Scribd
Importer
20 vues2 pages

Bouchlaghem Lydia Et Al

l'ordonnacement des blocs opératoires avec le machine learning 3

Transféré par

ayed latifa
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
20 vues2 pages

Bouchlaghem Lydia Et Al

l'ordonnacement des blocs opératoires avec le machine learning 3

Transféré par

ayed latifa
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
Vous êtes sur la page 1/ 2

Ordonnancement d’un bloc opératoire en chirurgie ambulatoire par

algorithme génétique

Lydia Bouchlaghem, Fatima Ghedjati, Alexandre Philippot


CReSTIC, Université de Reims Champagne Ardenne, Reims, 51100, France

Mots-clés : Ordonnancement, Chirurgie ambulatoire, Algorithmes génétiques, Flow shop hybride

1 Introduction
Le Haut Conseil de la Santé Publique, dans son rapport public du 1 juin 2021 [1], préconise d’atteindre
nationalement 80% de chirurgies réalisées en ambulatoire. Notre étude cible la matérialité de cet objectif
au niveau de l’unité chirurgicale dans un établissement public, et fait suite à l’observation permise par le
CHU de Reims de l’organisation de sa propre Unité de Chirurgie Ambulatoire. On entend par chirurgie
ambulatoire tous les actes chirurgicaux programmés et réalisés dans le cadre sécurisé d’un bloc opératoire
pour lesquels l’hospitalisation des patients dure moins de 12 heures, sans hébergement de nuit. Ce type
de prise en charge permet une réduction des coûts tout en veillant à offrir un service public d’une qualité
au moins équivalente à la prise en charge classique.
Dans le cadre d’une opération de chirurgie en ambulatoire, le patient suit un parcours prédéfini en
trois étapes : pré-opératoire, péri-opératoire et post-opératoire. Notre étude propose d’apporter une
solution efficace au problème d’ordonnancement d’un bloc opératoire prenant en charge la totalité de
ce parcours. Pour un manager hospitalier, une gestion efficace des services impliqués dans ce parcours
patient doit permettre de limiter les risques infectieux ; de prendre en charge un maximum de patients ;
de réduire les délais d’attente ; d’atténuer l’anxiété du patient ou encore, d’améliorer la qualité de vie au
travail des personnels hospitaliers. Nous choisissons délibérément de restreindre ces nombreux critères à
celui, central, de la minimisation de la durée d’hospitalisation (makespan) dans le cadre de ce premier
travail.
Spécifiquement, nous considérons un problème de type Flow Shop Hybride (FSH). Ce type de problème
a été démontré NP-difficile, pour le même critère, à partir de 2 étages avec au moins deux ressources
(machines) disponibles dans l’un des étages [2]. L’utilisation de méthodes heuristiques et/ou méta-
heuristiques qui permettent de trouver des solutions acceptables en un temps raisonnable est donc
pertinente. Nous proposons une première résolution par algorithmes génétiques (AG). Ce choix tient
au succès de cette méta-heuristique dans la résolution de ce type de problème [3, 4], ce qui devrait
permettre de fonder les perspectives d’amélioration futures dans notre cas d’espèce.

2 Définition et modélisation du problème


Pour le problème FSH considéré, il s’agit d’affecter un ensemble de n patients à travers 3 étages
consécutifs dans le même ordre, en commençant par l’étage i = 1 jusqu’au dernier étage i = 3. Les
étages 1 et 3 sont composés d’un ensemble de Li lits (placés respectivement en salle de préparation et en
salle de réveil). L’étage 2 est composé de SO (salles opératoires non-identiques, organisées à priori par
spécialités chirurgicales). Chaque patient j est affecté à un seul lit parmi Li sur chacun des étages 1 et 3 et
à une salle opératoire parmi les SO de l’étage 2. Le passage obligatoire du patient par chacun des 3 étages
est caractérisé par les durées respectives données : de préparation, d’intervention et de rétablissement.
La préemption n’est permise sur aucun des étages. Une intervention d’un patient j ne peut commencer
que si l’intervention du patient précédent j −1 est terminée pour une SO. Nous supposons que le nombre
de lits en salle de préparation et en salle de réveil est suffisant (pas de contraintes de blocage).
Nous considérons également une stratégie d’ordonnancement par bloc « block scheduling » : les chi-
rurgiens sont affectés à des blocs de temps ( semaines ou mois) au cours desquels ils peuvent organiser
leurs cas chirurgicaux, et aucun de ces blocs ne peut être libérés. L’objectif de l’ordonnancement étant,
dans cette étude, la minimisation de la plus grande durée d’hospitalisation (makespan) :

Cmax = max Ci (1)


i=1..n
3 Méthode de résolution
Basé sur le travail de Cheng et al. [5] la version de l’AG que nous proposons consiste à représenter
une solution de la manière suivante : un gène (G) correspond à une structure de données contenant les
informations relatives au parcours d’un patient j. Ces informations sont : l’affectation du patient à un
lit de l’étage 1 (Lj1 ), le temps d’arrivée et de départ en salle de préparation. l’affectation du patient à
une salle de l’étage 2 (SOj ), le temps d’arrivée et de départ en salle opératoire, l’affectation du patient
à un lit de l’étage 3 (Lj3 ), le temps d’arrivée et de départ en salle de réveil. Un chromosome (S) est un
vecteur constitué de gènes et de symboles de séparation (*) qui sert à distinguer les gènes appartenant
à la même spécialité chirurgicale. exemple : S = {G3, G4, G5 * G8, G7, G9 * G2, G6, G1}, avec 9
patients (j = {1, ..., 9}) à ordonnancer pour 3 spécialités chirurgicales ( 3 salles opératoires).
L’algorithme utilise les trois opérateurs génétiques classiques : la sélection consiste à choisir, parmi la
population initiale de solutions (chromosomes) générées aléatoirement, les N individus qui minimisent
la fonction objective (1). Le croisement à deux points permet d’intervertir la suite de gènes se
trouvant entre les deux points de croisement choisis aléatoirement. Ces deux points doivent néanmoins
obligatoirement être des symboles de séparations (*) pour éviter le mélange des spécialités chirurgicales.
La mutation consiste à modifier aléatoirement un gène dans un chromosome. Après chaque mutation
une procédure de réparation se charge de la mise à jour des temps d’arrivée et de départ et de l’ajustement
du chromosome.
A chaque génération, les solutions sont évaluées et la meilleure est retenue. L’algorithme s’arrête
lorsque la condition d’arrêt est atteinte. Nous avons testé l’efficacité de notre approche sur des données
générées sur le modèle de la procédure proposée par Xiang et al. [6]. Les résultats sont prometteurs pour
les expérimentations réalisées jusqu’à présent sur 40 interventions chirurgicales. D’autres expérimenta-
tions sont en cours.

4 Conclusion et Perspectives
L’objectif de cette étude est d’établir une base de résultats pour le problème d’ordonnancement d’un
bloc opératoire consacrée à la chirurgie ambulatoire. En ce sens, notre travail apporte une première
modélisation du problème (FSH à 3 étages) et une résolution par algorithme génétique du point de vue
du critère de minimisation du temps d’hospitalisation (makespan).
La suite de notre recherche consiste à intégrer les améliorations permises par le multi-objectif et les
modèles d’apprentissage automatique : d’abord, comparer et améliorer ces résultats préliminaires en
intégrant à la solution proposée des méthodes d’apprentissage automatiques de différents paramètres.
Il s’agira d’entraîner un modèle cohérent du point de vue des données disponibles (Forêt aléatoires ou
autre) pour la prédiction des durées opératoires des différents types de chirurgies, supposées ici connues
mais en réalité sujettes à des variations significatives. Dans un deuxième temps, nous chercherons à
complexifier le modèle pour intégrer les autres objectifs et critères mis en avant par les experts du CHU
de Reims lors de nos rencontres. Il s’agira alors d’aller au-delà du makespan.

Références
[1] Rapport du haut conseil de la santé publique du 1 juin 2021. Virage ambulatoire : pour un dévelop-
pement sécurisé . "hcspr20210601v iragambulpourundveloscuri%20(5).pdf ”.
[2] Jatinder N. D. Gupta. Two-stage, hybrid flowshop scheduling problem. Journal of the Operational
Research Society, 39(4) :359–364, 1988.
[3] Yang-Kuei Lin and Yin-Yi Chou. A hybrid genetic algorithm for operating room scheduling. Health
care management science, 23(2) :249–263, 2020.
[4] Tunahan Timucin and Serdar Birogul. Implementation of operating room scheduling with gene-
tic algorithm and the importance of repair operator. In 2018 2nd International Symposium on
Multidisciplinary Studies and Innovative Technologies (ISMSIT), pages 1–6, 2018.
[5] Chuen-Lung Chen, Venkateswara S. Vempati, and Nasser Aljaber. An application of genetic algo-
rithms for flow shop problems. European Journal of Operational Research, 80(2) :389–396, 1995.
[6] Wei Xiang, Jiao Yin, and Gino Lim. An ant colony optimization approach for solving an operating
room surgery scheduling problem. Computers Industrial Engineering, 85 :335–345, 2015.

Vous aimerez peut-être aussi