Contribution à la prédiction de la demande, au triage des appels et à l'allocation des ambulances par apprentissage automatique

Cette thèse s’inscrit dans le domaine de l’intelligence artificielle appliquée aux services préhospitaliers d’urgence, avec pour objectif principal de concevoir des modèles intelligents permettant d’améliorer la réponse ambulancière en milieu urbain. Elle repose sur l’hypothèse selon laquelle une approche intégrée combinant prédiction, explicabilité et optimisation en temps réel peut réduire significativement les délais d’intervention et renforcer l’efficacité opérationnelle des services d’urgence. Le travail de recherche est structuré en quatre volets. Le premier porte sur la prévision spatio-temporelle de la demande en ambulances. En analysant des données historiques enrichies par des variables météorologiques et temporelles, des modèles d’apprentissage automatique ont été développés, dont un modèle d’ensemble par empilement. Ces modèles visent à anticiper le volume et la localisation des appels d’urgence, afin de permettre une planification proactive des ressources. Les résultats obtenus montrent une capacité prédictive élevée, confirmant la pertinence de l’approche choisie. Le deuxième volet est consacré à l’interprétabilité des modèles prédictifs. Dans un contexte aussi sensible que celui de la santé, il est essentiel que les décisions algorithmiques soient compréhensibles par les acteurs humains. Des techniques d’explicabilité ont été utilisées pour identifier les facteurs les plus déterminants dans la prédiction des appels d’urgence. L’analyse révèle que des variables telles que le moment de la journée, la météo et la distribution spatiale des incidents influencent fortement les résultats des modèles. Cette étape permet d’assurer la transparence des prédictions et d’encourager leur adoption sur le terrain. Le troisième volet s’intéresse au triage médical d’urgence, étape critique du processus de répartition des ambulances. Face à la complexité croissante des appels et aux limites des systèmes traditionnels basés sur des règles, un cadre d’apprentissage automatique interprétable a été proposé pour soutenir la prise de décision en temps réel. Ce cadre repose sur un classificateur d’ensemble basé sur un vote souple, intégrant des modèles robustes tels que le Gradient Boosting, le Random Forest et le Explainable Boosting Machine. En exploitant les données structurées de régulation médicale (indicateurs cliniques, métadonnées d’appel, variables temporelles), ce modèle permet de classifier les appels selon leur niveau de gravité tout en assurant la transparence grâce à l’utilisation conjointe des valeurs SHAP et de l’importance permutationnelle des variables. Les performances du modèle, évaluées sur des données réelles, surpassent celles des approches de régression logistique et des protocoles traditionnels, réduisant significativement les risques de sous-triage. Cette approche contribue à un triage plus fiable, à une meilleure priorisation des interventions, et à un appui décisionnel renforcé pour les répartiteurs et les ambulanciers. Le quatrième volet traite de l’optimisation de l’allocation et du routage des ambulances en temps réel. Un environnement dynamique basé sur une grille urbaine a été modélisé, où chaque ambulance et incident est représenté par un agent autonome. Des techniques d’apprentissage par renforcement multi-agents ont été mises en œuvre pour apprendre des politiques de répartition efficaces. Les modèles développés tiennent compte à la fois des distances, des priorités d’incidents et de l’état du réseau routier. Les simulations réalisées démontrent une réduction significative des temps de réponse comparée aux méthodes classiques. En somme, cette recherche propose une contribution originale à la gestion intelligente des services d’urgence. Elle démontre que l’intégration de l’apprentissage automatique, de l’expli-cabilité et de l’apprentissage par renforcement permet non seulement d’anticiper les besoins avec précision, mais aussi de guider efficacement la répartition des ressources sur le terrain. Les résultats obtenus ouvrent la voie à des applications concrètes dans les systèmes de santé urbains, en vue d’améliorer la qualité des soins et de sauver des vies.

Abstract

This thesis is in the field of artificial intelligence applied to pre-hospital emergency services, with the main objective of designing intelligent models to improve ambulance response in urban environments. It is based on the hypothesis that an integrated approach combining prediction, explicability and real-time optimization can significantly reduce response times and enhance the operational efficiency of emergency services. The research work is structured in four parts. The first concerns the spatio-temporal forecasting of ambulance demand. By analyzing historical data enriched with meteorological and temporal variables, machine learning models have been developed, including an ensemble stacking model. These models aim to anticipate the volume and location of emergency calls, enabling proactive resource planning. The results obtained show a high predictive capacity, confirming the relevance of the chosen approach. The second section focuses on the interpretability of predictive models. In a context as sensitive as healthcare, it is essential that algorithmic decisions are comprehensible to human actors. Explainability techniques have been used to identify the most decisive factors in the prediction of emergency calls. The analysis revealed that variables such as time of day, weather and spatial distribution of incidents strongly influence model results. This step ensures the transparency of predictions and encourages their adoption in the field. The third section focuses on emergency medical triage, a critical step in the ambulance dispatch process. Faced with the growing complexity of calls and the limitations of traditional rule-based systems, an interpretable machine learning framework has been proposed to support real-time decision-making. This framework is based on a flexible voting-based ensemble classifier, integrating robust models such as Gradient Boosting, Random Forest and Explainable Boosting Machine. By exploiting structured medical regulation data (clinical indicators, call metadata, temporal variables), this model classifies calls according to their level of severity, while ensuring transparency thanks to the joint use of SHAP values and the permutational importance of variables. The model’s performance, evaluated on real data, outperforms that of logistic regression approaches and traditional protocols, significantly reducing the risk of under-sorting. This approach contributes to more reliable triage, better prioritization of interventions, and enhanced decision support for dispatchers and paramedics. The fourth part deals with the optimization of ambulance allocation and routing in real time. A dynamic environment based on an urban grid has been modeled, where each ambulance and incident is represented by an autonomous agent. Multi-agent reinforcement learning techniques were implemented to learn efficient dispatching policies. The models developed take into account distances, incident priorities and road network conditions. Simulations show a significant reduction in response times compared with conventional methods. In summary, this research makes an original contribution to the intelligent management of emergency services. It demonstrates that the integration of machine learning, explainability and reinforcement learning not only enables us to anticipate needs accurately, but also to effectively guide the allocation of resources in the field. The results obtained pave the way for concrete applications in urban healthcare systems, with a view to improving the quality of care and saving lives.