Vers une optimisation de l'allocation des ressources hospitalières par l'application du Process Mining : une approche pilotée par les données H/F

Description de l'offre

Intégrer LINEACT au sein de CESI pour un stage de recherche serait une formidable opportunité de contribuer à des projets innovants, tout en approfondissant mes compétences dans un environnement à la pointe de la transformation numérique et de l’industrie 4.0

Contexte scientifique et problématique

Dans un contexte de tensions accrues sur les ressources hospitalières et d’exigences élevées en matière de qualité des soins, les établissements de santé doivent relever des défis considérables pour optimiser la gestion et l'allocation de leurs ressources humaines. La complexité des processus hospitaliers, marquée par une forte variabilité des activités et des flux de patients, rend l'allocation du personnel soignant (médecins, infirmiers, aides-soignants) particulièrement délicate. Par ailleurs, la digitalisation croissante génère quotidiennement un volume important de données dans les systèmes d'information hospitaliers (SIH), mais ces données restent souvent sous-exploitées pour l'optimisation des processus et des ressources. Dans ce contexte, le Process Mining se présente comme une approche prometteuse permettant de tirer des connaissances exploitables à partir des traces numériques des processus hospitaliers, offrant ainsi de nouvelles perspectives pour l'analyse et l'amélioration des pratiques de gestion en santé.

Les recherches récentes mettent en lumière l'intérêt croissant pour l'application du Process Mining dans le secteur de la santé, démontrant son potentiel pour analyser et optimiser les processus hospitaliers. Cependant, son application spécifique à l'optimisation des ressources humaines reste encore un champ de recherche en expansion, en particulier dans le contexte français où les contraintes réglementaires et organisationnelles posent des défis particuliers. Optimiser l'allocation des ressources humaines en milieu hospitalier est crucial pour la qualité des soins et l’efficience opérationnelle des établissements, bien que l'exploitation des données disponibles pour cet objectif rencontre encore plusieurs obstacles.

Ainsi, la question centrale de cette recherche est la suivante : comment le process mining, appliqué aux données issues de l'open data en santé (PMSI, SAE, ATIH), peut-il être utilisé pour optimiser l'allocation des ressources humaines dans les établissements de santé ? Cette problématique nécessite l'exploitation des méthodes avancées de data science, notamment les techniques de data mining et les algorithmes d'intelligence artificielle, pour extraire et transformer ces données en logs d'événements structurés exploitables par les algorithmes de process mining.

La méthodologie à suivre se décompose en deux phases principales. La première phase consiste à prétraiter, nettoyer et standardiser les données de l'open data afin d'obtenir des logs d'événements de qualité adaptés au process mining. La seconde phase vise à appliquer les algorithmes de process mining pour découvrir les modèles de processus, analyser leur conformité et identifier les opportunités d'optimisation dans l'allocation des ressources hospitalières.

Pour valider cette approche data-driven, un cas d'étude concret sur l'allocation des ressources humaines hospitalières sera réalisé. Ce cas d'application permettra d'expérimenter et d'évaluer les algorithmes développés dans un contexte réel, tout en démontrant le potentiel du process mining pour l'optimisation des ressources hospitalières. L'ensemble de la démarche vise ainsi à développer une méthodologie reproductible pour l'analyse et l'amélioration des processus d'allocation des ressources humaines en santé.

Programme de travail

La réalisation de ce travail met en lumière plusieurs aspects qui seront développés au cours de ce stage:

• Effectuer une revue de la littérature pour identifier les applications du process mining en santé, puis rassembler et structurer les données de santé nécessaires, en veillant à leur conformité aux exigences de confidentialité et de qualité.
• Développer des algorithmes de prétraitement à l'aide des techniques de data mining et d'intelligence artificielle pour transformer les données issues de l'open data en logs d'événements exploitables par le process mining.
• Concevoir une méthodologie d'analyse des processus hospitaliers basée sur le process mining.
• Appliquer le process mining pour modéliser les processus d’allocation des ressources humaines, en documentant les étapes clés, les contraintes organisationnelles et les points de blocage observés.
• Analyser les facteurs d'inefficacité et les contraintes spécifiques à l'allocation des ressources humaines en utilisant des outils de visualisation pour identifier les zones d’amélioration.
• Formuler des recommandations pour optimiser l’allocation des ressources humaines et proposer des pistes de développement pour des algorithmes d'optimisation futurs.
• Rédiger un rapport final et préparer des supports de présentation pour diffuser les résultats et orienter les recherches futures sur l’optimisation des processus hospitaliers.

Contexte

Présentation du laboratoire

CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

• L’équipe 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.

• L’équipe 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Ces deux équipes développent et croisent leurs recherches dans les deux domaines applicatifs de l'Industrie du Futur et de la Ville du Futur, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur.

Profil recherché

Profil du candidat :

Étudiant en Master 2 e-santé ou en dernière année d'école d'ingénieurs en informatique / science des données, mathématiques appliquées ou un domaine connexe.

Vos compétences :

• Connaissances avancées en data mining et en apprentissage automatique pour enrichir l’analyse des processus et détecter des motifs complexes.
• Compétences avancées en analyse et visualisation de données pour interpréter et présenter les résultats.
• Maîtrise de la gestion, du prétraitement et de la confidentialité des données de santé.
• Connaissance appréciée des outils et techniques de Process Mining pour modéliser et documenter les processus hospitaliers.
• Compétences en recherche documentaire, rédaction scientifique et communication pour documenter et diffuser les résultats.

Gratification à 15% du plafond horaire de la Sécurité Sociale

Date de début : Février 2025

#CESILINEACT