Notre Blog

Publié le

Faut-il (vraiment) faire du machine learning sur les données de santé ?

Travaillant dans le secteur de la santé, nous nous sommes demandé s’il est devenu trop courant d’entendre : « On pourrait faire du machine learning sur les données de santé… ». La proposition semble prometteuse, avec un côté moderne, voire incontournable (et c’est sans parler d’IA génératives qui attirent beaucoup d’attention, on parle ici du machine learning « traditionnel »). Et pourtant… trop souvent, ces projets sont lancés sans réel besoin défini, ni question précise à résoudre. Comme si le simple fait d’utiliser un modèle complexe était en soi un gage de valeur ajoutée.

Nous avons appris au fil des projets que le machine learning n’a de sens que s’il est ancré dans un besoin de terrain, dans un besoin bien formulé. Le risque est que le résultat soit déceptif pour tout le monde, et que personne ne s’empare des résultats.

C’est ce que nous souhaitons partager dans cet article. Nous allons donc poser une question simple :

À quoi ça sert vraiment de faire du machine learning en santé ?

Nous verrons pourquoi l’engouement est réel (et souvent justifié), mais aussi pourquoi il faut rester lucide. Et surtout, comment construire des projets qui visent rigueur scientifique et finalité concrète.

🔎 Petit rappel : qu’est-ce qu’un un modèle de machine learning ?
Un modèle de machine learning (= apprentissage automatique), c’est un programme qui apprend à repérer des régularités dans des données passées pour prédire, classer ou segmenter de nouveaux cas. C’est utile… si ces régularités existent vraiment, et si elles aident à prendre des décisions.

Mais attention, le modèle ne comprend pas ce qu’il fait ! Il ne fait que repérer des régularités mathématiques dans les données. S’il a été mal alimenté, ou si les données sont biaisées, les résultats seront trompeurs.

Trois exemples :
– Prédire un événement (classification ou régression) : va-t-il y avoir un risque de chute ?
– Regrouper automatiquement des cas similaires (clustering) : y a-t-il des profils types de parcours post-opératoire ?
– Détecter des comportements inhabituels (anomaly detection) : ce signal de capteur sort-il de l’ordinaire ?

Décryptage – Le boom du machine learning en santé (2010–2025)

Pour commencer, jetons un petit regard en arrière pour voir ce que nous dit l’évolution du machine learning en santé du point de vue des publications. Le constat est clair : l’intérêt scientifique pour le machine learning, tous sujets confondus en santé, connaît une croissance spectaculaire, confirmée par plusieurs revues de littérature récentes.

Quelques chiffres clés :

  • Une simple recherche sur le site PubMed (https://pubmed.ncbi.nlm.nih.gov/), “Machine Learning + Healthcare” OR “Artificial intelligence + Healthcare”, donne 35 105 réponses (au 1er août 2025).
Graphique créé par l’auteur
  • Une étude publiée dans Frontiers in Medicine a analysé 22  950 articles publiés entre 1993 et 2023. Elle montre une accélération très rapide après 2010, avec un pic marqué à partir de 2019 (Y. Xie et al. « Evolution of artificial intelligence in healthcare: a 30-year bibliometric study », Front. Med., vol. 11, janv. 2025, doi: 10.3389/fmed.2024.1505692)
  • Une autre étude recense toutes les publications contenant les mots-clés “machine learning” et “healthcare” dans Scopus de 2000 à 2024.  Le volume passe de quelques dizaines à plus de 3 000 articles par an (A. Dalky et al., « Global Research Trends, Hotspots, Impacts, and Emergence of Artificial Intelligence and Machine Learning in Health and Medicine: A 25-Year Bibliometric Analysis », Healthcare, vol. 13, nᵒ 8, Art. nᵒ 8, janv. 2025, doi: 10.3390/healthcare13080892).

Interprétation de cette explosion

Nous proposons de résumer ces chiffres en 3 phases :

  • La phase exploratoire (jusqu’en 2012) : le machine learning est une curiosité technique.
  • La phase d’adoption (2015–2019) : multiplication par 10 à 20 des publications annuelles.
  • La phase d’emballement (post-2020) : plusieurs milliers d’articles par an, dans toutes les spécialités médicales (et pas que l’imagerie !).

Mais ce volume impressionnant pose question. Une grande partie de ces publications sont des démonstrations techniques ou méthodologiques. Elles ne débouchent pas toujours sur des usages cliniques ou organisationnels.

Pourquoi cela pose problème ?
> Parce que modéliser n’a de sens que si cela aide à décider, à orienter, à prioriser.
> Parce qu’un bon modèle ne vaut que s’il est compréhensible, interprétable et utilisé.

Quand le machine learning est utile : retours d’expérience

Il serait injuste de critiquer le machine learning sans reconnaître ses apports concrets — à condition qu’il soit bien utilisé. Dans plusieurs projets, nous avons vu des approches de classification, de clustering ou de régression produire des résultats réellement utiles pour l’action. D’autant que la barrière à l’entrée pour utiliser ces méthodes est devenue très basse. Ça n’est plus l’apanage des seuls experts techniques. Voici 4 retours d’expériences qui d’usages réussis.

REX 1. Prévention ciblée dans les territoires
Dans un programme régional de prévention des maladies cardiovasculaires, les critères de ciblage classiques (âge, antécédents médicaux) laissaient de côté certains profils à risque. Un modèle de classification basé sur des données médico-sociales et de consommation de soins a permis d’identifier des patients à haut risque non repérés par les outils traditionnels. Grâce à cela, les interventions de prévention (appels infirmiers, entretiens de motivation, courrier d’information) sont mieux ciblées, tout en restant équitables. Ici, le modèle ne remplace pas l’expertise humaine : il l’oriente.

Généré par IA par l’auteur

REX 2. Optimisation du suivi post-opératoire
Dans un centre hospitalier, un projet a analysé les parcours de patients opérés pour des chirurgies digestives. En combinant des données cliniques avec du process mining, l’équipe a utilisé un algorithme de clustering pour identifier des groupes de patients avec des trajectoires post-opératoires atypiques. L’un des groupes présentait un taux de réhospitalisation élevé, lié à un défaut de contact infirmier à J+3. Ce signal, révélé par le modèle, a conduit à une refonte du protocole de suivi. Une fois de plus, l’algorithme n’était qu’un révélateur : la vraie décision s’est prise ensuite.

Généré par IA par l’auteur

REX 3. Dispositifs médicaux : détection précoce d’usure ou d’incidents
Un fabricant de dispositifs médicaux connectés a déployé un algorithme de détection d’anomalies sur les signaux captés par ses capteurs. L’objectif : détecter des signes précoces de défaillance (matérielle ou physiologique) avant que l’événement ne survienne. Une fois le système en place, plusieurs cas ont été évités. L’impact réel ? Moins d’hospitalisations évitables, un SAV plus réactif, et surtout une vigilance renforcée dans l’usage du dispositif.

Généré par IA par l’auteur

REX 4. Essais cliniques : sélection plus fine des participants
Dans un projet de recherche clinique sur une thérapie innovante, les chercheurs soupçonnaient que certains sous-groupes de patients réagissaient différemment au traitement. En amont du protocole, une analyse exploratoire via clustering non supervisé a permis d’identifier des profils différenciés, basés sur des marqueurs biologiques et des scores fonctionnels. Ces profils ont ensuite été utilisés pour affiner les critères d’inclusion, dans le cadre d’une sous-étude. Résultat : une meilleure puissance statistique, une interprétation enrichie des résultats, et une hypothèse plus ciblée pour une future phase III.

Généré par IA par l’auteur

Une constante : ce n’est pas l’algorithme qui agit, c’est l’écosystème autour

Ces exemples ne font pas appel à la plus haute complexité technique qui soit. Parfois, il s’agissait simplement d’un arbre de décision, d’un random forest ou d’un clustering hiérarchique. Ce qui fait la différence, c’est que :

  • les modèles ont été construits en partant d’un besoin métier concret,
  • les résultats ont été intégrés dans un processus de décision ou d’organisation,
  • et surtout, les utilisateurs finaux ont été impliqués dès le début.

Quel point de vue adopter sur le sujet ?

Pour nous, faire du machine learning, ce n’est pas une posture technologique. Ce doit être une démarche rigoureuse, construite avec des experts du domaine concerné.

Les questions clés à se poser avant de lancer un projet :

  • Quelle décision le modèle est-il censé éclairer ?
  • Quels indicateurs seraient vraiment utiles à produire ?
  • Qui est le public cible du modèle ? Est-il formé pour l’utiliser ?
  • A-t-on besoin d’un modèle statistique complexe, ou d’un tableau croisé bien construit ?

Trois erreurs fréquentes à éviter

❌Faire du machine learning pour faire “moderne”
Une IA qui prédit tout, sans qu’on sache à quoi ça sert… n’a aucun impact. Le besoin doit précéder l’outil.

❌Choisir la méthode avant de définir le problème
Ce n’est pas parce qu’un modèle XGBoost ou un réseau de neurones marche ailleurs qu’il est adapté ici. (“ »Quand on n’a qu’un marteau, tout finit par ressembler à un clou. » A. Maslow)

❌Oublier l’appropriation
Un modèle performant mais incompris ne sera jamais utilisé. La pédagogie et la transparence sont des leviers clés. #Explicabilité-de-l’IA

En conclusion

Après plus d’une décennie de travail sur des sujets de data science en santé, je reste convaincu du potentiel du machine learning — mais pas au mythe de la boîte noire magique. Nous croyons à la co-construction, à l’utilité terrain, et à une science des données au service des décisions.

“Un bon projet IA ne commence pas par un algorithme, il commence par une bonne question.”

Retrouvez nos autres articles de blog
👉 La simulation de flux au service des soignants
👉Modéliser un parcours de soin, c’est plus que dessiner un diagramme de flux
👉Améliorer l’organisation des hôpitaux… avec des modèles mathématiques

Publié le

La simulation de flux au service des soignants

Imaginez pouvoir repenser l’organisation d’un service hospitalier, non pas à l’aveugle, mais en testant d’abord vos idées dans un hôpital virtuel. Et si ce patient attendait 15 minutes de moins ? Et si on ajoutait une salle ? Grâce à la modélisation et la simulation de flux, on peut visualiser, prédire, et optimiser… sans prendre le moindre risque pour les patients.

Mais c’est quoi, la simulation de flux ?

Dans un hôpital, tout est affaire de flux : de patients, de soignants, de médicaments, de lits, d’examens… Chaque étape du parcours de soin est reliée à une autre. La simulation de flux, c’est un moyen d’évaluer une organisation à partir d’un modèle (n’hésitez pas à consulter nos articles précédents à ce sujet !).

On utilise ensuite un ordinateur pour simuler différents scénarios sous la forme d’un plan d’expérience. Ces scénarios peuvent être imaginés par les professionnels de santé sous forme de question : que se passerait-il si un médecin de plus arrivait ? si la salle d’attente était réorganisée ? si un test devenait plus rapide ?

Il est aussi possible de simuler des milliers de scénarios en faisant varier les paramètres du modèle de simulation afin de trouver la meilleure organisation possible : cette recherche peut être exhaustive (mais c’est très parfois très long !) ou optimisée, grâce à des méthodes issues de la recherche opérationnelle.

Le logiciel permet alors de voir l’impact sur les indicateurs de performance : par exemple le temps d’attente, le nombre de passages aux urgences ou le coût total des soins.

Un exemple très concret : le service des urgences

Prenons le service des urgences. Chaque jour, des dizaines de patients arrivent sans rendez-vous. Certains sont rapidement repartis, d’autres doivent passer des examens ou être hospitalisés. La gestion des flux y est critique.

La première étape consiste à modéliser ce qui se passe. Pour cela, plusieurs approches existent : le modèle peut être créé à partir d’entretiens avec les soignants, à la main, ou bien automatiquement si des données sont disponibles à l’aide d’un outil de fouille de processus (process mining) par exemple. Un modèle très simplifié pour illustrer cette approche pourrait ressembler à ça :

Avec un logiciel de simulation comme AnyLogic, il est possible d’implémenter un tel modèle au moyen d’un outil graphique et de l’animer :

Enfin, un plan d’expérience permet d’obtenir et d’analyser les résultats en tenant compte d’un intervalle de confiance. Par exemple (ces résultats sont bien entendu fictifs !) :

ScénarioParamètresIndicateurs de performance
Taux d’arrivéeNombre de médecinsDurée de passageUsage des ressources
110 patients/h24h +/- 10 min80% +/- 2%
215 patients/h34h30 +/- 15 min85% +/- 3%

En résumé, on peut simuler l’activité heure par heure, calculer les durées moyennes de passage, repérer les goulots d’étranglement à partir du taux d’utilisation des ressources, et surtout… tester des solutions. Par exemple : que se passe-t-il si on ajoute un infirmier d’accueil et d’orientation ? ou si l’on convoque un médecin en renfort ?

Il existe plusieurs types de simulation… selon ce que l’on cherche à comprendre

Dans le monde de la santé, toutes les situations ne se simulent pas de la même façon. Il est possible de chercher à prévoir l’encombrement d’un service, d’optimiser les ressources, ou d’observer le comportement d’une population de patients.

🎲 1. La simulation de Monte Carlo

Utilisée pour explorer des scénarios incertains ou aléatoires, elle repose sur des modèles de probabilité, souvent sous forme de chaînes de Markov (où l’état futur dépend uniquement de l’état actuel) ou de machines à états. Par exemple, on peut modéliser les différentes étapes d’évolution d’une maladie (état stable, aggravation, guérison, etc.) et simuler leur enchaînement sur des milliers de patients.

👉 Ces modèles de Markov couplés à la simulation de Monte Carlo sont très utilisés en médico-économie pour évaluer l’évolution d’une cohorte sur le long terme. 

Dans l’exemple ci-dessous tiré de (Rui et al. 2020), un modèle de Markov très simple permet de représenter l’évolution d’un cancer pour une cohorte de patients avec trois états (progression, sans progression, décès). Chaque patient est simulé indépendamment en déterminant l’état suivant à partir de probabilités attachées aux transitions.

🧾 2. La simulation à événements discrets

C’est la méthode la plus utilisée pour l’optimisation de l’organisation d’un système par expérimentation. La simulation à événements discrets repose sur une succession d’événements ponctuels (ex. : arrivée d’un patient, début de consultation, fin de soin). On l’associe souvent à des modèles de files d’attente. Cette approche permet de tester l’impact d’un changement d’organisation (par exemple : “Et si on rajoute un médecin ?”).

👉 La simulation à événements discrets est utilisée depuis plus de 40 ans dans l’industrie pour optimiser l’usage de ressources humaines et matérielles. Elle s’applique parfaitement au domaine de la santé à condition de tenir compte de toutes les particularités (on parle de patients et non de produits !)

L’exemple ci-dessous présente le modèle le plus simple possible dans lequel des entités arrivent dans un système, font la queue pour accéder à une ressource (ou serveur), puis quittent le système après le service. Ce petit exemple représente parfaitement votre dernière visite au bureau de poste par exemple !

♻️ 3. La dynamique des systèmes

Ici, on ne regarde plus des événements individuels, mais l’évolution de grandes quantités dans le temps (nombre de lits occupés, niveau de stress d’une équipe, etc.) à l’aide d’équations différentielles. Cette méthode est utile pour les décisions stratégiques ou politiques, sur le long terme.

👉 Parfait pour modéliser l’impact global d’une réforme ou d’une épidémie sur plusieurs années.

L’exemple ci-dessous est tiré de la revue de littérature de (Darabi et Hosseinichimeh, 2020) et illustre l’évolution de l’état de santé d’un patient en fonction de plusieurs autres variables.

🧍🧍 4. La simulation multi-agents

Chaque “agent” (patient, soignant, logiciel…) est simulé avec son propre comportement. Les interactions entre agents permettent de faire émerger des dynamiques complexes. On l’utilise quand les comportements individuels influencent le système global (par exemple : la peur de la contamination ou un confinement change le comportement des patients).

👉 Utile pour simuler les comportements humains dans un hôpital ou dans une crise sanitaire. Le modèle est dirigé par les comportements individuels plutôt que par un modèle du système.

L’exemple ci-dessous tiré de (Castro et al. 2022) illustre l’utilisation d’un modèle multi-agent pour simuler l’évolution d’une épidémie telle le COVID-19. La localisation des personnes est prise en compte pour modéliser la transmission de la maladie selon plusieurs environnement (hôpital, école, etc.).

Figure 2

🧍‍⚕️ 5. La simulation en santé avec mannequins (ou en réalité virtuelle)

Ce petit panorama ne serait pas complet sans parler de simulation en santé pour la formation à l’aide de mannequins ou en réalité virtuelle. Contrairement aux simulations numériques, cette approche repose sur des situations cliniques reproduites dans un environnement physique. On utilise des mannequins haute fidélité, des jeux de rôles ou même la réalité virtuelle pour simuler des actes médicaux (réanimation, accouchement, gestes techniques…). Elle permet aux soignants de s’entraîner sans risque pour les patients, d’améliorer la communication en équipe, de gérer les situations d’urgence et de développer des réflexes face à l’imprévu.

👉 C’est une méthode validée et promue par la Haute Autorité de Santé (HAS) comme outil de formation, de prévention des erreurs et d’amélioration continue de la qualité des soins (source HAS).

Les différentes techniques de simulation en santé sont illustrées dans la figure ci-dessous, tirée de la même source.

En pratique, ces approches peuvent aussi se combiner dans des projets complexes. L’essentiel est de choisir la bonne méthode pour le bon problème, comme on choisirait un outil dans une boîte à outils !

Le mode d’emploi

Un mode d’emploi simplifié pour utiliser la simulation pourrait ressembler à cela :

  1. On collecte des données : si une base de données existe, c’est plus simple ! Sinon, il faut répondre à plusieurs questions : quel est le taux d’arrivée des patients ? combien de temps dure une consultation ? quelle est la capacité des locaux ?
  2. On modélise le parcours : on décrit chaque étape du processus à l’aide d’outils de simulation. Ne pas oublier d’identifier les paramètres du modèle (les leviers d’action) et les indicateurs de performance (qui permettent d’évaluer nos scénarios).
  3. On valide et on simule : après une validation (grâce à des méthodes quantitatives d’évaluation ou à dire d’expert) le logiciel fait tourner des scénarios.
  4. On analyse les résultats : on mesure les indicateurs de performance (délais, files d’attente, coûts…) grâce à un plan d’expérience.
  5. On décide en connaissance de cause : l’outil ne prend pas la décision seul ! Mais les professionnels de santé disposent de résultats objectifs pour prendre la décision.

En résumé

  • La simulation de flux aide à comprendre, prédire et améliorer le fonctionnement des services de santé.
  • Elle repose sur des données réelles et des outils mathématiques accessibles.
  • Elle permet de tester avant d’agir, et donc de mieux décider.
  • Elle est déjà utilisée dans de nombreux hôpitaux français et dans le monde : bloc opératoire, urgences…

Pour aller plus loin…

La conférence internationale Winter Simulation Conference propose une archive ouverte de ses actes avec un track santé comportant de nombreux exemples d’application. N’hésitez pas à y jeter un œil !

Références

(Augusto et al. 2015) Augusto, V., Murgier, M., and Viallon, A. A MODELLING AND SIMULATION FRAMEWORK FOR INTELLIGENT CONTROL OF EMERGENCY UNITS IN THE CASE OF MAJOR CRISIS. 2018 Winter Simulation Conference (WSC), Gothenburg, Sweden, pp. 2495-2506 (2018). doi: 10.1109/WSC.2018.8632438.

(Castro et al. 2022) Castro, B.M., Reis, M.d.M. and Salles, R.M. Multi-agent simulation model updating and forecasting for the evaluation of COVID-19 transmission. Sci Rep 12, 22091 (2022). https://doi.org/10.1038/s41598-022-22945-z

(Darabi et Hosseinichimeh 2020) Darabi, N. and Hosseinichimeh, N. System dynamics modeling in health and medicine: a systematic literature review. Syst. Dyn. Rev., 36: 29-73 (2020). https://doi.org/10.1002/sdr.1646

(Rui et al. 2020) Rui, M., Shi, F., Shang, Y. et al. Economic Evaluation of Cisplatin Plus Gemcitabine Versus Paclitaxel Plus Gemcitabine for the Treatment of First-Line Advanced Metastatic Triple-Negative Breast Cancer in China: Using Markov Model and Partitioned Survival Model. Adv Ther 37, 3761–3774 (2020). https://doi.org/10.1007/s12325-020-01418-7

Publié le

Modéliser un parcours de soin, c’est plus que dessiner un diagramme de flux

Chez DALI, on nous pose régulièrement une question simple en apparence :

« Pouvez-vous nous aider à modéliser le parcours de soin de ces patients ? »

La première idée qui vient en tête, c’est souvent celle d’un schéma : des boîtes, des flèches, un ordre logique d’étapes. Une sorte de carte mentale ou de process en ligne droite. Et pourtant… cette image intuitive est largement insuffisante pour capturer la complexité réelle des parcours de santé. Dans cet article, nous montrons pourquoi modéliser un parcours de soin va au-delà de tracer un diagramme. Nous montrons comment cette démarche devient alors un véritable outil d’analyse.

👉 Si vous avez raté notre article introductif à la modélisation mathématique, c’est par ici.

Qu’est-ce qu’un parcours de soin ?

Un parcours de soin est rarement linéaire. C’est un objet dynamique (parfois bien chaotique !), composé de multiples composantes : actes médicaux, décisions cliniques, éléments logistiques, et bien sûr, vécu subjectif du patient. Il peut inclure des hospitalisations, des consultations, des périodes sans contact médical, des interactions avec différents professionnels et services, et parfois des événements imprévus ou indésirables.

illustration parcours patient

Or, la variabilité entre individus est grande, même pour une pathologie donnée. C’est du aux comorbidités, aux facteurs sociaux, ou encore à la disponibilité des ressources sur un territoire. Comprendre cette variabilité n’est pas accessoire : c’est une condition pour évaluer les ruptures de parcours et mettre en place des actions ciblées, plutôt que générales. C’est pourquoi une modélisation sérieuse des parcours doit chercher à capter cette diversité plutôt qu’à la réduire. Pour dire ça autrement :

« La moyenne ne soigne personne ».

Pourquoi modéliser un parcours ?

La modélisation ne se limite pas à décrire. Elle structure la réflexion autour d’un problème de terrain. Par exemple, dans un contexte hospitalier, elle permet d’identifier les goulots d’étranglement, les redondances, ou les délais cachés. Dans une approche populationnelle, elle aide à détecter les groupes de patients qui suivent des trajectoires atypiques ou à risque.

C’est aussi un outil pour sortir de l’intuition. En représentant le parcours de façon systémique, on met à jour des dépendances inattendues. Des effets indirects qui échappent à une lecture purement descriptive des données émergent.

Comment passer de la carte mentale au modèle exploitable ?

On commence souvent avec un atelier de formalisation. Différents métiers y participent : médecins, soignants, chef de service, chef de projet ARS, data scientists. On pose les jalons du parcours, les transitions possibles, les conditions d’entrée et de sortie. Puis, vient le choix des outils : parfois un simple diagramme d’activités suffit. Bien souvent, il faudra recourir à un outil statistique un peu plus avancé…

Ce choix dépend du niveau de complexité du système que l’on souhaite représenter, et de l’objectif du projet. Un modèle de parcours pour simuler des files d’attente en oncologie n’aura pas la même forme qu’un modèle qui stratifie des patients en programme de prévention. Il faut accepter de ne pas chercher la “modélisation parfaite”, mais le modèle adapté à la question.

« Un modèle simple d’un système complexe ».

Chez DALI, nous utilisons plusieurs outils de modélisation de parcours. Ça peut être un graphe probabiliste*, du process mining*, une simulation d’événements*, voire un jumeau numérique* … Dans tous les cas, l’outil est juste une porte d’entrée dans la problématique réelle, et non pas un aboutissement. C’est en croisant cette première vision avec la connaissance métier et les objectifs organisationnels, que l’on construit un modèle de parcours réellement utile.

L’un des apports majeurs de la data science dans la modélisation des parcours de soins est la possibilité de partir directement des données réelles. Elles sont issues de systèmes d’information hospitaliers, de dispositifs connectés, ou d’autres bases structurées. Ces données peuvent être exploitées par les outils (par exemple le process mining) pour reconstituer automatiquement des séquences d’événements, en extraire les enchaînements typiques et cartographier la diversité des trajectoires observées.

Mais cette cartographie automatique n’est qu’un point de départ. Elle permet de poser les bonnes questions : pourquoi ces variations ? Que signifie cette boucle ? Est-ce une erreur de codage, une pratique locale, un dysfonctionnement? L’analyse exploratoire devient alors une base pour formuler des hypothèses, détecter des points de rupture ou identifier des sous-groupes à risque.

Notre avis sur trois erreurs fréquentes à éviter

❌ Croire qu’un parcours est un standard : même dans des contextes médicaux bien protocolisés, les parcours varient énormément selon les profils des patients, leur situation géographique, ou les aléas organisationnels. Modéliser une moyenne ne suffit pas. Il faut penser en termes de distribution de trajectoires.

❌ “Confondre la carte et le territoire” : un modèle est une représentation, pas une réplique fidèle. Il traduit des choix et des hypothèses. L’erreur serait de le prendre comme vérité absolue. Au contraire, il doit rester un outil au service de la prise de décision.

❌ Vouloir tout modéliser d’un coup : plus le périmètre est vaste, plus le risque est grand de se perdre. Un bon modèle commence petit, clair, et ciblé. Il peut ensuite s’enrichir par itération, au fur et à mesure que les usages et les besoins se précisent.

Un exemple : réduire les réhospitalisations post-chirurgicales

Imaginons un établissement hospitalier qui observe un taux de réhospitalisation élevé après des chirurgies digestives. Les analyses classiques ne suffisent pas à expliquer les écarts. Le service décide alors de modéliser le parcours post-opératoire. Lors des premiers ateliers, le parcours type est décrit : chirurgie → sortie → appel infirmier → consultation de contrôle. Mais en croisant les données, l’équipe identifie un point de fragilité : une partie des patients ne reçoit pas l’appel infirmier de suivi à J+7. Ces patients présentent un taux de réhospitalisation presque deux fois supérieur.

Grâce à la modélisation, on peut alors simuler différents scénarios : que se passe-t-il si l’appel est systématisé ? Quel est l’impact estimé sur le taux global de réhospitalisation ? Combien de ressources faut-il pour le mettre en œuvre ? Le modèle devient ici un outil d’aide à la décision, bien au-delà de la simple visualisation du parcours.

Vers des modèles avancés : simulation, prédiction, jumeaux numériques

Une fois un parcours modélisé, il devient possible d’aller plus loin : par exemple en construisant un simulateur à événements discrets* pour jouer des scénarios futurs. On y intègre des temps d’attente, des capacités limitées, des probabilités de transition, et on observe les impacts sur l’ensemble du système. Le modèle sert alors de jumeau numérique* d’une structure de soins : une entité virtuelle qui réagit aux décisions comme le ferait le système réel. Cela permet de tester des politiques de prise en charge, des dispositifs innovants, ou des réorganisations, avant de les implémenter dans la vraie vie. Un vrai simulateur, sans risque pour les patients.

Conclusion : modéliser, c’est rendre visible ce qu’on pensait “intuitivement”

La modélisation des parcours de soin n’est ni un exercice académique, ni un simple outil de communication. C’est une méthode rigoureuse, progressive, collective. C’est aussi un moyen de mettre à plat des logiques implicites, de construire une compréhension commune, et de mieux piloter la complexité du réel. Chez DALI, nous pensons que modéliser, c’est ouvrir le dialogue entre sciences, pratiques et décisions. C’est rendre visible ce qu’on croyait intuitivement, pour agir là où ça compte.

Pour ne pas manquer la sortie de nos prochains articles, suivez-nous sur Linkedin.

*Bonus – clés de lecture

🔎 Décryptage : Le process mining
Le process mining, c’est comme rejouer les traces laissées par les patients dans les systèmes informatiques (consultations, examens, hospitalisations…). Grâce à ces données, on peut retracer automatiquement les vrais parcours de soins, avec leurs détours, leurs répétitions ou leurs ruptures. C’est un peu comme dessiner une carte à partir des trajets GPS de milliers de personnes : on découvre les chemins les plus utilisés, les raccourcis, ou les zones d’embouteillage.

🔎 Décryptage : la simulation à événements discrets
La simulation à événements discrets, c’est un outil pour rejouer virtuellement le fonctionnement d’un système de soins, minute par minute, patient par patient. C’est comme un simulateur d’aéroport : chaque patient est un passager, chaque étape (consultation, imagerie, hospitalisation) est une station, et le système simule les files d’attente, les retards, les saturations. Cela permet d’évaluer des scénarios sans risque pour le réel.

🔎 Décryptage : un modèle probabiliste
On peut représenter les parcours avec des diagrammes simples… ou des modèles plus sophistiqués, capables d’intégrer les probabilités de transition d’un état à un autre. Ces modèles aident à simuler les situations les plus fréquentes comme les plus rares. On parle aussi de modèle stochastique (par opposition à déterministe).

🔎 Décryptage : un jumeau numérique
Un jumeau numérique, c’est un modèle informatique d’un service de soins ou d’un protocole thérapeutique, qu’on peut manipuler virtuellement pour tester des idées avant de les mettre en œuvre dans la réalité. Alimenté par des données de vie réelle, et combiné à la simulation à événements discrets, c’est un outil moderne et complet pour l’aide à la décision en réactions aux aléas qui surviennent chaque minute. C’est un simulateur, très utile avant de se lancer pour de vrai.

Publié le

Améliorer l’organisation des hôpitaux… avec des modèles mathématiques

Quand on évoque les établissements de santé (hôpital / clinique / EPHAD, …), on pense à des médecins, des infirmières, des patients, des soins. Mais derrière une consultation ou une opération chirurgicale, se cache une organisation complexe… souvent invisible, mais essentielle pour améliorer l’expérience du patient. Pour mieux la comprendre – et surtout l’améliorer – une discipline discrète, mais puissante entre en scène : la modélisation mathématique.

C’est quoi la modélisation mathématique ?

La modélisation mathématique, c’est un peu comme faire une carte très détaillée d’un système, ici l’hôpital, en représentant toutes ses composantes : les tâches, les informations échangées, les ressources humaines et matérielles, et l’organisation globale.

La modélisation formelle s’appuie sur la systémique, une approche qui considère un hôpital non pas comme une somme d’éléments isolés, mais comme un système global, où chaque action, chaque acteur et chaque ressource interagit avec les autres. Un retard à l’accueil peut impacter la consultation, qui elle-même influence un rendez-vous pour obtenir un scanner, jusqu’à la sortie de l’hôpital. En pensant l’hôpital comme un ensemble de processus interconnectés, on peut mieux comprendre ses dysfonctionnements, anticiper les effets en chaîne, et imaginer des améliorations durables.

La figure ci-dessous présente une approche de modélisation de l’architecture d’un système, dans lequel trois sous-systèmes sont en interaction : le système opérationnel regroupe l’ensemble des processus du système (la prise en charge d’un patient par exemple), le système de pilotage regroupe les mécanismes de prise de décision (quel diagnostic pour l’orientation d’un patient, ou encore quelles ressources affecter à un service de soins), et le système d’information regroupe l’ensemble des données nécessaires pour la mise en œuvre du système et la prise de décision.

Imaginez que vous puissiez simuler un service de consultation, prévoir ce qui se passerait si vous ajoutiez un poste d’infirmier ou changiez l’ordre des tâches. Grâce à la modélisation mathématique couplée à d’autres outils comme la simulation, c’est possible.

Pourquoi est-ce utile en santé ?

Un hôpital (une clinique, un centre de lutte contre le cancer, un EPHAD …), c’est un peu comme une ville miniature : on y soigne, on y planifie, on y décide, on y communique. Mais ces interactions sont souvent complexes, et les erreurs ou les lenteurs peuvent avoir un impact direct sur les soins.

Grâce à la modélisation :

  • On peut proposer un formalisme clair et sans zones d’ombre pour communiquer entre partenaires d’un projet et appliquer ensuite plusieurs outils d’analyse.
  • On peut tester différents scénarios sans risque, comme dans un simulateur.
  • On peut anticiper les engorgements et améliorer les temps d’attente.
  • On peut évaluer les coûts réels d’une procédure, jusqu’au niveau micro.
  • On peut proposer des méthodes pour communiquer efficacement entre médecins, gestionnaires et informaticiens.

Quels outils sont utilisés ?

Plusieurs méthodes ont été développées au fil du temps pour modéliser des systèmes complexes comme les hôpitaux. Parmi les pionniers de cette approche figure le professeur François Vernadat, qui a largement contribué dans les années 1990 à formaliser les techniques de modélisation d’entreprise (F. Vernadat, Techniques de Modélisation en Entreprise : Applications aux Processus Opérationnels, Economica, Paris, 1999). Ces travaux s’inscrivent dans une discipline largement utilisée dans l’industrie : le génie industriel. 

Plusieurs méthodes existent. Parmi les plus connues :

  • IDEF0 : une méthode graphique développée dans les années 1970, utilisée pour décomposer les fonctions d’un système en blocs clairs et interconnectés.
    ARIS : un cadre méthodologique complet apparu dans les années 1990, qui permet de représenter différentes vues d’un système (fonctionnelle, informationnelle, organisationnelle, etc.).
  • UML (Unified Modeling Language) : un langage de modélisation issu du génie logiciel, qui permet de représenter les objets, les interactions et les comportements d’un système. Très utilisé pour concevoir les logiciels hospitaliers ou modéliser des systèmes d’information de santé.
  • BPMN (Business Process Model and Notation) : un langage graphique conçu pour décrire les processus métiers de manière simple et intuitive. Il est particulièrement adapté à la cartographie des parcours patients et à la collaboration entre équipes médicales et administratives.

La figure ci-dessous illustre la brique de base d’un modèle IDEF0 : une fonction (une activité) transforme un input en un output sous certaines contraintes (control) et grâce à certains mécanismes (mechanism ou ressources).

Un exemple concret : l’hospitalisation d’une personne âgée suite à un passage aux urgences

Prenons le parcours à l’hôpital d’une personne âgée : passage aux urgences, hospitalisation en court séjour gériatrique (CSG), soins médicaux et de réadaptation (SMR). Derrière ce scénario en apparence banal se cachent plusieurs activités, ressources (logiciels, personnels, documents), décisions à prendre. Grâce à la modélisation, on peut analyser chaque étape, repérer les goulots d’étranglement pouvant générer de l’attente pour le patient, calculer les coûts, et même proposer une nouvelle organisation plus fluide.

La figure ci-dessous présente un logigramme simplifié de ce processus : les patients arrivent dans le service d’urgence. Si une hospitalisation est nécessaire, le patient est transféré vers un service de court séjour gériatrique, ou un autre service selon la pathologie. Suite au court séjour gériatrique, si le patient nécessite un suivi, il peut être transféré vers un service de soins médicaux et de réadaptation (SMR).

Dans ce parcours, plusieurs goulots d’étranglement peuvent exister à chaque étape : entre les urgences et le CSG, entre le CSG, et le SMR, etc. Ces goulots peuvent être dus à un manque de ressources (on parle de lits associés aux ressources humaines adéquates), et dégradent la qualité de service. Ainsi, un indicateur important que nous pouvons mesurer est la durée de séjour dans les différents services. Un autre indicateur important pourrait être le taux d’occupation des lits.

Afin d’évaluer les performances de ce système, il est nécessaire d’implémenter le modèle dans un outil de simulation à événements discrets par exemple. Cette implémentation requiert aussi des données à collecter dans l’hôpital. Enfin, la modélisation peut également donner lieu à un modèle d’optimisation, qui permet de déterminer les meilleures décisions à prendre tout au long du parcours.

En résumé

La modélisation mathématique ne remplace pas les médecins, mais elle aide à mieux organiser le soin. C’est une boussole pour les décideurs, un langage commun pour les équipes, et une boîte à outils pour améliorer la qualité des soins… sans forcément dépenser plus.

Alors, la prochaine fois que vous attendez en salle d’attente, souvenez-vous : quelque part, des chercheurs modélisent votre parcours pour que, demain, votre expérience soit plus fluide et plus humaine.

Pour plus d’informations, écrivez-nous à contact@dali.science !