22, elle prend en charge l‟hospitalisation des grossesses à haut risque (GHR). Chapitre V : Conception et Modélisation du cas d‟étude 56 Aile 32 (Post-opératoire) C‟est l‟aile qui hospitalise les patientes après avoir subi un acte chirurgical planifié au niveau du bloc opératoire de l‟aile 34. Aile 33 (Néonatologie) C‟est l‟aile qui accueil l‟hospitalisation et la surveillance des nouveaux nés qui présentent des problèmes à la naissance ou nécessitent des couveuses car ils sont prématurés. Après la naissance il existe quatre éventualités, soit le nouveau né est en bonne santé et accompagne sa mère dans l‟aile d‟hospitalisation ou bien il nécessite une prise en charge particulière (exp : couveuse) ou bien dans certains cas le bébé est mort né ou meure après la naissance. L‟aile de néonatologie reçoit les nouveaux cas de nouveaux nés uniquement au cours de la journée (car le médecin pédiatre est présent durant les heures de travail normales). Durant la garde les nouveaux nés à problèmes sont transférés vers le marphon. Le nouveau né peut être allaité par sa mère qui se déplace dans cette aile au niveau de la salle d‟allaitement. Aile 34 (Bloc-opératoire) Cette aile est constituée d‟une salle opératoire ouverte durant les heures de travail (de 8h30 à 15h00 de dimanche à jeudi) pour les interventions chirurgicales programmées. Cela n‟exclu pas la possibilité de faire des césariennes urgentes au niveau de ce bloc si le bloc de l‟aile 14 est occupé. 2.2. Fonctionnement de la maternité Chaque jour et durant les 24 heures, des patientes se présentent au niveau de la maternité du CHUO pour des raisons multiples (Tabeau.A.1 en annexe A) ,accouchement, problèmes de grossesse, maladies gynécologiques et pour lesquelles le personnel de la maternité doit assurer une prise en charge rapide et immédiate. L‟arrivée des patientes au niveau des admissions est imprévisible, si l‟état de la patiente est très urgent elle passe en priorité et s‟il est moins urgent (l‟attente n‟aggrave pas son état) elle se met dans une file d‟attente unique, cette dernière est servie par deux box de consultation durant les heures de travail normales. Durant la garde le nombre de box est réduit à un. Les médecins des admissions examinent la patiente et décident soit de l‟hospitaliser ou de la laisser partir avec ou sans prescription de traitement ambulant et/ou bilan. L‟admission des patientes se fait sans se limiter à la capacité du service car il n‟est pas possible de demander à un bébé de retarder son heure d‟arrivée au monde ou d‟ignorer l‟état d‟une patiente en danger. La maternité du CHUO est caractérisée par l‟activité obstétrique et gynécologique sous un cadre de formation pour les médecins résidents ou internes. Il existe deux catégories de patientes avec et sans grossesse et la prise en charge de l‟une ou de l‟autre se fait suite à son Chapitre V : Conception et Modélisation du cas d‟étude 57 degrés d‟urgence. Plusieurs cas de figures sont envisageables. Le cas d‟une grossesse à terme qui présente les premiers signes d‟accouchement est orienté dans l‟aile des attentes d‟accouchements (aile 12) et si elle est en travail elle est affecté au bloc d‟accouchement. S‟il s‟agit d‟une grossesse prolongée, un accouchement par voie basse ou par césarienne doit être provoqué et dans le cas d‟une grossesse à risque une hospitalisation est nécessaire pour préserver la vie de la patiente et du bébé. Pour le cas des patientes sans grossesse, c‟est la pathologie qui détermine le degré d‟urgence et donc l‟affectation de la patiente au niveau de l‟aile gynécologie ou oncologie ou même au niveau du bloc opératoire s‟il s‟agit d‟un cas en extrême urgence. Dans certains cas où la patiente nécessite un suivi et dont le cas n‟est pas urgent, elle est orientée par une lettre d‟orientation à l‟aile des consultations externes pour prendre un rendez vous de consultation. Les interventions de césarienne sont faites à tout moment avec ou sans planification par contre les interventions gynécologiques sont faites suite à un programme opératoire hebdomadaire établi chaque mercredi de la semaine S pour la semaine S+1 en désignant l‟équipe de gynécologues participant à l‟intervention. Une intervention programmée se déroule au niveau du bloc opératoire réservé pour les actes planifiés et durant les heures de travail des jours ouvrables. Mise à part les consultations externes et les interventions planifiées toutes les autres ailes son opérationnelles chaque jour et durant les 24h. Pour cela, une garde médicale et paramédicale quotidienne est obligatoire (de 15H00 à 08H30), durant les week-end et les jours fériés. Pour le personnel médical, le planning de garde se fait chaque mois en désignant une équipe par garde qui veille sur toute la maternité. Contrairement au personnel paramédical qui a un régime de travail de garde (24h et 12h). Dans la maternité du CHUO, l‟aspect formation est très important. Pour bénéficier d‟une bonne formation, le personnel médical est affecté à toutes les ailes durant la période de formation de spécialité qui dure cinq ans et ce en fonction d‟un système de rotation périodique chaque six mois ou plus (suivant l‟importance de l‟aile). 3. Modélisation de la maternité Pour la modélisation de la maternité, nous avons choisi la méthodologie ASCI décrite dans la section 6 (chapitre 2). Le modèle de connaissance est représenté en utilisant l‟outil de modélisation ARIS Toolset 7.0 et Visual paradigm for UML 8.0. 3.1. Sous système physique Il est représenté par un organigramme (Fig.V.2) appartenant à la vue organisation d‟Aris. Chapitre V : Conception et Modélisation du cas d‟étude 58 Maternité RDC 1er étage Aile 11 (Bloc d'Accouchement) Aile 01 (Chef de service) Secrétariat Bureau chef de service Salle d'attente Laboratoire d'analyses Aile 02 (Consultations Externes) Secrétariat 3 box 2 bureaux 1 couloir d'attente 6 salles 5 salles d'accouchement 1 salle de néonatologie 1 salle de stérilisation 3 salles (hospitalisation radiothérapie) 5 salles 1 salle d'infirmières Salle d'échographe Salle de formation 3 salles SSI 6 salles 5 salles 1 salle de consultation Pharmacie de la maternité 1 salle d'infirmières 8 salles Aile 24 (En réaménagement) 1 salle de préparation 2 salles d'opération 1 pharmacie du bloc Fig.V.2. Sous système physique 1 salle de chimiothérapie 1 pharmacie Aile 32 (Post opératoire) Aile 33 (Périnatalogie) Aile 23 (Gynécologie) Aile 14 (Bloc opératoire) Salle d'attente Pharmacie du BA Aile 31 (GHR) Aile 22 (GHR) Aile 13 (Post opératoire) Aile 04 (Admissions) 2 box 4 salles de travail 3ème étage Aile 21 (Oncologie) Aile 12 (Post partum) Aile 03 (Post partum) 4 salles 2ème étage 1 salle d'infirmières Aile 34 (Bloc opératoire) Chapitre V : Conception et Modélisation du cas d‟étude 59 Organigramme L‟organigramme est une représentation typique des structures organisationnelles. Suivant des critères de structuration choisis, il permet de représenter les unités organisationnelles en tant que responsables de tâches et leurs interconnexions. Maternité Chef de service Professeur Maitre assistant (Gynécologue) Maitre assistant (MAR) Gynécologue (Résident) MAR (Résident) Médecin Interne Médecin pédiatre Médecin externe Sage femme IADE Puéricultrice Infirmière Aide soignante Infirmière instrumentiste Secrétaire Agent de sécurité Fille de salle Comissionnaire Surveillante médicale Psychologue Fig.V.3. Organigramme du service maternité Chapitre V : Conception et Modélisation du cas d‟étude 60 3.2. Sous système logique Le sous système logique est représenté par la vue processus d‟Aris sous forme d‟arbres de fonctions et de CPE (Chaine de Processus Evénementiel). 3.2.1. Arbres de fonctions Nous représentons dans cette section quelques arbres de fonction correspondants au personnel médical et paramédical intervenant au niveau des ailes d‟accouchement, du bloc opératoire et de l‟aile des admissions. Les autres fonctions sont représentées en annexe B. Infirmier anesthésiste (IADE) 1 jour / 4 Dimanche à Jeudi 7h-7h 8h30-15h Préparation de l'anesthésie Induction de la patiente (Cas d'une anesthésie générale) Surveillance pendant l'intervention Premiers gestes de provocation du réveil Fig.V.4. Fonction de l‟IADE (Infirmier Anesthésiste Diplômé d‟Etat) Chapitre V : Conception et Modélisation du cas d‟étude 61 Aide soignante Aile 34 (Bloc opératoire + SSPI) Aile 14 (Bloc Opératoire + SSPI) Post opératoire Dimanche à Jeudi 1 jour / 2 1 jour / 4 8h30 - 15h 7h - 19h / 19h - 7h 7h - 7h Aider la patiente en phase de préparation Surveillance de la patiente Aider l'infirmière à faire les soins Surveillance de la patiente Aider l'infirmière à faire les soins Fig.V.5. Fonction d‟une AS (Aide Soignante) Chapitre V : Conception et Modélisation du cas d‟étude 62 MAR (Médecin Anesthésiste Réanimateur) Dimanche à Jeudi 8h30-15h Garde Vendredi Samedi Dimanche à Vendredi 9h - 9h 15h - 8h30 Examiner la patiente avant sa planification pour l'intervention Induction de l'anesthésie générale, rachianesthésie ou péridurale Surveillance pendant l'intervention Réanimation de la patiente Fig.V.6. Fonction d‟un MAR (Médecin Anesthésiste Réanimateur) Chapitre V : Conception et Modélisation du cas d‟étude 63 Gynécologue (1ère et 2ème année) Dimanche à Jeudi 8h30 - 15h Gynécologue (3ème 4ème et 5ème année) 1 jour / 6 (garde) Dimanche à Jeudi Vendredi Samedi Dimanche à Vendredi 8h30 - 15h Vendredi Samedi Dimanche à Vendredi 9h - 9h 15h - 8h30 Faire des consultations sous RDV 9h - 9h 15h - 8h30 Examiner les patientes Examiner les patientes Faire des admissions Faire des admissions Prescrire des traitements et des bilans Faire des épisiotomies et/ou RU (BA) Participer à des césariennes (Aide) Surveillance et suivi de patientes Encadrer les médecins internes 1 jour / 6 (garde) Prescrire des traitements et des bilans Faire des épisiotomies et/ou RU (BA) Opérer des césariennes Participer à des interventions gynécologique (Aide op) Surveillance et suivi des patientes Encadrer les gynéco 1ère et 2ème année et les médecins internes Donner un avis médical Fig.V.7. Fonction d‟un gynécologue résident Chapitre V : Conception et Modélisation du cas d‟étude 64 3.2.2. CPE Nous présentons, ci-dessous, les CPE des activités les plus importantes dans la maternité à savoir le processus des admissions, le processus d‟accouchement par voie basse et le processus de césarienne. Le CPE relatif à la prise ne charge des nouveaux nés est donné en annexe B. Arrivée patiente Questionnaire Box de consultation 1 ou 2 Patiente à examiner Examen clinique Patiente examiné Dossier d'hospitalisation Prescription de traitement, bilan, ... Ordonnance de médicaments Interrogatoire d'admission Demande d'hospitalisation (pour avoir le billet de salle) Sortie patiente La patiente est affectée au bloc d'accouchement A11 La patiente est affectée au bloc opératoire A14 La patiente est affectée aux ailes des GHR La patiente est hospitallisée au niveau de A12, A21 ou A23 Fig.V.8. CPE de consultation urgente (Aile des admissions) Chapitre V : Conception et Modélisation du cas d‟étude Arrivée patiente dans le bloc d'accouchement (A11) 65 Sage femme Examiner le dossier de la patiente Patiente prête pour accouchement Patiente en travail Besoin d'épisiotomie Pas d'épisiotomie Episiotomie réalisée Début du dégagement Gynécologue Salle de travail Révision utérine Pas de révision utérine Besoin de suture Pas besoin de suture Suture Dégagement Travail Fin de suture Patiente en début d'accouchement Naissance bébé(s) Gynécologue Sage femme Sage femme Salle d'accouchement Surveillence post accouchement Délivrance Prise en charge du (des) bébé(s) Gynécologue Installation sur la table d'accouchement Constatation d'anomalies Fin délivrance Pas d'anomalie Patiente installée Gynécologue Prise en charge des anomalies Tentatives d'accouchement Les anomalies sont prises en charge Accouchement en cours Réaliser les premiers actes d'hygienne de la patiente La patiente quitte le bloc d'accouchement Fig.V.9. CPE d‟accouchement par voie basse (Aile 11) Fille de salle Chapitre V : Conception et Modélisation du cas d‟étude 66 Arrivée Patiente dans le bloc opératoire Salle de préparation Préparation de la patiente Aide soignante Patiente préparée et en attente de l'anesthesie Induction de l'anesthésie Salle d'opération IADE Patiente sous anesthésie MAR Acte chirurgical Gynécologue Extraction du ou des bébé(s) IBODE Réaliser la délivrance Prise en charge du (des) bébé(s) Délivrance faite Le ou les bébé(s) sont pris en charge Fermeture de la plaie Fin de l'acte chirurgical Salle d'opération ou SSPI Réveil Aide soignante Réveil réalisé Réveil non réalisé Transfert patiente en post opératoire Transfert vers le service Réanimation La patiente quitte le bloc opératoire La patiente quitte la maternité Fig.V.10. CPE d‟une césarienne (Aile 14) 3.3. Sous système décisionnel Pour représenter le sous système décisionnel, nous avons utilisé UML et particulièrement le diagramme d‟activités (Fig.V.11). Chapitre V : Conception et Modélisation du cas d‟étude 67 : Nœud initial : Nœud final : Activité : Baranchement conditionnel : Barre de jointure/éclatement Fig.V.11. Sous système décisionnel Chapitre V : Conception et Modélisation du cas d‟étude 68 3.4. Communication entre les trois sous systèmes Sous système logique Sous système physique Sous système décisionnel Fig.V.12. Communication entre les trois sous systèmes Chapitre VI : Implémentation et Mise en Œuvre 69 1. Introduction Dans ce chapitre, nous présentons l‟implémentation de notre modèle d‟action (section 6, chapitre 2) sous ARENA et SIMULA afin d‟évaluer les taux d‟utilisation des ressources humaines et matérielles. Ensuite nous proposons un couplage optimisation-simulation en utilisant une métaheuristique bio-inspirée du comportement des abeilles (section 5, chapitre IV). 2. Implémentation du modèle d’action Dans la méthodologie ASCI (section 6 du chapitre II), la construction du modèle d‟action est l‟étape qui suit l‟élaboration du modèle de connaissance (réalisé dans le chapitre précédent). Nous avons utilisé la simulation à évènements discrets pour l‟implémentation de notre modèle d‟action. Pour faciliter le passage entre le modèle de connaissance et le modèle d‟action, nous utilisons le modèle de files d‟attentes [Fomundam, 2007]. 2.1. Modèle de files d’attentes Les patientes arrivent à la maternité dans différents degrés d‟urgence, elles se présentent au niveau du seul point de filtrage (aile des admissions). Au niveau de cette aile, il existe une seule file d‟attente servie par deux box durant les heures de travail et par un seul box durant les gardes. La file d‟attente n‟est pas gérée par le personnel de la maternité mais chaque patiente doit repérer son ordre par rapport aux patientes qui la précède. Un cas d‟extrême urgence ne peut pas attendre et donc il est prioritaire. Dans ce cas, le personnel se trouvant au niveau des box possède une expérience basée sur l‟observation afin de juger s‟il s‟agit vraiment d‟une urgence ou pas et par conséquent il prend en charge les cas prioritaires. Nous nous intéressons dans cette section à donner les modèles de files d‟attente des ailes admissions, du bloc d‟accouchement (aile 11) et de l‟aile des césariennes et interventions gynécologiques (aile 14 et aile 34). Soit la notation suivante : - prise nom_ress(n)[m] signifie qu‟il s‟agit de l‟utilisation de n ressources appelées nom_ress pour servir m patientes. - si n=m=1 nous utilisons la notation prise nom_ress. Les figures Fig.VI.1, Fig.VI.2, Fig.VI.3, représentent respectivement les modèles de files d‟attente d‟une consultation au niveau de l‟aile des admissions, d‟un accouchement par voie basse et d‟une intervention chirurgicale (césarienne ou gynécologique). Chapitre VI : Implémentation et Mise en Œuvre 70 Sortie (pas d‟admission) libérer table cons, gynéco, box Délai questionnaire Arrivée patiente File d‟attente admissions Prise box, gynéco(2)[1] Délai prescription traitement ambulant Délai d‟examen Attente table consultation Prise table cons Sortie (pas d‟admission) Délai interrogatoire d‟admission libérer table cons Sortie vers une des ailes libérer gynéco, box Fig.VI.1. Modèle de file d‟attente d‟une consultation au niveau de l‟aile des admissions Chapitre VI : Implémentation et Mise en Œuvre 71 Délai de révision utérine Délai d‟accouchement et de délivrance Délai de travail Arrivée patiente au BA File d‟attente Acc VB Libérer lit de travail gynéco Prise Lit de travail gynéco(1)[2] Prise table d‟acc sage femme Délai de surveillance Délai de suture Libérer gynéco Libérer Prise sage femme gynéco Sortie du BA Libérer gynéco, Sage femme table acc Prise gynéco Prise sage femme(2)[5] Sortie du BA Libérer sage femme, table d‟acc Attente salle opération Césarienne Aile 14 Prise Salle Op, AS, IADE Libérer AS Délai de réveil Délai Opération Délai Induction Délai préparation Prise gynéco(3)[1], MAR, IBODE Libérer gynéco, IBODE, IADE Attente lit post op Libérer, MAR, Sortie du BO Délai d‟installation Libérer, Salle Op, Prise AS, lit PO En provenance d‟autres ailes Fig.VI.2. Modèle de file d‟attente d‟un accouchement (VB et césarienne) Libérer AS Chapitre VI : Implémentation et Mise en Œuvre Intervention programmée Aile 34 Prise Salle op, AS, IBODE Délais Opération Délais Induction Délais préparation Attente Salle Op Prise IADE, MAR Libérer AS, IBODE Prise Gyn[3](1), IBODE Attente Lit réveil Libérer Gyn[3](1), IBODE , IADE 72 Prise Lit R, AS Libérer Salle op Fig.VI.3. Modèle de file d‟attente d‟une intervention gynécologique Sortie du BO Attente lit post opératoire Délai de réveil Libérer MAR Libérer Lit R, AS Prise Lit PO, Chapitre VI : Implémentation et Mise en Œuvre 73 2.2. Modèle de simulation sous ARENA Nous avons utilisé le logiciel Arena Rockwell version 12.0 pour la simulation du processus de césariennes et interventions gynécologiques. Dans un premier temps, nous avons simulé le fonctionnement du bloc opératoire réservé pour les césariennes (Aile 14) et celui des interventions gynécologiques (Aile 34) tels qu‟ils sont dans le système existant. Dans un deuxième temps nous avons appliqué des redimensionnements des ressources humaines et matérielles (bloc opératoires) [Zahaf, 2011a] [Zahaf, 2011b]. 2.2.1. Paramètres d’entrée Le tableau VI.1 représente le nombre de ressources existantes au niveau des blocs opératoires (Aile 14 et 34). La loi d‟arrivées utilisée au niveau des césariennes et des interventions gynécologiques est une loi triangulaire dont les paramètres sont extraits à partir du tableau A.6 (annexe A) en calculant les moyennes. Les lois utilisées sont listées dans le tableau VI.2. Bloc Opératoire Césarienne (Aile 14) Interventions gynécologiques (Aile 34) Total Ressource pour les BO (Blocs Opératoires) MAR Gyn IADE IBODE AS Salle Op Lits réveil 2 4 2 1 1 2 3 2 3 1 1 1 1 4 4 7 3 2 2 3 7 Tableau.VI.1. Ressources disponibles au niveau des blocs opératoires Processus d’arrivée Césarienne Interventions gynécologiques Réveil Loi Trian(30,40,120) Trian(51,54,71) Uniforme(5,60) Tableau.VI.2. Lois d‟arrivées des patientes aux BO 2.2.2. Scénarios Le premier modèle est celui du système réel (modèle en deux), c‟est-à-dire, les blocs opératoires sont séparés et nous appliquons des changements sur quelques ressources. Le second est un modèle qui regroupe les deux blocs opératoires en un seul (modèle deux en un). Chapitre VI : Implémentation et Mise en Œuvre 74 a. Modèle en deux Dans un premier modèle d‟évaluation des performances, nous considérons les deux blocs opératoires fonctionnant séparément. Nous appliquons des modifications suivant cinq scénarios : sur le nombre d‟interventions gynécologiques planifiées se déroulant dans le bloc opératoire de l‟aile A34 et sur le nombre de césariennes qui sont réalisées dans l‟aile A14. Scénario M1S1 : simule 3 opérations planifiées et 5 césariennes qui arrivent toutes les 7 heures, soit au maximum 15 césariennes par jour. Les durées de réveil minimales et maximales sont de 5mn et 1heure et ce pour toute intervention. Le scénario M1S1 accuse un taux de traitement de 100% (Tableau VI.3). Scénario M1S2 : simule le même processus d‟arrivée qu‟en M1S1 en augmentant la durée de séjour des patientes en SSPI (Salle de Surveillance Post Interventionnelle) jusqu‟à leur réveil complet (de 1 à 2 heures). Nous remarquons que le taux de traitement en SO (Salle d‟Opération) et en SSPI diminue et l‟utilisation de l‟aide soignante de l‟aile 14 (AS14) augmente. Modèle deux ailes Modèle Scénario M1S1 M1S3 M1S4 M1S5 M2S1 M2S2 Patientes Cés Autre Cés. Autre Cés. Autre Cés. Autre Cés Autre Cés. Autre Cés. Autre Nbr. 15 3 15 3 15 3 15 3 18 3 15 3 21 5 Entrantes Nbr. 15 3 15 3 15 3 15 3 18 3 15 3 21 5 Taux 100 100 100 100 100 100 100 100 100 100 100 100 100 100 Nbr. 15 3 15 3 15 3 14 3 18 3 15 3 21 5 Taux 100 100 100 100 100 100 93,33 100 100 100 100 100 100 100 Nbr. 15 3 11 3 15 3 14 3 18 3 15 3 21 5 Taux 100 100 73,33 100 100 100 93,33 100 100 100 100 100 100 100 Nbr. 15 3 11 3 15 3 14 3 18 3 15 3 21 5 Taux 100 100 73,33 100 100 100 93,33 100 100 100 100 100 100 100 3 16 3 15 3 21 5 100 88,9 100 100 100 100 100 Préparées Induises Opérées Entrantes en SSPI Nbr. 15 3 10 3 15 3 13 Taux Taux d‟utilisation 100 100 66,67 100 100 100 86,67 Temps occupation a14 a34 Réveillées SO M1S2 Modèle 2 en 1 39,29 31,89 38,03 36,02 44,28 18,669 23,8829 21,0779 23,6831 23,8139 4,655 6,6047 6,8531 6,25347 6,8531 45,43 60,01 18,0996 19,2352 SSPI 6,31 12,49 16,63 19,23 18,07 16,48 23,87 AS 24,57 45,83 40,53 46,61 44,17 40,15 58,08 IADE 36,90 29,00 36,30 34,27 42,27 41,94 54,97 IBODE 36,09 25,93 33,21 29,86 36,79 39,47 52,95 Gyn. et Résidents 13,46 10,55 12,53 11,68 13,56 14,21 20,35 MAR 29,64 39,99 45,71 48,58 50,02 49,92 70,24 Tableau.VI.3. Taux de traitements des patientes et taux d‟utilisation des ressources des différents scénarios Chapitre VI : Implémentation et Mise en Œuvre 75 Scénario M1S3 : il ressemble au deuxième en ajoutant un AS à l‟aile 14. Nous avons constaté que l‟ajout d‟un AS a pu résoudre le problème de réveil. Scénario M1S4 : considérons la configuration obtenue en M1S3 et augmentons la durée de réveil jusqu‟à 3 heures mais un changement de la procédure est nécessaire pour permettre au MAR (Médecin Anesthésiste Réanimateur) de traiter plus de patientes. Nous remarquons que le taux de patientes traitées en SSPI a diminué à 93,33%. Scénario M1S5: Après l‟amélioration dans le temps de réveil, nous augmentons dans ce dernier scénario, le nombre de césariennes à 18 par jour pour voir si le système fonctionnera toujours et donc nous constatons que le système continu à fonctionner. b. Modèle deux en un Dans un deuxième modèle de dimensionnement M2, nous reconfigurons le système en une seule aile (Fig.VI.4) qui regroupe toutes les interventions avec une durée de réveil entre 1 et 2 heures et des ressources communes dont 3AS et nous simulons deux scénarios. Scénario M2S1 : dans ce premier scénario nous essayons 15 césariennes et 3 autres opérations. Le système fonctionne parfaitement (Fig.VI.5). Scénario M2S2 : nous augmentons le nombre de césariennes jusqu‟à 21 par jour et les autres à 5. Le modèle fonctionne parfaitement avec un temps d‟occupation ordinaire des SO moins de 20h et des taux d‟utilisation équitables entre les praticiens (Fig.VI.6). Chapitre VI : Implémentation et Mise en Œuvre Ent r er _Pat ient 76 Par am èt r e_Pat ient net t oyage 0 induct ion Liberer _SalleO perat ion O per at ion Dis pose 3 0 0 0 0 0 At t ent e_SalleO perat oir e pr epar at ion Enr egis t r er _Salle 0 liberer equipe de bloc Dem ande_Lit _Reveil Separ at e 1 O r ig in a l 0 liberer_AS Du p lic a t e SSPI _Reveil Liberer _SSPI _m ar_as Sor t ie_Pat ient Dem ande_iade 0 Fig.VI.4. Modèle de simulation ARENA 0 Chapitre VI : Implémentation et Mise en Œuvre 0,600 0,550 0,500 0,450 0,400 0,350 0,300 0,250 0,200 0,150 0,100 0,050 77 as1_14 as2_14 as3_34 gyn1_14 gyn2_14 gyn3_34 gyn4_34 iade1_14 iade2_14 iade3_34 ibode1_14 ibode2_34 lit 1_34 lit 2_34 lit 3_34 lit 4_34 lit5_14 lit6_14 lit7_14 mar1_14 mar2_14 mar3_34 mar4_34 res_34 res3_14 res4_14 so1_34 so2_14 so3_14 Fig.VI.5. Taux d‟utilisation des ressources sous le scénario M2S1 0,800 as1_14 as2_14 as3_34 gyn1_14 gyn2_14 gyn3_34 gyn4_34 iade1_14 iade2_14 iade3_34 ibode1_14 ibode2_34 lit 1_34 lit 2_34 lit 3_34 lit 4_34 lit5_14 lit6_14 lit7_14 mar1_14 mar2_14 mar3_34 mar4_34 res_34 res3_14 res4_14 so1_34 so2_14 so3_14 0,700 0,600 0,500 0,400 0,300 0,200 0,100 Fig.VI.6. Taux d‟utilisation des ressources sous le scénario M2S2 A l‟issue de ces différents scénarios, nous constatons qu‟un redimensionnement du système réel est nécessaire de façon à regrouper les deux ailes 14 et 34 en une seule et avoir un seul plateau médico-technique qui prend en charge à la fois les césariennes et les interventions gynécologiques qu‟elles soient planifiées ou urgentes. 2.3. Modèle de simulation sous SIMULA Nous avons utilisé le langage de programmation SIMULA pour la simulation de deux processus. Le premier est celui de l‟arrivée des patientes à l‟aile des admissions et leurs affectations aux blocs d‟accouchement et aux blocs opératoires. Le deuxième processus concerne l‟accouchement par voie basse au niveau du bloc d‟accouchement par (Aile11) [Belkadi, 2010]. Chapitre VI : Implémentation et Mise en Œuvre 78 En se basant sur les données collectées durant le stage [zahaf, 2010a], nous avons simulé le fonctionnement des ailes admissions, bloc d‟accouchement et les blocs opératoires. 2.3.1. Simulation des admissions Dans une première étape, nous avons pris le flux de patientes (37 patientes) qui se sont présentées à la maternité durant 24 heures d‟un week-end. La liste des patientes arrivées à la maternité était saisie dans un fichier Excel. Le tableau VI.4 donne les durées minimales et maximales des phases essentielles dans les cas d‟admission, d‟accouchement par voie basse et des interventions gynécologiques (y compris les césariennes). Le temps des inter-arrivées est aléatoire et suit une loi exponentielle dont le paramètre λ (lambda) est calculé à partir de la liste de patientes arrivant à l‟aile d‟admissions (point de filtrage). Sachant que durant les périodes de gardes le nombre de ressources humaines diminue ainsi qu‟aux ressources matérielles (1 box d‟admissions au lieu de 2). Phase Processus d’admission Processus d’accouchement par voie basse Processus de césarienne ou intervention gynécologique Questionnaire Examen clinique Prescription de traitement Sortie Travail Délivrance Suture Surveillance post accouchement Révision utérine Préparation Induction Acte chirurgical Réveil Déplacement vers le post op Durée en mn (min-max) 2-5 5-10 2-5 5-10 30-480 10-30 10-20 30-120 10-20 10-20 10-15 30-120 5-60 5-10 Tableau. VI.4. Durées des phases de traitement des patientes Un fragment de la trace de simulation est donné par la figure (Fig.VI.7) où il y a une représentation des temps de prise en charge de quelques patientes arrivées à des instants différents et dans différents états et sont affectées suivant leurs pathologies aux ailes correspondantes. La classe Gpsss fournit les objets de base des réseaux de files d‟attentes (RdF) à savoir l‟objet Facility, Transaction, Storages et Region. L‟objet Facility correspond au serveur Chapitre VI : Implémentation et Mise en Œuvre 79 unique (Admissions). L‟objet Transaction, représente le flux de patientes. L‟objet Storages est celui qui représente les ressources utilisées qu‟elles soient humaines ou matérielles (Fig.VI.8). L‟objet Region, concerne les statistiques des phases de surveillance pré et post accouchement ainsi qu‟aux délais d‟attente des patientes au niveau des admissions, du bloc d‟accouchement et du bloc opératoire (Fig.VI.9). Type (1 : non admise (sans trt), 2 : non admise (avec trt ambulant), 3 : accouchement par VB, 4 : césarienne, 5 : autre ailes, 6 : bloc opératoire) Fig.VI.7. Fragment de la trace de simulation La figure (Fig.VI.8) représente les taux d‟utilisation des ressources matérielles et humaines (tables de consultation : TableAdmis, tables d‟accouchement : TableBAcc, tables d‟opérations : TableBOp, lits de travail : LitBAcc, lits de réveil : LitBOp, Gynécologue des admissions : GynecoAdmis, Gynécologue du bloc d‟accouchement : GynecoBAcc, Gynécologue du BO : GynecoBOp, Sage femme du bloc d‟accouchement : SageFeBAcc, MAR : Médecin Anesthésiste Réanimateur, IADE : Infirmier Anesthésiste Diplômé d‟Etat, IBODE : Infirmier du Bloc Opératoire Diplômé d‟Etat, AS : Aide Soignante) durant une garde de 24 heures. Chapitre VI : Implémentation et Mise en Œuvre X : Nbre total d‟arrivées 80 Nombre moyen de patientes X*Y/1440 Y : Temps moyen de traitement Etat du Service Nombre de patientes Nombre moyen de patientes Temps moyen de traitement Nombre de patientes en cours Nombre de ressources Taux d‟occupation Nombre total de patientes : 33 Bloc d‟accouchement : 13 Bloc opératoire : 08 Autres ailes : 09 Non admises : 03 Fig.VI.8. Taux d‟utilisation des ressources Temps moyen de séjour Nbre de patientes ayant une durée de séjour nulle Fig.VI.9. Phase de surveillance dans le BA et le temps d‟attente des patientes Chapitre VI : Implémentation et Mise en Œuvre 81 2.3.2. Résultats et discussion Pour la liste des 33 patientes arrivées durant les 24 heures, l‟aile des admissions a un temps moyen de traitement (examen et affectation) d‟environ 17 minutes et donc il semble que l‟aile des admissions n‟est pas surchargée à l‟exception des gynécologues de cette aile qui accusent un taux d‟occupation de 47,97% (Fig.VI.8). Les gynécologues et les sages femmes du bloc d‟accouchement ne sont pas trop occupés durant la prise en charge de 13 accouchements par voie basse. Les lits de travail et les tables d‟accouchement sont utilisés à 32,95% et 20,73% respectivement. Par contre, les ressources du bloc opératoire (MAR et gynécologues) sont occupées respectivement à 63,66% et 50,94% pour une prise en charge de 8 césariennes ce qui est important dans une garde et c‟est pour cette raison qu‟un redimensionnement a été proposé dans la section 2.2 de ce chapitre. La figure (Fig.VI.9) indique les temps moyens d‟occupation des gynécologues (291,94 mn) et sages femmes (70,71 mn) pendant les phases de surveillance du travail (avant accouchement) et du post accouchement au niveau du BA (bloc d‟accouchement). Il en résulte que la phase de surveillance mobilise le personnel et augmente son taux d‟utilisation. Les temps moyens d‟attente des patientes est raisonnable, il est de quelques minutes (moins de 10 mn). Ces résultats sont ceux d‟une simulation de 24 heures d‟un week-end du mois de mai 2010 qui n‟a pas connu un grand flux de patientes, mais en réalité il ya des périodes (juillet, aout et septembre) où le flux est cinq fois plus important que celui-ci. Durant la phase de stage [Zahaf, 2010a], nous avons constaté que le bloc d‟accouchement reçoit un très grand nombre de patientes pour accouchement par voie basse dont 7% d‟entre elles peuvent être réaffecté vers le bloc opératoire pour une césarienne urgente suite à des complications rencontrées durant l‟accouchement par voie basse. Cela nécessite de libérer les tables d‟accouchement le plus tôt possible pour accueillir d‟autres patientes et donc nous avons constaté que la phase de surveillance post accouchement est souvent réduite de 2 heures à 30 ou même 20 minutes. Notons que cette phase est très importante pour éviter des hémorragies post délivrance qui peuvent conduire à la gravité de l‟état de la patiente. A partir de ce constat, nous proposons un redimensionnement des ressources humaines et matérielles du bloc d‟accouchement en améliorant la durée de surveillance post accouchement pour qu‟elle soit entre 1 et 2 heures et en maximisant le taux d‟utilisation des tables d‟accouchement tout en respectant certaines contraintes (nombre de ressources ou un Chapitre VI : Implémentation et Mise en Œuvre 82 seuil d‟optimisation donné). Dans la section suivante, nous décrivons notre approche adoptée. 2.3.3. Couplage Optimisation-Simulation du bloc d’accouchement La démarche adoptée consiste à implémenter une communication itérative entre deux modules, le premier est le module d‟optimisation (méthodes d‟optimisation) qui propose une solution pour les paramètres du système et les transmet au module de simulation (modèle d‟évaluation des performances). Ce dernier calcule la fonction objectif (taux d‟utilisation des tables d‟accouchement) en vérifiant certaines contraintes (durée de surveillance, taux d‟occupation des sages femmes et des gynécologues). Suivant la réponse renvoyée par le module de simulation, le module d‟optimisation décide s‟il faut continuer pour proposer un autre dimensionnement jusqu‟à ce qu‟un critère d‟arrêt soit atteint. La figure (Fig.VI.10) illustre le principe de couplage implémenté. Fig.VI.10. Couplage Optimisation-Simulation pour le Redimensionnement du BA Chapitre VI : Implémentation et Mise en Œuvre 83 Pour l‟optimisation, nous avons utilisé une métaheuristique basée sur le comportement bio-inspiré du processus de récolte de nourriture chez les abeilles (métaheuristique décrite dans la section du chapitre IV). 2.3.3.1. Paramètres de la simulation Les paramètres les plus importants dans le fonctionnement du bloc d‟accouchement constituent les ressources humaines et matérielles disponibles pour la prise en charge des patientes qui se présentent pour un accouchement par voie basse. Le tableau (Tableau.VI.5) représente le nombre minimal, usuel et maximal pour les ressources du bloc d‟accouchement. Le nombre de gynécologues peut être 2 dans le cas d‟absence et 4 dans le cas normal. Le nombre de sages femmes est habituellement 5 mais il peut être augmenté à 7 et dans le cas de congés et d‟absence il est arrivé même à 3. Les salles de travail sont au nombre de 4 et sont très restreintes, chacune d‟elles peut contenir deux lits de travail. Dans le cas où une patiente porteuse du VIH se présente au bloc, elle est isolée et donc elle mobilise une salle (deux lits sont mobilisées), cette salle ne sera réutilisée qu‟après 24 heures (pour désinfection) d‟où le nombre minimal des lits est 6. Même chose pour les tables d‟accouchement, leur nombre pourra être réduit à 4 si un cas de VIH est présent (isolation de la salle). La superficie des salles d‟accouchement permet l‟ajout d‟une deuxième table de telle sorte qu‟une patiente en surveillance post accouchement soit mise avec une autre patiente en délivrance pour éviter certaines situations de panique chez les patientes. Resources du BA Gynecologues Sages Femmes Lits de travail Tables d‟accouchement Valeur Minimale 2 3 6 4 Valeur usuelle 3 5 8 5 Valeur Maximale 4 7 8 10 Tableau. VI.5. Paramètres de simulation 2.3.3.2. Paramètres d’optimisation Le couplage implémenté vise à maximiser le taux d‟utilisation des tables d‟accouchement (fonction objectif) de façon à améliorer le nombre de patientes traitées. Nous avons apporté une amélioration dans la durée de surveillance post accouchement (entre 1 et 2 heures). Chapitre VI : Implémentation et Mise en Œuvre 84 La métaheuristique employée pour l‟optimisation de notre fonction objectif est la métaheuristique basée sur le comportement des abeilles lors de la récolte de nourriture à partir d‟un certain nombre de sites promoteurs qui représentent l‟espace de solution. Nous utilisons l‟algorithme de colonie d‟abeilles artificielles ABC (Artificial Bee Colony) décrit dans le chapitre IV car il a été utilisé dans plusieurs problèmes d‟optimisation et il a été jugé performant. L‟analogie entre la colonie d‟abeilles en nature et la colonie d‟abeilles artificielles est donnée dans le tableau (Tableau. VI.6). Colonie d’abeilles en nature Source de nourriture (Sites) Qualité du nectar Abeilles ouvrières en attente de recrutement dans la ruche pour devenir butineuses Abeilles éclaireuses Nombre de sites promoteurs Colonie d’abeilles artificielles Solution Fonction objectif Exploitation de la recherche (intensification) Exploration de la (diversification) Nombre de solutions recherche Tableau. VI.6. Analogie entre les abeilles en nature et l‟ABC Dans notre cas, la fonction objectif est la même que la fitness (taux d‟utilisation des tables d‟accouchement). Pour la simulation du bloc d‟accouchement (BA), nous considérons l‟existence de deux zones au niveau du BA (zone 1 : zone de travail et zone 2 : zone d‟accouchement). Nous avons pris une autre liste de 95 patientes (32 en zone 1 et 63 en zone 2) qui se présentent suivant un processus aléatoire (loi exponentielle) au bloc d‟accouchement durant 48 heures d‟un week-end. Chacune suivant son état, la patiente est affectée à la zone de travail si elle est en phase de travail ou bien en zone d‟accouchement s‟il s‟agit d‟un accouchement immédiat. La simulation est faite pour 30 réplications et chaque réplication est un ensemble d‟itérations de l‟algorithme ABC. 2.3.3.3. Résultats et discussion La figure (Fig.VI.11) donne le début de simulation du processus d‟accueil des patientes au niveau du bloc d‟accouchement. La fin de la phase de travail (zone 1) pour une patiente entraine son passage à la salle d‟accouchement (zone 2) sauf dans le cas où le travail n‟abouti pas et des complications apparaissent alors la patiente est réaffectée au bloc opératoire pour césarienne. Chapitre VI : Implémentation et Mise en Œuvre 85 Fig.VI.11. Premières traces de simulation du bloc d‟accouchement L‟objet storages de la classe Gpsss donne les résultats de simulation de plusieurs réplications. Nous avons fait 30 réplications à partir desquelles nous avons sélectionné trois représentées par les figures ci-dessous. Une première réplication a généré le résultat obtenu dans la figure (Fig.VI.12.a) qui affiche un taux d‟utilisation des tables d‟accouchement de 51.20% en ayant 3 gynécologues, 7 sages femmes, 8 tables et 4 lits. Ce taux s‟explique par la disponibilité de 8 tables d‟accouchement. Fig.VI.12.a. Taux d‟utilisation des ressources (1ère réplication) La figure (Fig.VI.12.b est relative à une 5ème réplication, elle a affiché un taux d‟utilisation de 43,63% pour les tables d‟accouchement en prenant comme paramètres (2, 5, 9, 8) respectivement pour (gyneco, SF, Tables, Lits). Ce taux s‟explique par la disponibilité de 9 tables d‟accouchement. Chapitre VI : Implémentation et Mise en Œuvre 86 Fig.VI.12.b. Taux d‟utilisation des ressources (5ème réplication) Une 15ème réplication (Fig.VI.12.c) a donné un taux élevé d‟utilisation des tables car une réduction des ressources est faite (4 tables). Fig.VI.12.c. Taux d‟utilisation des ressources (15ème réplication) En se basant sur ces résultats, nous constatons que ce couplage « optimisation-simulation » nous offre des configurations différentes (redimensionnement des ressources) qui conduisent à des taux d‟utilisation variables. A cette étape, le rôle des décideurs hospitaliers est très important car ils doivent juger le taux à retenir et la ressource à employer pour la prise en charge d‟un flux supplémentaire de patientes car cette simulation a été faite sur une liste de 93 patientes mais il se peut que le nombre augmente. Notons qu‟il est possible de : - modifier les valeurs minimales et maximales des ressources suivant la capacité de l‟unité obstétrique simulée. - fixer un seuil optimal pour le taux d‟utilisation des tables d‟accouchement c'est-à-dire l‟optimisation ne retient que des solutions qui ne dépassent pas le seuil choisi. Cela est nécessaire pour se permettre une réserve d‟absorbation d‟un nombre plus important de patientes. Chapitre VI : Implémentation et Mise en Œuvre 87 3. Conclusion En conclusion la maternité du CHUO connait un nombre de patientes très élevé qui surcharge le personnel médical et paramédical et conduit parfois à ce que les patientes s‟installent par terre ou un lit de travail comporte deux patientes qui ne peuvent même pas s‟allonger. Il est vrai que l‟ajout de tables d‟accouchement et de lits est utile, mais le plus important est que les polycliniques prennent en charge au mois la population de leurs quartiers. Aussi, nous tenons à noter que la disponibilité des gynécologues n‟est pas due à un nombre suffisant mais elle est due au nombre d‟heures qu‟ils font tel que un médecin fait une garde après une journée de travail et assure la post garde s‟il s‟agit d‟un jour ouvrable et donc chaque médecin fait un volume horaire de 48 heures continues à chaque garde avec une fréquence d‟une garde par semaine. Conclusion Générale 88 Conclusion Générale La mesure de la performance dans le domaine hospitalier est une préoccupation majeure des gestionnaires et décideurs hospitaliers. Dans ce contexte, notre travail s‟est intéressé à l‟évaluation de la performance du service maternité du CHUO. Ce service connait un flux important et imprévisible de patientes et souvent une saturation de sa capacité de prise en charge. Pour réaliser le présent travail, nous l‟avons réparti sur quatre phases : La première concerne la collecte d‟informations et de données de la maternité. Cette phase était réalisée à travers un stage de plus de trois mois, durant lequel nous avons pris connaissance du fonctionnement et des ressources humaines et matérielles gérées par le service, ainsi que les problèmes rencontrés par le personnel médical et paramédical et les soucis des patientes. Une partie des données était recensée à partir des registres (statistiques) et une autre partie était collectée à partir du vécu durant le stage (processus d‟arrivée et de traitement). Nous avons adopté la méthodologie ASCI afin de réaliser la deuxième et la troisième phase relatives au modèle de connaissance (la modélisation) et le modèle d‟action (la simulation) du service maternité. Pour la modélisation, nous nous sommes servi de l‟outil ARIS et UML et en utilisant le modèle de files d‟attente, nous avons effectué le passage entre le modèle de connaissance et le modèle d‟action. Ce dernier a simulé deux parties très importantes dans la maternité : le fonctionnement des blocs opératoires qui prennent en charge les interventions programmées et urgentes, et le bloc d‟accouchement par voie basse. La simulation à évènements discrets, des Blocs Opératoires (BO), a été faite par l‟outil ARENA en déroulant plusieurs scénarios où un redimensionnement était appliqué sur les BO et les aides soignantes (AS). Les résultats ont montré que si l‟on regroupe les blocs opératoires, nous obtenons de meilleurs taux d‟utilisation des BO et des praticiens ainsi qu‟une amélioration de la durée de séjour des patientes au niveau des salles de réveil (SSPI). Quant à la simulation du bloc d‟accouchement, elle a été réalisée en utilisant le langage de programmation SIMULA. Nous nous sommes basés sur les données de 24 heures d‟une garde durant un week-end puis de 48 heures. Les résultats ont montré que les taux d‟utilisation des ressources humaines et matérielles est acceptable à l‟exception des gynécologues de l‟aile des admissions. Les durées d‟attente des patientes n‟ont pas dépassé 10 minutes ce qui est un temps tolérable. Conclusion Générale 89 Par contre la phase de surveillance post accouchement augmente les taux d‟utilisation des gynécologues et des sages femmes ainsi que les tables d‟accouchement. La dernière phase de notre travail consiste à implémenter un couplage « optimisationsimulation » pour l‟optimisation du taux d‟utilisation des tables d‟accouchement (fonction objectif) tout en proposant un redimensionnement des ressources humaines et matérielles. Une amélioration du temps de surveillance post accouchement est faite afin d‟éviter des complications de type hémorragies. L‟optimisation de la fonction objectif est faite par l‟application d‟une métaheuristique basée sur le comportement des abeilles lors de la récolte de la nourriture. Enfin, nous pensons que ce travail ouvre plusieurs perspectives de recherche sur : - L‟optimisation des délais de séjours post-opératoires et post-partum afin d‟atteindre les normes médicales et cela en redimensionnant les ailes concernées tout en assurant une bonne prise en charge des patientes. - La planification des gardes en satisfaisant certaines contraintes (prise en charge d‟un flux important de patientes, et préférences (élargir l‟intervalle qui sépare deux gardes d‟un même médecin, réduire la post garde). - L‟application d‟autres métaheuristiques pour l‟optimisation des paramètres de performance de la maternité. - La simulation du fonctionnement de la maternité avec un service minimum (cas d‟absence du personnel pour raison de passage d‟examen ou grève). - Le passage de l‟optimisation mono objective à l‟optimisation multi objective par la prise en considération de plusieurs critères à la fois et non seulement un seul (taux d‟utilisation des tables d‟accouchement). Bibliographie 90 Bibliographie [Ahmed, 2009] M. A. Ahmed and T.M. Alkhamis, “Simulation Optimization for an Emergency Department Healthcare Unit in Kuwait”, European Journal of Operational Research, pp. 936-942, 2009. [Augusto, 2008] V. Augusto, “ Modélisation, Analyse et Pilotage de Flux en Milieu Hospitalier à l‟Aide d‟UML et des Réseaux de Petri”, Thèse de doctorat, 2008. [Bachelet, 2005] B. Bachelet and L. Yon, “Model Enhancement: Improving Theoretical Optimization with Simulation”, Research Report LIMOS, Université Blaise-Pascal, 2005. [Barnes, 1997] C. D. Barnes, J. L. Quiason, C. Benson and D. McGuiness, “Success Stories in Simulation in Health Care”, Proceedings of the Winter Simulation Conference WSC‟97, pp.1280-1285, 1997. [Basseur, 2005] M. Basseur, “Conception d‟Algorithmes Coopératifs pour l‟Optimisation Multi-Objectifs”, Thèse de doctorat, Université de Lille, France, 2005. [Belbachir, 2009] K. Belbachir, “Etude d‟Outils de Modélisation et de Simulation. Application aux systèmes hospitaliers”, PFE de master 2 en informatique USTO, 2009. [Belkadi, 2008] K. Belkadi, A. Tanguy, “Modelling and Simulation of the Pharmacy for the University Hospital Center of Oran (Algeria)”, 22th European Simulation and Modelling Conference (ESM), 2008. [Belkadi, 2009a] K. Belkadi, Cours de Magister, département d‟informatique, USTO, 2009. [Belkadi, 2009b] K. Belkadi, A. Tanguy, “Modelling and Simulation of the Stomatology Service for the RMUHO”, Proceeding of the 23rd European Simulation and Modelling Conference (ESM), Le Havre, France, 2009. [Belkadi, 2010] K. Belkadi, N. Zahaf and A. Tanguy, “Modeling and Simulation of the Maternity for the UHCO”, Proceeding of the 24th European Simulation and Modelling Conference (ESM), Hasselt, Belgique, 2010. [Bell, 2004] D. S. Bell, S. Cretin, R. S. Marken and A. B. Landman, “A Conceptual Framework for Evaluating Outpatient Electronic Prescribing Systems Based on Their Functional Capabilities”, Journal of the American Medical Informatics Association, Vol. 11, n°1, pp. 60-70, 2004. [Borne, 2009] P. Borne, “Métaheuristiques pour l‟Optimisation Difficile”, Revue de l‟Electricité et de l‟Electronique REE, 2009. [Boumane, 2006] A. Boumane, A. Talbi, C. Tahon and D. Bouami, “Identification des Compétences Requises en Milieu Hospitalier : Application aux Médecins”, GISEH‟06 Luxembourg, 2006. [Cabarbaye, 2009] A. R. Cabarbaye, Laulheret, “Modèle de Simulation Récursive et Optimisation”, 41èmes Journées de Statistique, SFdS, Bordeaux, 2009. Bibliographie 91 [Cassagne, 2008] R. Cassagne, “Un outil d‟Aide à la Décision pour le Dimensionnement et la Planification des Blocs Operatoires”, Mémoire d‟ingénieur C.N.A.M en informatique, Auvergne, 2008. [Celano, 2006] Celano. G, Fichera. S, Guglielmino. M.G et Trefiletti. M, “Activity simulation within a radiology department with limited nurse resources”, INCOM‟2006, vol. 3, pp. 695Ŕ700, 2006. [Chaabane, 2004] S. Chaabane, “Gestion Prédictives des Blocs Opératoires”, Thèse de doctorat en informatique, Institut national des sciences appliquées de Lyon, 2004. [Chabrol, 2001] M. Chabrol, D. Sarramia, “Modélisation Orientée Objets du Système d'Information des Systèmes de Trafic Urbain : une Approche Multi-Agents”, Université Blaise Pascal Ŕ Clermont-Ferrand II, 2001. [Chabrol, 2005] M. Chabrol, P. Féniès, M. Gourgand et N. Tchernev, “Un Environnement de Modélisation pour le Système d‟Information de la Supply Chain : Application au Nouvel Hôpital d‟Estaing”, 2005. [Chabrol, 2008a] M. Chabrol, D. Gallot, M. Gourgand and S. Rodier, “A Simulation Tool for Analyzing and Improving the Maternity Block Management”, MCO 2008, CCIS 14, pp. 5968, 2008. [Chabrol, 2008b] M. Chabrol, M. Gourgand, S. Rodier, “Modèle de Connaissance Générique et Outils d‟Aide à la Décision pour les Blocs Obstétricaux”, 7ème Conférence Internationale de Modélisation et Simulation, MOSIM‟08, Paris- France, 2008. [Chabrol, 2009] M. Chabrol, M. Gourgand, S. Rodier, “A Modeling Methodology and Its Application to the Design of Decision-Making Aid Tools Dedicated to the Hospital Systems”, 2009. [Chahed, 2008] S. Chahed Jebalia, “Modélisation et Analyse de l‟Organisation et du Fonctionnement des Structures d‟Hospitalisation à Domicile”, Thèse de doctorat, Ecole centrale Paris, 2008. [Chauvet, 2005] J. Chauvet, “Processus de Modélisation d‟une Unité Générique de Soins pour le Système d‟Information et d'Aide à la Décision de la Supply Chain du Nouvel Hôpital d‟Estaing”, Mémoire d‟études supérieures spécialisées, 2005. [Chauvet, 2009] J. Chauvet, M. Gourgand, S. Rodier, “Methodological Approach and Decision-Making Aid Tool for the Hospital Systems: Application to an Emergency Department”, ESM conference, 2009. [Chong, 2006] C. S. Chong, M.Y. Hean Low, A. I. Sivakumar and K. L. Gay, “A Bee Colony Optimization Algorithm to Job Shop Scheduling”. Proceedings of the 38th Conference on Winter Simulation, pp. 1954-1961, 2006. [Clerc, 2004] M. Clerc, P. Siarry, “Une nouvelle Métaheuristique pour l‟Optimisation Difficile : la Méthode des Essaims Particulaires”, J3EA, Vol. 3-7, 2004. [Colomb, 2007] D. Colomb-Delsuc, M.A. Mare, “Recueil des Données du Bloc Obstétrical”, Projet de modélisation du Nouvel Hôpital d‟Estaing, Université d‟Auvergne, 2007. Bibliographie 92 [Connelly, 2004] L. G. Connelly, A. E. Bair, “Discrete Event Simulation of Emergency Department Activity: A Platform for System-Level Operations Research”, ACAD EMERG MED, Vol. 11, pp. 1177-1185, 2004. [Dahl, 2001] O. J. Dahl, “The Birth of Object Orientation: the Simula languages”, 2001. Téléchargé à partir de l‟URL http://cs-exhibitions.uniklu.ac.at/fileadmin/template/documents/text/birth-of-oo.pdf. [Dhaenens, 2007] C. Dhaenens, E. G. Talbi, “Optimisation Multi-Critère : Approche par Métaheuristiques”, Laboratoire d‟Informatique Fondamentale de Lille, Université de Lille 1, France, 2007. [Dréo, 2004] J. Dréo, P. Siarry, “Métaheuristiques pour l‟Optimisation et Auto-Organisation dans les Systèmes Biologiques”, téléchargé le 20/12/2010 à partir de l‟URL http://www.nojhan.net/pro/IMG/pdf/dreo_metah-auto-organisation_2004.pdf, 2004. [Dréo, 2006] J. Dréo, P. Siarry, “Métaheuristiques d'Optimisation Vues sous l'Angle de l'Echantillonnage de Distribution”, conférence JESA, 2006. [Fei, 2006] H. Fei, “Vers un Outil d‟Aide à la Planification et à l‟Ordonnancement des Blocs Opératoires”, Thèse de doctorat, Université de technologie de Troyes, 2006. [Féniès, 2006] P. Féniès, M. Gourgand and S. Rodier, “Interoperable and Multi-flow Software Environment : Application to Health Care Supply Chain”, BPM 2006 Workshops, LNCS 4103, pp. 311-322, 2006. [Fleury, 2007] G. Fleury, P. Lacomme, A. Tanguy, “Simulation à Evènements discrets”, édition Eyrolles, 2007. [Fomundam, 2007] S. Fomundam, J. Herrmann, “A Survey of Queuing Theory Applications in Healthcare”, ISR technical report, The Institute for Systems Research, 2007. [Glaa, 2008] B. Glaa, “Contribution à la Conception et l‟Optimisation d‟un Système d‟Aide à la Gestion des Urgences”, Thèse de doctorat en automatique et informatique industrielle, Ecole centrale de Lille, 2008. [Goäeffon, 2006] A. Goäeffon, “Nouvelles Heuristiques de Voisinage et Mémétiques pour le Problème Maximum de Parcimonie”, thèse de doctorat en informatique, université d‟Angers, 2006. [Gourgand, 1991] M. Gourgand, P. Kellert, “Conception d‟un Environnement de Modélisation des Systèmes de Production”, 3ème congrès international de génie industriel, Tours, France, 1991. [Gourgand, 2007] M. Gourgand, F. Mebrek, A. Tanguy, “Modelling and Simulation of the Pharmacy of a New Hospital”, Proceedings 21st European Conference on Modelling and Simulation (ECMS), 2007. [Hebuterne, 2000] G. Hebuterne, “Introduction à la Simulation par Evènements”, support de cours, Institut national des télécommunications, INT, 2000. [Jebali, 2004] A. Jebali, “Vers un Outil d‟Aide à la Planification et à l‟Ordonnancement des Ressources dans les Services de Soins”, Thèse de doctorat, Institut National Polytechnique de Grenoble, 2004. Bibliographie 93 [Karaboga, 2005] D. Karaboga, “An Idea based on honey bee swarm for numerical optimization”, Technical report-TR06, 2005. [Karaboga, 2007] D. Karaboga, B. Akay and C. Ozturk, “Artificial Bee Colony (ABC) Optimization Algorithm for Training Feed-Forward Neural Networks”, MDAI 2007, LNAI 4617, pp. 318-329, 2007. [Kreke, 2004] J. E. Kreke, A. J. Schaefera and M. S. Robertsa, “Simulation and Critical Care Modeling”, Current Opinion in Critical Care, pp. 395-398, 2004 [Krour, 2008] D. Krour, N. Beladam, “Modélisation et Simulation d‟un Système Hospitalier (Cas des services Ophtalmologie te Stomatologie de l‟HMRUO)”, Mémoire de PFE en informatique, USTO, 2008. [Kurrek, 2010] M. M. Kurrek, P. J. Morgan, D. Tregunno, R. Pittini, G. Regehr, “Simulation Use To Establish Outcome Measures for Critical Event Management by Obstetrical Teams”, Annual Meeting of the American Society Anesthesiologists, San Diego, Canada, 2010. [Lapetoule, 2006] K. Lapetoule, “Les Algorithmes Métaheuristiques”, téléchargé à partir de www.lapetoule.com/meta/fr/métaheuristique_fr.pdf, 2006. [Mano, 2006] J. P. Mano, C. Bourjot, G. Lopardo, P. Glize, “Bio-inspired Mechanisms for Artificial Self-Organised Systems”, pp. 55-62. Informatica 30, 2006. [Mayer, 1995] R. J. Mayer, C. P. Menzel, M. K. Painter, P. S. Dewitte, T. Blinn and B. Perakath, “Information integration for concurrent engineering (IICE), IDEF3 Process description capture method report”, Technical report (téléchargé à partir de http://www.idef.com le 05/03/2010), 1995. [McKee, 1999] T. C. McKee, T. J. Ward, M. W. Isken, “From Theory to Practice Developing Decision Support Tools to Manage Cost and Quality of Obstetrical Care”, 11th Annual Quest for Quality & Productivity in Health Services Conference, Washington D.C, 1999. [Mebrek, 2007] F. Mebrek, K. Belkadi, M. Gourgand, A. Tanguy, “Modélisation et Simulation de la Stérilisation Externe pour le Nouvel Hôpital d‟ESTAING”, Conférence COSI‟07, 2007. [Mebrek, 2008] F. Mebrek, “Outils d‟Aide à la Décision Basés sur la Simulation pour la Logistique Hospitalière, Application à un Nouvel Hôpital”, Tthèse de doctorat en informatique, Université Blaise Pascal Ŕ Clermont-Ferrand II, 2008. [Michel, 2004] F. Michel, “Formalisme, Outils et Eléments Méthodologiques pour la Modélisation et la Simulation Multi-Agents”, Thèse de doctorat, Université Montpellier II, 2004. [Minsky, 1965] M.L. Minsky, “Matter, Mind and Models”. Consulté le 01/04/2010 à partir de l‟URL http://groups.csail.mit.edu/medg/people/doyle/gallery/minsky/mmm.html, 1965 [Moussa, 2009] M. Moussa, “Modélisation et Simulation des Systèmes Hospitaliers”, Thèse de magister en informatique, USTO-MB, 2009. [Park, 2005] S. Park, L. Leemis, “Discrete-Event Simulation: A First Course”, College of William and Mary, 2005. Bibliographie 94 [Pegden, 1992] C. D. Pegden and D. A. Davis, “Arena: A Siman/Cinema-Based Hierarchical Modeling System”, Proceedings of the Winter Simulation Conference, pp. 390-399, 1992. [Pham, 2007] D. T. Pham, A. Ghanbarzadeh, “Multi-Objective Optimization Using the Bees Algorithm”, 3rd International Conference on Intelligent Production Machines and Systems (IPROMS), 2007. [Pham, 2008] D. T. Pham, M. Sholedolu, “Using a Hybrid PSO-Bees Algorithm to Train Neural Networks for Wood Defect Classification”, 4th International Conference on Intelligent Production Machines and Systems, (IPROMS), 2008. [Pichel, 2003] D. A. Pichel, A. Dontaine, S. Iassinovski, A. Artiba, C. Fagnart. C, “ALIX : une Méthode de Modélisation des Flux d‟un Système de Production”, GI 2003, Montréal, Canada, 2003. [Rodier, 2010] S. Rodier, “Une Tentative d‟Unification et de Résolution des Problèmes de Modélisation et d‟Optimisation dans les Systèmes Hospitaliers. Application au Nouvel Hôpital Estaing”, Thèse de doctorat en informatique, université Blaise Pascal, Clermont Ferrand, 2010. [Rubinstein, 2008] R. Y. Rubinstein, D. P. Kroese, “Simulation and the Monte Carlo method”, 2ème edition Wiley-Interscience, 2008. [Saadani, 2006] N. H. Saadani, A. Guinet, S. Chaabane, “Ordonnancement des Blocs Opératoires”, 6ème Conférence de MOdélisation et SIMulation, MOSIM‟06, Rabat, Maroc, 2006. [Sampath, 2006] R. Sampath, H. Darabi, J. Lin and B. Galanter, “Modeling and Integration of Hospital Information Systems by Petri Nets”, IEEE Transactions on Systems, Man and Cybernetics, 2006. [Scheer, 2001] I.D.S. Scheer, “ARIS: Des Processus de Gestion au Système Intégré d‟Applications”, IDS Scheer : Business Process Escellence, 2001. [Scheer, 2006] I.D.S. Scheer, “Manuel de la Méthode ARIS”, version 7.0, 2006. [Sevaux, 2004] M. Sevaux, “Métaheuristiques : Stratégies pour l'Optimisation de la Production de Biens et de Services”, Habilitation à diriger des recherches, Université de Valenciennes et du Hainaut-Cambrésis, 2004. [Shen, 2004] H. Shen, B. Wall, M. Zaremba, Y. Chen, and J. Browne, “Integration of Business Modelling Methods for Enterprise Information System Analysis and User Requirements Gathering”, Computers in Industry, Vol. 54, n° 3, pp. 307-323, 2004. [Su, 2003] S. Su, C. L. Shih, “Modeling an Emergency Medical Services System Using Computer Simulation”, International Journal of Medical Informatics, pp. 57-72, 2003. [Taillard, 2007] E. Taillard, “Introduction aux Métaheuristiques”, Cours 3ème cycle en informatique, Haute école d‟ingénierie et de gestion, Genève, 2007. [Takus, 1997] D. Takus and D. M. Profozich, “Arena Software Tutorial”. Proceedings of the Winter Simulation Conference, pp. 541-544, 1997. Bibliographie 95 [Talbi, 2004] E. D. Talbi, “Sélection et Réglage de Paramètres pour l‟Optimisation de Logiciels d‟Ordonnancement Industriel”, Thèse de doctorat en informatique industrielle, INP de Toulouse, 2004. [Talbi, 2009] E. G. Talbi, “Metaheuristics From Design to Implementation”, Wiley edition, 2009. [Tanguy, 2007] A. Tanguy, “SIMULA Features, Extensions and Simulation Tools”, Proceeding of the 21th European Simulation and Modelling Conference (ESM), Malta, 2007. [Trilling, 2003] L. Trilling, “Investigation et Comparaison de Méthodes et Outils d‟Analyse pour l‟Etude des Chaines Logistiques”, D.E.A en informatique et systèmes coopératif de l‟entreprise, laboratoire PRISMa, INSA de Lyon, 2003. [Trilling, 2006] L. Trilling, “Aide à la Décision pour le Dimensionnement et le Pilotage de Ressources Humaines Mutualisées en Milieu Hospitalier”, Thèse de doctorat en génie informatique, Institut National des Sciences Appliquées de Lyon, 2006. [Vallée, 2003] T. Vallée et M. Yıldızoglu, “Présentation des Algorithmes Génétiques et de leurs Applications en Economie”, téléchargé à partir de http://www.sc-eco.univnantes.fr/~tvallee/recherche/murat/agpresf42.pdf, 2003. [Yang, 2005] X. S. Yang, “Engineering Optimizations via Nature-Inspired Virtual Bee Algorithms”, IWINAC, pp. 317-323, 2005. [Young, 2009] T. Young, J. Eatock, M. Jahangirian, A. Naseer and R. Lilford, “Three Critical Challenges for Modeling and Simulation in Healthcare”, Proceedings of the 2009 Winter Simulation Conference, 2009. [Zahaf, 2010a] N. Zahaf, “Rapport de Stage à la Maternité du CHUO”, LAMOSI, USTO-MB, 2010. [Zahaf, 2010b] N. Zahaf, K. Belkadi, “Vers un Outil d‟Aide à la Décision basé sur un Couplage Optimisation-Simulation du service Gynécologie Obstétrique”, Conférence GISEH, France, 2010. [Zahaf, 2010c] N. Zahaf, K. Belkadi, “Optimization Using Metaheuristics Bio-inspired from the Bee„s Behaviour”, Conférence META, Djerba, Tunisie, 2010. [Zahaf, 2011a] N. Zahaf, L. Dekhici, K. Belkadi, “Dimensionnement et Simulation du Bloc Opératoire du Service Maternité du CHUO”, 12ème congrès de la Société Française de Recherche Opérationnelle et d‟Aide à la Décision (ROADEF), Saint-Etienne, France, Mars 2011. [Zahaf, 2011b] N. Zahaf. L. Dekhici, K. Belkadi, “Reorganizing of UHCO Maternity‟s Operating Theatre: Simulation Approach” 6th International Conference on Sciences of Electronics, Technologies of Information and Telecommunications (SETIT), Sousse, Tunisie, Octobre 2011. [Zerrouki, 2009] K. Zerrouki. K, “Parallélisation des Métaheuristiques Avancées pour le Problème d‟Ordonnancement des Systèmes de Production de type Flow Shop Hybride (FSH)”, Thèse de magister en informatique, USTO-MB, 2009. Webographie 96 Webographie [Web01, 2010] URL http://www.sante.dz/CHU-Oran, consultée le 08/05/2010. [Web02, 2010] Types of computer simulation, URL http://www.wordiq.com/definition/Computer_simulation#Types_of_computer_simulation consultée le 08/07/2010. [Web03, 2010] URL http://www.elleraconte.com/article-classification-des-maternitesa_7595_0_0.html, consultée le 15 aout 2010. [Web04, 2010] URL Métaheuristique - Wikipédia.mht, consulté le 20 aout 2010. [Web05, 2010] SystM‟H, “Evaluation de la Performance”, téléchargé le 30/10/2010 à partir de l‟URL : http://agbo.insa-lyon.fr/ressources/fichiers/Evaluation_Performance.pdf. [Web06, 2010] “Simula”, consulté http://fr.wikipedia.org/wiki/Simula. le 25/11/2010 à partir de l‟URL Annexe A : Données et Informations Collectées 97 Annexe A: Données et Informations Collectées A.1. Différents cas d’admission au niveau le la maternité Cas d’admission et d’hospitalisation Accouchement immédiat par voie basse Accouchement par césarienne Hypertension artérielle gravidique Diabète gestationnelle (hyperglycémie) Menace d‟accouchement prématuré (MAP) Contraction utérine Modification du col Métrorragie (saignement anormal) Rupture prématurée de la membrane (RPM) Grossesse arrêtée (arrêt de grossesse âgée de moins de 22 semaines) Mort in utéro (arrêt de grossesse âgée de plus de 22 semaines) Expulsion Maladie gynécologique (du sein ou de l‟appareil génital) Grossesse extra utérine IMG (Interruption Médicale de grossesse) suite à une male formation du fétus ou un risque sur la vie de la patiente. Aile d’affectation A11 A14 ou A12 GHR GHR GHR GHR A21 A23 A12 ou GHR A23 A23 A11 ou A23 A21 A23, A14 ou A34 A23, A14 Tableau.A.1. Pathologies nécessitants une admission à la maternité Annexe A : Données et Informations Collectées 98 A.2. Phases du processus d’admission Phase durée en mn (min/max) Personnel intervenant Nombre Accueil de la patiente et questionnaire 2/5 gynécologue et/ou sage femme 1à3 Examen clinique Interrogatoire d'admission Sortie de la patiente vers l'aile d'affectation 10/20 10/15 gynécologue et/ou sage femme gynécologue 1à2 1 Ressource matérielle Lieu Observation 1 chaise Le questionnaire est pour savoir les raisons d'arrivée de la patientes à la maternité. Table de consultation Il est possible que le cas de la patiente soit urgent et il est nécessaire de lui faire une échographie dans la salle d'échographe (durant les heures de travail normales ou au niveau de la radio centrale au moment des gardes) et donc un gynécologue doit accompagner la patiente à la salle d'échographe pour lui faire l'échographie car il n'y a pas de personnel au niveau de cette dernière. 1 chaise Box de consultation Pendant l'interrogatoire d'admission une autre patiente est prise en charge à partir de la file d'attente. Les informations de cette consultation sont reportées par un des médecins sur le registre. La patiente sort muni d'un dossier et d'une demande d'hospitalisation qui doit être présentée par l'accompagnateur de la patiente au niveau du bureau des entrées de l'hôpital afin d'avoir un billet de salle. Tableau.A.2. Ressources utilisées au cours du processus d‟admission Annexe A : Données et Informations Collectées 99 A.3. Phases du processus d’accouchement Phase Travail durée en mn (min/max) Personnel intervenant 30/480 gynécologue nombre 1 Accouchement 10/60 sage femme 1 Délivrance 10/30 sage femme 1 Suture de l'épisiotomie ou la déchirure 10/20 gynécologue 1 Surveillance post accouchement 30/120 gynécologue ou sage femme 1 Révision utérine 10/20 gynécologue 1 Sortie du bloc d'accouchement 5/10 fille de salle 1 Ressource matérielle 1 lit 1 table d'accouchement 1 boite d'accouchement Lieu Salle de travail Observation Le même gynécologue peut assister le travail de plusieurs patientes. Dans le cas d'une grossesse gémellaire ou multiple, il faut prévoir un intervalle de temps de 15 à 45 mn entre les contractions d'accouchement du premier et du deuxième et un autre temps d'accouchement. Couper le cordon ombilical et décollement puis expulsion du placenta Salle d'accouche- C'est une phase faite dans la majorité des accouchements 70% ment Surveiller et dépister l'apparition d'une complication telle que l'hémorragie de la délivrance. C'est une phase faite en fonction du résultat de la phase précédente (le cas d'apparition d'une hémorragie et d'un hématome), cette phase se fait dans une minorité de cas d'accouchements (5%). 1 chaise roulante Tableau.A.3. Ressources utilisées au cours du processus d‟accouchement par VB Annexe A : Données et Informations Collectées 100 A.4. Phases du processus de césarienne Phase Préparation Induction durée en mn (min/max) Personnel intervenant Réveil Sortie vers le post opératoire Ressource matérielle 10/20 Infirmière (IBODE) 1 Blouse, matériel consommable 10/15 Infirmier anesthésiste (IADE) ou le MAR 1 1 table d'opération gynécologue Acte chirurgical nombre 30/120 5/45 5/10 2à3 infirmière instrumentiste 1 IADE, MAR 1 IADE Médecin Anesthésiste Réanimateur (MAR) 1 gynécologue et/ou infirmière 1 2 1 table d'opération 1 boite de matériel 1 table d‟opération ou 1 lit de réveil chariot Lieu salle de préparation Observation C'est une phase de préparation de la patiente, elle doit enlever tout objet ou vêtement et mettre une blouse remise par l'infirmière ensuite l'infirmière équipe la patiente d'une voie de perfusion et d'une sonde urinaire. NB: dans des cas d'urgence cette phase se fait sur la table d'opération. Elle comprend l'injection de l'anesthésie et le temps mis par la patiente pour devenir inconsciente. salle d'opération La durée de la césarienne dépend du cas de la patiente, de la nature de la grossesse (unique ou multiple) et d'autres facteurs. L'anesthésiste intervient en fin de l'intervention pour provoquer le réveil Le MAR est sollicité par l'anesthésiste s'il ya des difficultés de réveil Comme il n'existe pas de brancardiers au niveau de la maternité c'est le personnel médical et/ou paramédical qui se charge du transfert de la patiente vers le post opératoire. Tableau.A.4. Ressources utilisées au cours du processus de césarienne (Aile 14) Annexe A : Données et Informations Collectées 101 A.5. Phases du processus d’une intervention gynécologique Phase durée en mn (min/max) Personnel intervenant Nombre Préparation 10/20 Infirmière (IBODE) 1 Induction 10/15 IADE 1 Ressource matérielle Blouse, matériel consommable Lieu salle de préparation Acte chirurgical 5/150 1 gynécologue 2 professeur ou maitre assistant infirmière instrumentiste MAR (Médecin Anesthésiste Réanimateur) Réveil Sortie vers le post opératoire 5/60 5/10 Médecin Anesthésiste Réanimateur (MAR) gynécologue et/ou infirmière 1 salle d'opération 1 table d'opération 1 boite de matériel La durée de l'intervention gynécologique dépend du type de cette dernière, du cas et l'état de la patiente. La durée minimale est celle d'une intervention d'Hematometrocolpos et la durée maximale est celle d'une intervention de type Patey. 1 lit SSPI: Salle de surveillance post interventionnelle. Dans le cas où le réveil ne se fait pas la patiente sera transférée vers le service réanimation. 1 1 2 C'est une phase de préparation de la patiente, elle doit enlever tout objet ou vêtement et mettre une blouse remise par l'infirmière ensuite l'infirmière équipe la patiente d'une voie de perfusion et d'une sonde urinaire. NB: dans des cas d'urgence cette phase se fait sur la table d'opération. Elle comprend l'injection de l'anesthésie et le temps mis par la patiente pour devenir inconsciente. 1 table d'opération MAR (Médecin Anesthésiste Réanimateur) Observation chariot SSPI Comme il n'existe pas de brancardiers au niveau de la maternité c'est le personnel médical et/ou paramédical qui se charge du transfert de la patiente vers le post opératoire. Tableau.A.5. Ressources utilisées au cours du processus d‟une intervention gynécologique (Aile 34) Annexe A : Données et Informations Collectées Type d’intervention T-Min (mn) T-Freq (mn) T-Max (mn) T-Réveil (Min/Max) 102 Durée postopératoire Autre appellations (signification) Nbre Interv Mars 2010 Nbre Interv Avril 2010 Nbre interv Mai 2010 Nbre interv Juin 2010 Nbre interv Juillet 2010 Nbre interv Aout 2010 Hystérectomie VH Hystérectomie VB 60 90 75 110 120 5mn/1h 135 5mn/1h 2 à 3 jours 2 à 3 jours Extraction de l‟utérus par voie haute Extraction de l‟utérus par voie basse 27 1 16 0 29 2 31 1 11 0 19 0 Hystérectomie d‟hémostase Patey 60 90 75 105 135 5mn/1h 150 5mn/1h 2 à 3 jours 10 à 15 jours Ablation du sein, (mastectomie+cure) 1 12 0 1 2 8 0 2 1 1 0 4 Mastectomie Laparotomie 60 45 60 50 75 5mn/1h 75 5mn/1h 10 à 15 jours 2 à 3 jours 2 19 0 10 3 13 1 8 1 2 3 15 Myomectomie 45 60 75 5mn/1h 2 à 3 jours Investigation d‟une masse (exploration et geste) Fibrome utérin 3 4 0 1 1 2 Tumeroctomie 30 30 40 5mn/1h 1 journée Nodule du sein 7 4 0 2 0 3 Curetage 20 30 30 5mn/1h 1 journée 3 4 2 2 11 9 Curetage molaire 50 60 70 5mn/1h 10 à 15 jours 0 0 0 1 0 2 Curetage biopsique étagé 20 25 30 5mn/1h 2 à 3 jours 1 0 0 1 0 0 Cerclage 10 12 15 5mn/1h 1 journée 5 1 4 3 2 1 Kystectomie 45 60 70 5mn/1h 3 à 5 jours 2 0 1 1 1 2 Torsion du kyste 30 45 60 5mn/1h 3 à 5 jours 0 1 0 0 0 1 Grossesse extra utérine (GU) 45 60 90 5mn/1h 3 à 5 jours 2 0 0 1 0 1 Conisation du col 45 50 50 5mn/1h 2 à 5 jours 0 2 0 0 1 0 Amputation du col 60 75 80 5mn/1h 3 à 5 jours 1 0 3 0 1 0 Prolapsus 90 110 120 5mn/1h 3 à 5 jours Extraction de l‟appareil génital par voie basse 3 1 0 0 2 0 Synechie utérine 30 50 60 5mn/1h 5 à 8 jours adhérence cicatricielle de deux surfaces ulcérées 0 0 0 1 0 0 Vulvectomie 60 70 90 5mn/1h 3 à 5 jours Néo de la vulve 1 0 1 0 1 0 IMG 30 40 50 5mn/1h 3 à 4 jours Interruption Médicale de grossesse 0 0 1 1 1 0 Ligature des trompes 30 35 50 5mn/1h 2 à 3 jours 0 0 1 1 2 1 Plastie utérine 60 70 75 5mn/1h 3 à 5 jours 1 0 0 0 0 1 Hematometrocolpos Césarienne 2 3 5 5mn/1h 30 40 120 5mn/1h 8 heures 3 à 4 jours Curetage suite à une grossesse anormale Incision de l‟hymen 0 0 291 1 292 0 0 322 356 Tableau.A.6. Durées des actes chirurgicaux et de réveil relatifs aux interventions gynécologiques 0 372 405 Annexe A : Données et Informations Collectées 103 Remarques : - Il ya des interventions gynécologiques urgentes qui ne peuvent pas attendre une planification (elles sont mentionnées en rouge) Les durées des interventions mentionnées dans le tableau ci-dessus sont des durées d‟une intervention réalisée par des gynécologues expérimentés, dans le cas où un environnement de formation est appliqué (pratique d‟un résident) les durées sont majorées de 20 à 30 minutes. Annexe B : Arbres de Fonctions et CPE 104 Annexe B : Arbres de Fonctions et CPE Sage femme Bloc d'accouchement Aile des Admissions 1 jour / 4 Dimanche à Jeudi 7h-7h 8h30-15h Effectuer l'accouchement Examiner les grossesses à terme Prise en charge du bébé Admission pour accouchement Délivrance de la patiente Effectuer un accouchement urgent (ambulant ou dans le box d'admission) Surveillance post accouchement Fig.B.1. Fonction d‟une sage femme Annexe B : Arbres de fonctions et CPE 105 Infirmière instrumentiste Aile des Consultations Externes Bloc opératoire Bloc d'accouchement Dimanche à Jeudi 1 jour / 4 Dimanche à Jeudi 1 jour / 2 8h30-15h 7h - 7h 8h30-15h 7h - 19h Récupération du matériel déjà utilisé Stérilisation du matériel Préparation du matériel pour utilisation Fig.B.2. Fonction d‟une infirmière instrumentiste Annexe B : Arbres de fonctions et CPE 106 IDE (Infirmier Diplômé d'Etat) Gestion des RDV Aile des consultations externes Bloc opératoire Aile 21 (Oncologie) Dimanche à Jeudi 1 jour / 4 Dimanche à Jeudi Dimanche à Jeudi 1 jour / 2 1 jour / 4 8h30 - 15h 7h - 7h 8h30 - 15h 8h30 - 15h 7h - 19h/ 19h - 7h 7h - 7h Autres Ailes Préparation de la patiente Effectuer les soins pour les patientes Aide pendant l'intervention Réalisation de la chimiothérapie Organisation des consultations Prélèvement sanguin dans le cadre d'un pogramme national Effectuer les soins pour les patientes Surveillance de l'état des patientes Mise en place et surveillance des perfusions et/ou sondes Prélevement de sang en cas d'analyse Signaler toute anomalie aux médecins Fig.B.3. Fonction d‟une IDE (Infirmière Diplômée d‟Etat) Annexe B : Arbres de fonctions et CPE 107 Gynécologue (Maitre assistant) Gynécologue (Professeur) Dimanche à Jeudi 8h30 - 15h Faire des consultations sous RDV Participer à l'élaboration du programme opératoire hebdomadaire 1 jour / 6 (garde) Vendredi Samedi 9h - 9h Vendredi samedi et jours fériés Dimanche à Jeudi Dimanche à jeudi 15h - 8h30 8h30 - 15h Faire des consultations sous RDV 15h - 8h30 9h - 9h Astreinte Responsable de l'élaboration du programme opératoire hebdomadaire Superviser la maternité Examiner les patientes Examiner les patientes Prescrire des traitements et des bilans Opérer des césariennes Opérer des interventions gynécologiques (opérateur) Prescrire des traitements et des bilans Opérer des interventions gynécologiques (opérateur) Suivi des patientes Encadrer les maitres assistants Suivi des patientes Etablir l'affectation rotationnelle des médecins Encadrer et former les médecins résidents responsable d'une aile ou deux Etablissement du planning des gardes Responsable d'une ou plusieurs ailes ou du service Fig.B.4. Fonction d‟un gynécologue (maitre assistant et professeur) Annexe B : Arbres de fonctions et CPE 108 Arrivée patiente Aile des consultations urgentes (Box 1 ou 2) Examen clinique d'admission Patiente non admise Patiente admise Bloc Acc A11 Accouchement par VB Bloc OP A14 Accouchement par Césarienne Transfusion sanguine Sortie patiente et bébé(s) Complications d'accouchement Sortie bébé(s) Sortie patiente vers la SSPI Sortie patiente vers le service de réanimation Hospitalisation avec grossesse Patiente hospitalisée Accouchement prévu dans les 48h Perfusion Prise en charge de la patiente Sortie patiente vers le post opératoire A21/A23 Hospitalisation sans grossesse Décé de la patiente Sortie patiente Bloc opérfatoire (A34) Programmation pour intervention gynécologique Patiente programmée Réalisation de l'intervention gynécologique Grossesse à risque Surveillance, suivi et traitement A12 Perfusion Bilan sanguin Patiente en pré-travail Sortie patiente Patiente opérée A32 Echographie A22/A23/A31 Surveillance et suivi Hospitalisation en Post Op Sortie patiente Fig.B.5. CPE de prise en charge d‟une patiente arrivée en urgence à la maternité Patiente prète pour accoucher par VB Patiente prète pour césarienne Annexe B : Arbres de fonctions et CPE 109 Le(s) bébé(s) est (sont) né(s) Pesage du (des) bébé(s) Aide soignante Le(s) bébé(s) se porte(nt) bien Le(s) bébé(s) présente(nt) une anomalie Habillement du(des) bébé(s) Transfère à l'aile Périnatalogie Transfère au marphon Le(s) bébé(s) est(sont) installés dans un(des) berceau(x) Puéricultrice Le(s) bébé(s) est(sont) transféré(s) Pédiatre Prise en charge médicale Le(s) bébé(s) sont pris en charge Fig.B.6. CPE de prise en charge de(s) nouveau(x) né(s) Résumé L‟activité gynécologie obstétrique présente un grand intérêt dans les systèmes hospitaliers à cause de son caractère urgent et délicat. Les gestionnaires et les décideurs hospitaliers ont besoin d‟évaluer les performances de leur système et de détecter les points faibles de son fonctionnement. Dans ce travail, nous nous intéressons à l‟évaluation des performances du service maternité du CHUO (Centre Hospitalo Universitaire d‟Oran). Pour cela, nous avons adopté la méthodologie ASCI (Analyse, Spécification, Conception, Implantation) composée essentiellement d‟une phase de modélisation et d‟une autre de simulation. Face à une charge de travail et à un processus d‟arrivée aléatoire, nous avons appliqué un redimensionnement des blocs opératoires et des ressources humaines. La simulation est appliquée sur les blocs opératoires, le bloc d‟accouchement et les admissions en utilisant l‟outil ARENA et le langage SIMULA. La simulation du bloc d‟accouchement a montré que la phase de surveillance post accouchement est réduite pour permettre la prise en charge d‟un grand nombre de patientes alors qu‟il s‟agit d‟une phase très importante à travers laquelle la patiente peut éviter des complications du type hémorragie. Pour cette raison, nous avons appliqué une optimisation basée sur une métaheuristique bio-inspirée du comportement des abeilles. Cette optimisation vise à maximiser le taux d‟utilisation des tables d‟accouchement tout en améliorant la durée de surveillance post accouchement et en satisfaisant des taux d‟occupation raisonnables des ressources humaines (gynécologues, sages femmes) et des ressources techniques (lits de travail). Mots clés : Maternité, Modélisation, Métaheuristique, Colonie d’Abeilles Artificielles, Couplage Optimisation-Simulation. Abstract The obstetric gynaecology activity is of a great interest in the hospital systems because of its emergency and delicate character. The hospital managers and decision makers need to evaluate their system‟s performances and to detect the weak points. In this work, we are interested in performance evaluation of the maternity service of the UHCO (University Hospital Center of Oran). For that, we use ASDI methodology (Analysis, Specification, Design and Implementation) composed essentially of a modeling and a simulation steps. In front of a workload and a random arrival process, we applied a staffing and a reorganizing of the operating theatres. We simulate the operating theatres, the Low way delivery unit and the admissions unit by using ARENA tool and the SIMULA language. The simulation of the low way delivery showed that the post delivery supervision step is reduced in order to satisfy a great number of patients, whereas it is a very significant step through which the patient can avoid hemorrhages. For this reason, we applied an optimization based on a bio-inspired metaheuristic based on the bee‟s behavior. This optimization aims to improve the supervision duration and maximize the delivery tables rate with satisfaction of a best occupation rates of both human (gynaecologists, midwives) and technical resources (labour beds). Keywords : Maternity, Modelling, Metaheuristic, Artificial Bee Colony, OptimizationSimulation Coupling.