Auteur/autrice : Jules Le Lay

Introduction

Que ce soit seul ou combiné à d’autres techniques d’analyses et de modélisation, la simulation et l’optimisation mathématique se sont imposées comme des méthodes de référence pour résoudre les problématiques organisationnelles complexes, telles que celles que l’on trouve dans le secteur de la santé. Organiser un planning de bloc opératoire, étudier le parcours patient ou l’organisation d’un territoire de santé, autant de préoccupations auxquelles l’optimisation mathématique apporte des éléments de réponse.

Les multiples expériences de DALI sur des projets de recherche de pointes nous ont appris à utiliser ces méthodes, à questionner leurs résultats et à les implémenter. En effet, les contraintes pesant sur les systèmes de soins sont extrêmement complexes et challengent souvent les modélisations, nous amenant à toujours remettre en question méthodes et résultats en les confrontant à nos connaissances du secteur et à l’expertise d’expert des métiers de la santé. Ces processus d’améliorations continues des modèles permettent une utilisation éclairée de l’optimisation dans le domaine de la santé.

Pour comprendre les contraintes d’utilisation de l’optimisation et comment nous l’employons dans nos projets sur des données en vie réelle, nous nous proposons de vous présenter ce qui se cache derrière l’optimisation mathématique et son utilisation.

A quoi correspond l’optimisation mathématique et comment est-elle utilisée dans le secteur de la santé ?

Optimisation mathématique

Principes d’optimisation

L’optimisation est une branche des mathématiques qui vise à “résoudre des problèmes modélisés sous la forme d’équations”. Les décisions à prendre pour résoudre ce problème sont “des variables” dont on cherche la valeur optimale. L’objectif classique de ces méthodes est de minimiser une fonction objectif (ex. coût en €) en prenant en compte de plusieurs contraintes, qu l’on modélise sous forme d’inéquations (ex. ne pas dépasser un budget) qui limitent les choix de valeur de nos variables (ex. choix des dépenses).

Dans une représentation de problèmes réels, la fonction objectif peut représenter typiquement un coût financier (réduire des coûts pour un commerce, pour une prise en charge de patient), un délai (minimiser des temps de transport) ou une combinaison de ces éléments (trouver un compromis entre la maitrise de couts, des délais de livraison faible et une qualité de service élevée). Les variables de décisions sont l’équivalent mathématique des décisions prises dans la vie réelle (la quantité de produits à concevoir dans une usine, des budgets à investir, dans quelle ville ouvrir un entrepôt).

Pour récapituler, un problème d’optimisation est une modélisation mathématique qui aide à la résolution de problèmes réels, et qui se compose :

• d’une fonction objectif représentant le but final du problème,
• de variables de décisions, qui sont les choix à effectuer par l’utilisateur,
• de contraintes limitant les décisions possibles.

Exemple d’optimisation mathématique en santé

Regardons ce que cela donne sur un exemple simple. Prenons le cas d’une société pharmaceutique produisant un médicament sous 2 conditionnements différents: des flacons de 100 mL et de 300mL, et qui cherche à maximiser ses profits. Les flacons de grande capacité rapportent 2€ et les flacons standards 1€. L’entreprise ne peut produire que 1000 boites en tout, dont 300 flacons de 300mL. En conséquence, on cherche à savoir combien de flacons de chaque capacité produire pour maximiser les profits de l’entreprise.

On retrouve dans ce problème nos 3 éléments d’intérêt :

• l’objectif : maximiser le profit réalisé,
• la variable de décision : la quantité de flacons à produire,
• les contraintes de production : on ne peut pas produire autant que l’on veut,

Ce problème relativement simple permet d’illustrer la modélisation de problèmes réels de manière mathématique. Dans la réalité, les objectifs sont souvent multiples (avoir la meilleure qualité de soins possible, réduire les délais, maitriser les coûts, etc.) et mènent à la formulation de fonctions complexes qui tentent d’équilibrer les différents aspects d’un projet. Les contraintes nombreuses peuvent être mal définies et affinées au fil de l’évolution du projet, et impliquent plusieurs aspects du problèmes (réglementation, capacité de production et contraintes temporelles). En cela, les observations des données à disposition et du terrain, ainsi que les discussions avec les experts impliqués sont essentielles pour aboutir à une modélisation pertinente.

Généralisation des problèmes d’optimisation

On peut généraliser la formulation des problèmes d’optimisation de la manière suivante :

où :

• $x \in \mathbb{R}^n$ : le vecteur des variables de décision,
• $f: \mathbb{R}^n \to \mathbb{R}$ : la fonction objectif,
• $A \in \mathbb{R}^{m \times n}$ : la matrice des contraintes d’inégalité,
• $b \in \mathbb{R}^m$: le vecteur des bornes d’inégalité,
• $n,m$ : le nombre de variables de décisions et de contraintes.

L’objectif peut aussi s’exprimer sous forme de maximisation selon la finalité du problème.

Notre exemple de la société pharmaceutique se modélise ainsi :

où $u$ et $v$ représentent les quantités de flacons de 300 mL et 100 mL, $f(u,v)$, le bénéfice à maximiser, et les contraintes limitent le nombre total de flacons et la production en grand format.

Ces éléments de modélisation servent à formaliser les problématiques de nos projets et à communiquer avec nos partenaires. Choix de modélisation, méthodes de résolution et résultats sont constamment discutés avec les experts terrain pour valider les décisions.

On utilise différents algorithmes pour résoudre numériquement ces problèmes. Pour les problèmes de taille raisonnable, des méthodes exactes suffisent. Mais dans nos projets en vie réelle, la complexité du problème augmente régulièrement. On utilise alors des méthodes d’approximation, dites métaheuristiques. Ces méthodes explorent l’espace des solutions en suivant des stratégies précises. Elles ne garantissent pas la solution optimale, mais conservent un temps de calcul raisonnable.

Les résultats obtenus sont rarement applicables tels quels sur le terrain : un travail d’adaptation reste nécessaire avec les équipes impliquées.

Méthode de résolution : la Recherche Tabou (Tabu Search)

Une des techniques métaheuristiques les plus utilisées est la « Recherche Tabou », une stratégie de recherche qui consiste à explorer des solutions proches du point de départ. On choisit la meilleure solution du voisinage et on recommence jusqu’à ce que l’algorithme n’améliore plus ses résultats. Ensuite, on ajoute les solutions à la liste des Tabous et exclues du champs de recherche pour un temps donné. Cela permet à l’algorithme de ne pas se bloquer sur des solutions déjà explorées par le passé. On arrête la recherche lorsque l’on améliore plus les solutions obtenues. Pour résumer l’algorithme fonctionne de la manière suivante :

Fonctionnement de la Recherche Tabou
On note $s*$ la solution initiale, et $s$ les solutions possibles. T est la liste des solutions Tabous.
– On définit la solution initiale (la situation actuelle du système étudié): $s*←s1$,
– La liste des tabous est vide: $T ← []$, elle contiendra les solutions retenus et à ne plus explorer.

On répète ensuite :
1. Exploration du voisinage de $s*$: on génère des solutions proches de $s*$,
2. On évalue la valeur de la fonction objectif pour chaque solution du voisinage,
3. On identifie $s_{sol}$ la meilleure solution sur le voisinage,
4. La solution $s*$ est ajoutée à la liste des Tabous pour les itérations suivantes, $T ←s*$,
5. Le meilleur voisin est retenu comme solution référence : $s* ← s_{sol}$.

On arrête d’itérer lorsque la valeur de la fonction objectif ne s’améliore plus pendant trop d’itérations successives. A noter que le meilleur voisin retenu n’est pas forcément meilleure que la solution d’origine. Cela permet à l’algorithme d’explorer progressivement le voisinage et de ne pas se bloquer sur un optimum local.

Simulation numérique

La simulation numérique désigne une représentation numérique d’un système réel et l’étude de son évolution dans le temps. On l’utilise pour prévoir à l’avance l’état final du système dont on connait l’état initial, ou visualiser son évolution dans des conditions particulières. Il peut s’agir d’un système physique (réacteur d’avion, organe), organisationnel (un hôpital), ou humain (individu population). Plusieurs types de simulations existent, comme la simulation à évènements discrets ou multi-agents, et sont décrites dans notre précédent article : La simulation de flux au service des soignants

Les applications de la simulation numérique en santé sont multiples et peuvent servir des objectifs variés :

• Organisationnel : étude des centres hospitaliers, transports de patients, blocs opératoires. Permet de calculer l’impact de changements d’organisation sur les ressources.
• Aide à la décision (politiques de santé) : analyser l’impact des politiques de santé sur les territoires,
• Modélisation clinique : évolution du patient en fonction des soins reçus (par exemple simulation de l’effet d’un traitement sur les constantes / la santé)

Par exemple : propagation d’épidémie et modèle SIR (Susceptibles, Infectieux, Remis): créer une population et voir l’impact de différents paramètres (distanciation sociale, viralité de la maladie) sur la propagation.

Modèle SIR
On crée une population d’agents ayant certaines caractéristiques et comportement :

– Leur statut par à l’épidémie (Susceptibles de contracter la maladie – Infectés – Rétablis),
– Leur cercle social : avec quels autres agents ils ont des contacts (via le travail, les cercles familiaux),
– Leurs comportement : respect de la distanciation sociale, etc.

De la situation initiale des patients et de la situation (viralité, personnes infectées) l’ordinateur calcule la propagation de l’épidémie et les rémissions.
L’ordinateur utilise ensuite ces paramètres et la situation (viralité et personnes infectées) pour calculer la propagation de l’épidémie.

Simulation et optimisation

La simulation numérique permet d’évaluer un scénario précis et peut être utilisée en combinaison avec un modèle d’optimisation mathématique. On utilise alors le modèle de simulation pour évaluer la fonction objectif utilisée dans le modèle d’optimisation. Cela permet d’obtenir une valeur dans les cas où la fonction est difficilement calculable analytiquement ou pour les systèmes comportant une forte variabilité.

Dans le cas de modèles organisationnels d’hôpitaux par exemple, les durées de séjours de patients comportent une part d’aléatoire, les disponibilités d’équipements médicaux (imagerie, bloc opératoires, etc.) sont conditionnées aux temps de traitement individuels de chaque patients. Ainsi les modèles de simulation permettent de composer avec ces incertitudes fortes lors de l’évaluation de la fonction objectif. On passe alors d’une analyse déterministe à une interprétation probabiliste de l’évaluation d’une solution.

Dans le cas de l’algorithme de Tabu Search expliqué plus haut, l’évaluation de la fonction objectif pour chaque solution explorée est faite via la simulation. On simule plusieurs instances de la simulation (ou runs) en parallèle, et on étudie le comportement de la fonction objectif. De cette manière, les conditions de choix de la meilleure solution sont adaptées aux phénomènes d’incertitudes liées à la simulation.

Conclusion

En santé, l’optimisation mathématique est un outil puissant, qui propose une solution précise à une abstraction d’un problème concret. Utilisée en lien avec la simulation, elle peut ainsi prendre en compte des contraintes organisationnelles et des effets de bords qu’une modélisation mathématiques peut passer sous silence.

DALI s’attache à modéliser de manière responsable les organisations étudiées et à s’adapter aux spécificités de chaque système. La personnalisation et la prise en compte des contraintes opérationnelles des systèmes de santé sont au cœur de nos projets.