Optimisation de Planning des Blocs Opératoires

Comment peut-on lisser la charge de travail des services de soins et réduire les coûts de fonctionnement pour le service de chirurgie du Centre Hospitalier Princesse Grace.

Le Problème

Le Centre Hospitalier Princesse Grace (Monaco) réalise plus de 8 000 opérations orthopédiques par an dans quatre blocs opératoires. Avec un coût de fonctionnement de 2000€/heure pour un bloc et un coût patient journalier allant de 500€ à 1500€, l'optimisation de cette ressource est un enjeu financier et humain majeur.

Les outils actuels se concentrent sur la maximisation du taux d'utilisation des blocs, souvent via des algorithmes génétiques. Cependant, cette approche crée des pics d'activité chaotiques dans les services de soins post-opératoires. Cette variabilité engendre une mauvaise gestion des ressources humaines (sur-activité suivie de sous-activité), dégradant les conditions de travail et l'efficacité globale.

Courbe d'occupation actuelle des lits — Occupation actuelle des lits : des pics et des creux non maîtrisés.

L'objectif du projet est de démontrer qu'il est possible de lisser l'occupation des lits pour stabiliser la charge de travail, sans dégrader la performance d'utilisation des blocs opératoires.

Courbe d'occupation ciblée — Objectif : une courbe d'occupation lissée et prédictible.

Les Données

Source & Volume

Les données proviennent directement du service de chirurgie de l'Hôpital Princesse Grace et couvrent toutes les opérations réalisées entre 2015 et 2023.

14 000

opérations enregistrées

Colonnes Pertinentes

Age & Sexe du patient
GHM_Code : Classification des groupes homogènes de malades
Chirurgien : Identité du chirurgien
time_use_OR : Durée effective d'utilisation du bloc
Duree_Sejour_hour : Durée d'occupation du lit post-opération

Modélisation & Système Multi-Agents

Le cœur du travail a été de modéliser le problème en le décomposant. Puisque chaque chirurgien dispose de créneaux attitrés pour les 4 blocs, le problème global peut être divisé en sous-problèmes, un par chirurgien. Cette approche réduit drastiquement la complexité et nous permet de le traiter comme un problème de offline parallel dedicated machines.

Pour optimiser les deux métriques contradictoires (taux d'utilisation du bloc et lissage d'occupation des lits), j'ai conçu un système multi-agents. Chaque chirurgien est associé à un agent qui doit optimiser une permutation de sa liste d'opérations. Deux types d'agents coexistent :

Agent Productivité : Optimise le taux d'utilisation des blocs (UT).
Agent Stabilité : Optimise le lissage d'occupation des lits (OC).

Ces agents, basés sur des algorithmes génétiques, se passent leurs résultats les uns aux autres. L'efficacité du système global repose sur le réglage fin des hyperparamètres (nombre d'échanges, taux de mutation/crossover, etc.), déterminé après des heures de simulations.

Résultats

1. Évaluation des Hyperparamètres

Pour identifier la configuration la plus performante de notre système multi-agents, nous avons d'abord appliqué une méthode de validation croisée de type train-test split sur les données historiques.

Schéma de la méthode train-test split — Séparation des données pour l'entraînement et la validation des modèles.

2. Performances Quantitatives

Une fois les meilleurs hyperparamètres sélectionnés, nous avons lancé 400 simulations complètes sur l'ensemble de test pour évaluer la performance et la stabilité de l'algorithme. Les résultats agrégés démontrent une amélioration notable par rapport au système existant, notamment sur les critères clés. Les paramètres les plus prometteurs sont entourés en rouge.

Graphique des résultats de performance — Amélioration de chaque critère. Chaque point représente une possibilité d'hyperparamètres.

3. Impact sur l'Occupation Hebdomadaire des Lits

Au-delà des métriques, la visualisation de la répartition de la charge est parlante. L'algorithme a tendance à concentrer une partie de la charge le mardi, jour de forte disponibilité, pour mieux la maîtriser. En contrepartie, le taux d'occupation des autres jours est significativement plus faible et stable, particulièrement pendant le week-end, ce qui permet de lisser l'activité des services de soins.

Occupation des lits non optimisée — **Avant :** Occupation volatile avec des pics importants en fin de semaine.

Occupation des lits optimisée — **Après :** Occupation lissée, avec une charge mieux répartie et une baisse significative le week-end.

Cadre du Projet & Mon Rôle

Contexte

Équipe : 3 élèves-ingénieurs de l'École Centrale de Lille (niveau M2).
Durée : Projet académique de 7 mois.
Investissement : 4 heures hebdomadaires par membre, soit un projet de près de 45 jours-hommes

Pilotage & Méthodologie

Mon Rôle : Chef de projet, créateur de la modélisation mathématique et architecte de l'algorithme
Méthodologie : Management en mode agile avec 3 sprints avec la méthode SCRUM.
Objectif : Garantir la cohésion de l'équipe et la qualité des livrables.

Aboutissement & Reconnaissance

Notre travail a été reconnu pour son originalité et ses qualités théoriques. En traitant chaque chirurgien comme un sous-problème indépendant, nous avons atteint une complexité algorithmique multi-linéaire, permettant à l'hôpital de relancer l'optimisation très fréquemment pour s'adapter en temps réel.