mémoire magister zahaf

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 : SR 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 : SR 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.