Description and Optimization of Lung Cancer Patients' Trajectory

Avec la demande croissante de services de santé, il est essentiel d’allouer efficacement les ressources de santé et de minimiser les temps d’attente des patients. Dans cette thèse, nous utiliserons une combinaison d’analyse de données, de théorie des files d’attente et de méthodes de mesure des voies d’accès pour aider les patients atteints de cancer du poumon à recevoir des traitements en temps opportun. Pour illustrer l’efficacité de l’approche proposée, l’étude se concentre sur les patients atteints de cancer du poumon au CHUM de 2017 à 2018. Ce projet commence par l’analyse des données afin d’obtenir des informations précieuses et diverses techniques de prétraitement sont nécessaires pour simplifier le processus de diagnostic. Nous avons utilisé des techniques de Process Mining pour atteindre cet objectif. Il s’agit d’une technique reconnue utilisée pour analyser et visualiser la structure d’un réseau et identifier les goulots d’étranglement. Pour classer les patients en fonction de leurs besoins spécifiques, nous utilisons une méthode de regroupement pour diviser les patients en trois catégories en fonction de l’âge, des complications, du sexe et du stade de la tumeur. Nous étudions également l’utilisation de modèles de files d’attente pour optimiser le flux des patients. Le flux de patients fait référence au parcours d’un patient depuis son entrée à l’hôpital jusqu’à son traitement, ce qui inclut le transfert entre les différentes investigations. En tirant parti de techniques telles que l’Open Jackson Network, nous pouvons modéliser le flux de patients et évaluer l’impact de divers facteurs, tels que le nombre de serveurs, sur l’ensemble du système. En outre, nous considérons le réseau ouvert de Jackson prioritaire au lieu du modèle "premier arrivé, premier servi". Le parcours des patients atteints de cancer du poumon est complexe. La plupart d’entre eux font l’objet d’une enquête, certains reçoivent un traitement, tandis que d’autres quittent tout simplement le système, par exemple parce que leur cancer n’a pas été diagnostiqué. Il est donc difficile d’identifier les processus d’arrivée. Dans le processus de chirurgie, notant que le processus global d’arrivée des patients n’est pas compatible avec le processus de Poisson mais que le processus de départ des différentes investigations est décrit par un processus de Poisson, dans cette thèse, nous supposons que l’intervalle entre les patients avec différentes investigations suit une distribution exponentielle et nous utilisons Markov-modulated Poisson Process (MMPP) pour décrire le processus d’arrivée. Cette méthode a rarement été utilisée dans le contexte du traitement médical, mais elle s’avère être une solution réalisable. En utilisant le modèle MMPP/G/1, il est possible d’analyser le temps d’attente moyen et le nombre moyen de patients dans la file d’attente. Enfin, la mesure de la performance du parcours d’un patient est un autre outil essentiel pour garantir que les patients reçoivent des soins efficaces et en temps voulu. En règle générale, les patients passent beaucoup plus de temps entre les examens qu’à l’intérieur de ceux-ci. Par exemple, dans notre ensemble de données avec le jour comme unité, alors que toutes les investigations se terminent le même jour, les patients attendent souvent plusieurs jours, voire plusieurs semaines, pour l’investigation suivante. Nous pouvons simplifier le cheminement en considérant que l’examen précédent se termine immédiatement lorsque l’examen suivant commence, ignorant ainsi le temps de test. Nous présentons la durée entre deux examens comme une variable aléatoire avec une distribution exponentielle. Pour aider les patients à choisir le parcours optimal et réduire le risque d’erreur de diagnostic, nous utilisons l’optimisation inverse. Dans cette approche, nous déterminons les valeurs des paramètres qui minimisent le coût des parcours des patients dans le cadre de la performance du temps d’attente pour évaluer le risque qui s’accumule avec le temps tout en veillant à ce que les temps d’attente ne dépassent pas une limite de temps spécifiée.

Abstract

With growing demand for healthcare services, it’s critical to efficiently allocate healthcare resources and minimize patient wait times. In this thesis, we will employ a combination of data analysis, queueing theory, and pathway measurement methods to aid lung cancer patients in receiving timely treatments. To illustrate the effectiveness of the proposed approach, the study focuses on lung cancer patients at CHUM from 2017-2018. This project starts with data analysis to obtain valuable insights and various preprocess techniques are needed to simplify diagnostic process. We have used Process Mining tech-niques to reach this objective. It is a recognized technique employed to analyze and visualize the structure of a network and identify bottleneck. To classify patients according to their specific needs, we use a clustering method to divide patients into three categories by age, complications, gender, and tumor stage. We also investigate the use of queuing models to optimize patients’ flow. Patients’ flow refers to the journey that a patient takes from entering the hospital to receiving treatment, which includes transferring between different investigations. By leveraging techniques such as the Open Jackson Network, we can model patient flow and assess the impact of various factors, such as the number of servers, on the entire system. Furthermore, we consider the priority open Jackson network instead of first come first served model. The patients’ pathway of lung cancer patients is complex. Most undergo investigation, some get to the treatment while others simply leave the system, for example because they may not be diagnosed with cancer. This makes the identification of the arrival processes difficult. In the process of surgery, noting that the overall arrival process of patients is not consistent with the Poisson process but the departure process of different investigation is described by a Poisson process, in this thesis, we assume that the interval between patients with different investigations follows an exponential distribution and use Markov-modulated Poisson Process (MMPP) to describe the arrival process. This method has rarely been used in the context of medical treatment but it turns out to be a feasible solution. Using the MMPP/G/1 model, it is possible to analyze the average waiting time and the average number of patients in the queue. Finally, measuring the performance of a patient’s pathway is also another critical tool to ensure that patients receive timely and efficient care. Typically, patients spend much more time between investigations than within them. For example, in our data set with day as a unit, while all investigations end on the same day, patients often wait several days or even weeks for the next investigation. We can simplify the pathway by considering the previous investigation to end immediately when the next one begins, thus ignoring the testing time. We present the duration between two investigations as a random variable with exponential distribution. To facilitate patients in choosing the optimal pathway and reduce the risk of being misdiagnosed, we use inverse optimization. In this approach, we determine the values of parameters that minimize the cost of the patients’ pathways as a part of waiting time performance to evaluate the risk that accumulates with time while ensuring that waiting times do not exceed a specified time limit.