Thèse Modélisation et Planification Adaptative par Apprentissage Profond Actif des Blocs Opératoires dans les Systèmes Hospitaliers. H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : IBISC - Informatique, BioInformatique, Systèmes Complexes Direction de la thèse : Khalifa DJEMAL ORCID 0000000249598205 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-11T23:59:59 Les systèmes hospitaliers nécessitent, de plus en plus, d'être assistés par des outils informatisés d'aide à la décision. Ces outils d'aide à la décision vont s'appuyer aussi bien sur des approches et des modèles formels que sur les technologies innovantes. Ceci aidera le système hospitalier à assurer aux patients un service de qualité, agile, au moindre coût et dans le respect des limites de ressources humaines et matérielles.
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de l'intervention humaine et en particulier des événements aléatoires perturbateurs. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années [1, 2, 3, 4], la plupart de ces travaux sont basés sur des modèles stochastiques.
Des approches hybrides combinant optimisation mathématique et apprentissage automatique ont été proposées pour améliorer la robustesse et la performance des solutions [5, 6].
L'intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d'applications. Dans ce contexte, des modèles de planification peuvent s'appuyer sur les approches de l'apprentissage automatique. En effet, ces techniques permettent de développer des modèles d'ordonnancement prédictif et de l'optimisation des entrepôts de données.
Les avancées récentes incluent l'utilisation de l'apprentissage automatique, notamment des méthodes d'apprentissage profond (deep learning), pour la prédiction des durées opératoires, permettant d'améliorer significativement la précision par rapport aux approches traditionnelles [7, 8].
Par ailleurs, ces modèles sont de plus en plus intégrés dans des approches décisionnelles, notamment dans des schémas predict-then-optimize pour améliorer la planification des blocs opératoires [9]. Enfin, la question de l'explicabilité des modèles d'intelligence artificielle devient centrale dans le domaine médical afin de favoriser leur adoption en pratique clinique.
Cette thèse vise à développer une approche innovante de planification des blocs opératoires en environnement incertain, en combinant des méthodes de recherche opérationnelle et d'apprentissage automatique. Les contributions porteront sur l'intégration de modèles prédictifs dans des modèles d'optimisation afin d'améliorer la prise de décision, ainsi que sur le développement de méthodes de planification adaptative capables de gérer les aléas en temps réel. Des approches algorithmiques efficaces seront proposées pour résoudre des problèmes de grande taille, et les modèles développés seront validés sur des données réelles issues du milieu hospitalier. Cette thèse contribuera ainsi à l'émergence d'outils d'aide à la décision performants pour le pilotage des blocs opératoires. L'objectif de la thèse consiste dans le développement d'une approche de prédiction et de planification adaptative du bloc opératoire. Basée sur le principe de l'apprentissage automatique, la méthode de planification permettra le pilotage temps réel du bloc opératoire. Une attention particulière pourra être portée à l'intégration de modèles prédictifs dans des schémas d'optimisation prescriptive (predict-then-optimize) ainsi qu'à la gestion des incertitudes via des approches robustes ou distributionnellement robustes.
Les travaux seront réalisés dans un cadre d'application pratique ce qui permettra d'évaluer les performances des approches proposées dans un contexte opérationnel, en lien avec les problématiques actuelles de transformation numérique des systèmes hospitaliers.