Optimisation des horaires et de rendez-vous de patients : applications en imagerie médicale et radiothérapie

La planification efficiente des ressources humaines et matérielles en santé assure la satisfaction des patients et des centres de santé en maximisant l’accès aux soins et en minimisant les coûts. Or, les administrateurs choisissent souvent des solutions faciles à utiliser ou à implémenter au lieu de celles qui seraient optimales et donc plus efficaces. Cette décision revient à leur manque de connaissance ou bien leur impossibilité d’investir pour adopter de nouvelles approches. Cette thèse exploite des techniques d’apprentissage machine et de recherche opérationnelle pour une meilleure gestion des ressources dans un centre d’imagerie médicale et un centre de radiothérapie. Nous nous focalisons sur des applications réelles en planification des rendez-vous des patients et des horaires des technologues. Nous avons analysé des vraies données grâce aux collaborations réalisées avec le Centre Intégré de Cancérologie de Laval (CICL) et le Centre hospitalier de l’Université de Montréal (CHUM). L’hétérogénéité des patients et leur différence en termes de catégorie de traitement, mobilité, type de visite, etc. influencent le temps de service au sein des centres de santé. L’assignation de la même durée de traitement (ou encore bloc) à tous les patients engendre donc des coûts liés à la sous-utilisation des ressources, l’attente, et le temps supplémentaire. Le premier article de cette thèse consiste à proposer une approche sans bloc pour la conception des grilles des rendez-vous des patients en radiothérapie. Nous utilisons les données réelles fournies par le CICL. Nous développons en premier lieu un modèle de prédiction à l’aide des techniques d’apprentissage machine : modèle linéaire général, Multivariate Adaptive Regression Splines (MARS), les réseaux de neurones artificiels, l’arbre de classification et de régression. Le meilleur modèle est élaboré par l’arbre de classification et de régression avec une précision de 84%. En se basant sur les valeurs prédites, nous redéfinissons les grilles des rendez-vous, qui sont évaluées à l’aide les règles de séquence et de gestion des patients. Les meilleures solutions sont sélectionnées en fonction du nombre de patients traités, le temps d’attente et le temps supplémentaire. En appliquant la nouvelle approche, nous pouvons atteindre une augmentation de 30% des patients par journée. Le deuxième article de cette thèse traite le problème de la planification des rendez-vous des patients et des horaires des technologues. Dans la plupart des centres de santé, ces deux éléments sont traités séparément. Dans notre étude, nous développons deux versions d’un modèle d’optimisation : séquentiel et intégré. La première version consiste à élaborer les horaires des technologues initialement et concevoir les grilles des rendez-vous par la suite; et, la deuxième version combine les deux éléments. Nous visons à assurer une allocation optimale du personnel tout en maximisant l’utilisation des machines, le nombre des patients traités, et la stabilité des horaires et des grilles. Notre approche est évaluée en se basant sur les données réelles du département d’imagerie par résonance magnétique (IRM) du CHUM, en modifiant les règles de travail des technologues et les méthodes de construction des plannings des technologues. Bien que la version séquentielle soit la plus simple, elle donne de bons résultats selon certains indicateurs (comme la stabilité des horaires du technologue), au détriment d’autres indicateurs (comme la stabilité des grilles de rendez-vous), contrairement à la méthode intégrée qui considère tous les facteurs simultanément. En menant une analyse qui clarifie l’impact de chaque solution versus la complexité de l’implantation, nous guidons les administrateurs vers les meilleures solutions et au plan optimal de leur mise en place. La dernière contribution de cette thèse concerne la replanification des patients en radio-thérapie en cas de panne de machine. Nous développons un modèle d’optimisation et une heuristique. Ils sont appliqués dans un cadre bien défini comportant toutes les séquences de priorité des décisions de replanification qui sont : retarder un patient, surréserver un patient, utiliser le temps supplémentaire pour céduler un patient. Nous nous sommes basés dans notre étude de cas sur les données historiques du CICL concernant les temps de traitement, le nombre de séances des traitements et les dates d’échéances des plans de traitement. Vu le manque de documentation liée aux pannes des machines, l’approche proposée est évaluée à l’aide des scénarios générés en modifiant la durée de panne et le taux de remplissage du planning. Les solutions sont comparées par : le nombre de patients retardés, le temps d’attente, et le temps supplémentaire. Nous présentons une analyse détaillée des résultats qui permet aux gestionnaires de comprendre l’impact des décisions prises sur la performance.

Abstract

Efficient planning of human and material health resources ensures the satisfaction of patients and health centers by maximizing access to care and minimizing costs. However, adminis-trators sometimes choose easy-to-use or easy-to-implement solutions instead of optimal and more efficient ones. This decision results in their lack of knowledge or their inability to invest in adopting new approaches. This thesis exploits machine learning and operations re-search techniques for elaborating patient appointments grids and technologist schedules. We have broached real applications by analyzing real data thanks to the collaborations carried out with the Centre Intégré de Cancérologie de Laval (CICL) and the Centre hospitalier de l’Université de Montréal (CHUM). The heterogeneity of patients and their difference in terms of treatment category, mobility, type of visit, etc. influence service time in health centres. Therefore, assigning the same duration of treatment to all patients generates costs related to underutilization of resources, waiting time, and overtime. This thesis consists in proposing a Non-block approach for the design of patient appointment grids in radiotherapy. We use the actual data provided by the CICL. We first develop a prediction model using machine learning techniques: general linear model, Multivariate Adaptive Regression Splines (MARS), artificial neural networks, classification and regression tree. The best model is built by the classification and regression tree with an accuracy of 84%. Based on the predicted values, we redefine the appointment grids, which are evaluated using the sequence rules and the patient management rules. The best solutions are selected based on the number of treated patients, the waiting time and the overtime. By applying the new approach, we will have a 30% increase in patients per day. This thesis addresses the problem of scheduling patient appointments and technologist sched-ules. In most health centers, these two elements are treated separately. In our study, we develop two versions of an optimization model: sequential and integrated. The first version consists of developing the schedules of the technologists initially and designing the schedules of appointments thereafter; however, the second version combines the two elements. We aim to ensure optimal staff allocation while maximizing the use of machines, the number of patients treated, and the stability of schedules and grids. Our approach is evaluated based on real data from the MRI department of the CHUM, by modifying the technologists work-ing rules and the planning construction methodes. Although the sequential version is the simplest, it gives good results according to certain indicators (such as the stability of the technologist’s schedules), to the detriment of other indicators (such as the stability of the ap-pointment schedule), unlike the integrated method that considers all factors simultaneously. By conducting an analysis that clarifies the impact of each solution versus the complexity of the implementation, we guide administrators to the best solutions and the optimal plan for their application. The last contribution of this thesis concerns the rescheduling of patients in radiotherapy under machine breakdown. We develop an optimization model and a heuristic. They are applied within a well-defined framework comprising all the sequences of priority for rescheduling decisions, which are: delaying a patient, overbooking a patient, using the overtime to schedule a patient. In our case study, we use historical data from the CICL concerning the treatment times, the number of treatment sessions, and the due dates of treatment plans. Given the lack of documentation related to machine breakdowns, the proposed approach is evaluated using the scenarios generated by modifying the duration of the breakdown and the schedule filling rate. The solutions are compared by: the number of delayed patients, the waiting time, and the overtime. We present a detailed analysis of the results that allows managers to understand the impact of the decisions made on performance.