Bonjour,
Je vous remercie par avance pour la diffusion de cette offre de thèse. Bien cordialement,
*****************************************
Mots-clés : performance hospitalière, profilage des patients, parcours de soins, données médicales et sociales, machine learning, ensembles flous, prise en compte des incertitudes.
Financement : Pack Ambition Recherche de la Région Auvergne-Rhône-Alpes
Profil recherché : Data science, intelligence artificielle, mathématique appliquée, compétence confirmée en programmation et traitement de données.
Début de thèse souhaité : 1er octobre 2018
Équipe des encadrants :
- Antoine Duclos, MD, HDR, laboratoire HESPER, Hospices civils de Lyon
- Tao Wang, MCF, laboratoire DISP, INSA Lyon
- Julien Fondrevelle, MCF, laboratoire DISP, INSA Lyon
Présentation des laboratoires partenaires :
Le laboratoire Health Services and Performance Research (HeSPeR EA 7425, Université Claude Bernard Lyon 1,https://www.hesper.fr) est un laboratoire de Santé Publique composé d’une équipe de recherche interdisciplinaire associant une trentaine de chercheurs hospitalo-universitaires cliniciens, épidémiologistes et spécialistes en sciences humaines. Son ambition est de faire progresser la connaissance sur les services de santé en étudiant leurs performances en termes de qualité, sécurité, efficience et accessibilité des soins délivrés au patient. Le partenariat avec les Hospices Civils de Lyon (HCL) auxquels sont rattachés la plupart des chercheurs hospitalo-universitaires du laboratoire HeSPeR nous permet d’accéder aux données et de pouvoir étudier de nombreux types de séjours et parcours de soins. En particulier, le Service des Données de Santé du Pôle de Santé Publique des HCL (http://www.chu-lyon.fr) est responsable de la gestion et de l’exploitation de données médicalisées utiles pour la recherche en santé et l’évaluation des soins.
Le laboratoire de Décision et Information pour les Systèmes de Production (DISP EA 4570, https://www.disp-lab.fr) rassemble des chercheurs et enseignants-chercheurs de l’Université de Lyon autour d’une double expertise en Génie Industriel et Systèmes d’Information d’entreprise. Ses recherches portent sur la conception et le déploiement de méthodes d’aide à la décision et de systèmes d’information pour l’amélioration de la performance des systèmes de production de biens et de services, des entreprises en réseau et des chaînes logistiques globales. Depuis 2000, le DISP a contribué à de nombreux travaux de recherche dans le domaine de la santé, tels que l’organisation des services d’urgences, l’ordonnancement des activités chirurgicales, l’optimisation des transports de patients et de la délivrance de médicaments, la prédiction des afflux de patients, la protection des hôpitaux et la gestion de l’hospitalisation à domicile.
Descriptif du sujet de thèse :
Les hôpitaux sont amenés à optimiser l’utilisation de leurs ressources face aux besoins sanitaires croissants de la population et à de nombreuses contraintes budgétaires. L’estimation de la durée de séjour doit être établie à chaque admission à l’hôpital afin de planifier les activités de soins de manière pertinente. Une estimation inexacte peut rendre inefficiente l’organisation du travail à l’hôpital, entraîner une surcharge de travail des professionnels de santé et un allongement des délais d’attente pour les patients. Dans ce contexte, l’objectif du travail de thèse est de développer une nouvelle méthode de prédiction qui assistera le gestionnaire des lits dans l’estimation des durées de séjours au plus juste au moment de l’admission et pendant le séjour d’hospitalisation.
La prédiction des durées de séjours est un problème complexe qui dépend de nombreux facteurs relatifs au contexte clinique et social du patient, à sa prise en charge et au service dans lequel ce dernier est admis. Le résultat d’une prédiction empirique par l’homme n’est pas toujours valide par manque d’informations ou d’expériences, notamment dans le cas de séjours non fréquents. Les résultats de notre première étude, menée dans le cadre d’un partenariat HeSPeR-HCL-INSA et réalisée avec des méthodes statistiques, ont montré que la performance de prédiction était excellente pour les durées inférieures à 2 jours, mais moins exploitable pour les durées longues. La capacité de prédiction de ces méthodes était supérieure à celle de l’homme selon une étude menée auprès de 25 médecins sur un échantillon de 187 séjours.
L’investigation doit être poursuivie pour continuer à améliorer la précision des prédictions, en cherchant de nouvelles méthodes issues du Big Data et du domaine de l’Intelligence Artificielle. Il est apparu opportun d’employer des algorithmes d’apprentissage automatique (Machine Learning) en se servant des données collectées en routine dans le système d’information de l’hôpital. Ces algorithmes permettent à l’ordinateur d’extraire des connaissances implicites à partir des masses de données.
Le défi à relever consiste à concevoir une méthode de Machine Learning (1) appropriée à sélectionner des informations prédictives qualifiant le profil du patient, (2) adaptée aux données incrémentales et évolutives pendant le parcours de soins, et (3) capable d’engranger des expériences et des connaissances à partir des données médicales contenant des éléments d’incertitude et d’hésitation.
Ce sujet s‘intègre dans la politique d’établissement des Hospices Civils de Lyon en matière de performance et de pertinence des soins. Le développement de la méthode de prédiction utilisera les informations disponibles pour les patients hospitalisés aux HCL entre 2011 et 2017. La méthode de prédiction sera aisément généralisable aux autres établissements de soins, elle participera à l’amélioration de la qualité des soins dispensés en Auvergne-Rhône-Alpes et de l’efficience des hôpitaux sans nécessiter de moyens humains supplémentaires pour prédire les durées de séjours.
Le dossier de candidature doit contenir les pièces suivantes :
CV détaillé
Notes M1 et M2 (avec classement)
Mémoire de fin d’études de M1
Sujet et coordonnées des encadrants de stage M2
Mémoire de stage M2 (si le stage est terminé)
Lettre de motivation
Lettres de recommandation
Le dossier de candidature est à envoyer aux adresses suivantes avant le 07/09/2018 :
antoine.duclos@chu-lyon.fr, tao.wang@insa-lyon.fr, et julien.fondrevelle@insa-lyon.fr
*****************************************