IA, données synthétiques, jumeaux numériques en santé… Qui fait quoi ?

Résumé : Intelligence artificielle, données synthétiques, simulation et jumeaux numériques ne désignent pas la même chose : ils interviennent à des étapes différentes d’une même chaîne de modélisation. À partir d’un exemple d’étude en vie réelle, cet article montre comment passer des données observées à un jumeau numérique populationnel capable de simuler des scénarios et d’être continuellement mis à jour grâce aux nouvelles données.

L’exemple d’une étude en vie réelle sur l’adhérence à un traitement

Les études en vie réelle produisent aujourd’hui des données de plus en plus riches : caractéristiques des patients, traitements prescrits, observance, mesures cliniques, événements de santé et trajectoires de soins.

Ces données permettent de décrire ce qui s’est passé. Mais peuvent-elles aussi aider à anticiper l’évolution des patients, à explorer des scénarios thérapeutiques alternatifs ou à construire un véritable jumeau numérique ?

Les termes intelligence artificielle, patient virtuel, données synthétiques, simulation, jumeau numérique… sont souvent employés indistinctement. Pourtant, ils ne désignent pas les mêmes objets et ne répondent pas aux mêmes questions.

Imaginons une cohorte de patients pour lesquels nous disposons de plusieurs types de données (caractéristiques cliniques au début du suivi, traitement prescrit et dose administrée, niveau d’adhérence au traitement, mesures régulières d’un indicateur clinique, événements intervenus pendant le suivi…). L’analyse statistique de ces données peut montrer une relation entre l’adhérence et l’évolution clinique. Elle ne répond cependant pas nécessairement à toutes les questions des chercheurs ou des décideurs :

Quel résultat peut-on attendre pour un nouveau patient ?
À quoi ressemblerait une population comparable, mais plus importante ?
Comment les patients pourraient-ils évoluer au-delà de la période observée ?
Que se serait-il passé si leur adhérence avait été différente ?
Comment mettre à jour les projections lorsque de nouvelles données deviennent disponibles ?

Selon la question, le recours à l’intelligence artificielle, à la simulation ou au jumeau numérique ne joue pas le même rôle.

Dans nos précédents articles, nous avons montré qu’un modèle utile ne se résume ni à une représentation graphique ni à un algorithme appliqué automatiquement à des données. Il doit être construit à partir d’une question précise, représenter de manière suffisamment fidèle le système étudié, puis être validé et évalué avant de pouvoir éclairer une décision. Cette démarche (1) modéliser, (2) valider, (3) simuler et (4) optimiser constitue le fil conducteur des travaux présentés dans les précédents articles de ce blog.

Dans cet article, nous reprenons cette même logique dans le contexte d’une étude en vie réelle. À partir d’une cohorte de patients suivis au cours du temps, nous montrons comment les données peuvent servir à construire un modèle, à vérifier sa capacité à reproduire des trajectoires réellement observées, puis à explorer des scénarios alternatifs. Ce cas permet surtout de clarifier le rôle respectif de l’intelligence artificielle, de la génération de patients virtuels, de la simulation et du jumeau numérique : des approches complémentaires, mais qui n’interviennent ni au même moment ni pour répondre à la même question.

L’intelligence artificielle apprend à partir des données observées

Dans un premier temps, les données de la cohorte peuvent servir à construire un modèle prédictif.

Celui-ci cherche à apprendre les relations statistiques entre les caractéristiques des patients, leur exposition au traitement et les résultats observés. Il peut par exemple estimer l’évolution probable d’un indicateur clinique à un an ou identifier les variables les plus associées à une bonne réponse.

Le Machine Learning peut alors répondre à une question comme :

Compte tenu de ce que nous avons observé dans la cohorte, quel résultat paraît le plus probable pour ce patient ?

Ces méthodes peuvent également être utilisées pour segmenter les patients ou repérer différents profils de réponse, comme cela a déjà été décrit dans notre précédent article.

Générer des patients virtuels

Certaines approches statistiques ou d’intelligence artificielle générative permettent d’aller plus loin et de créer une cohorte virtuelle.

Le principe consiste à apprendre la distribution des caractéristiques observées dans la cohorte réelle, puis à générer de nouveaux profils statistiquement cohérents avec celle-ci.

Il est ainsi possible de créer des patients virtuels présentant, par exemple :

un âge plausible ;
un état clinique initial cohérent ;
un niveau d’adhérence ;
une dose de traitement ;
certaines caractéristiques biologiques ou médicales ;
des combinaisons de variables proches de celles observées en vie réelle.

Des méthodes classiques de génération statistique peuvent être utilisées, mais également des techniques de Deep Learning, telles que les Variational Autoencoders (une méthode d’IA générative capable de créer de nouveaux profils ressemblant statistiquement aux données d’origine), selon les caractéristiques et le volume des données disponibles.

Données synthétiques, patients virtuels et cohorte virtuelle
Les données synthétiques sont des données générées artificiellement pour reproduire certaines propriétés statistiques de données réelles. Lorsqu’elles décrivent un individu cohérent (caractéristiques initiales, traitement, événements, résultats…) elles peuvent constituer un patient virtuel. Un ensemble de patients virtuels forme une cohorte virtuelle.

La figure ci-dessous présente une cohorte de patients suivie pendant 10 ans. Ce suivi a permis de collecter les données à différents moments : au début (t₀), au milieu (t₀+5 ans), et à la fin (t₀+10 ans). A partir des ces données collectées à ces différents points dans le temps, il est possible d’entraîner des modèles de machine learning permettant de générer de nouveaux patients qui vont « ressembler » aux patients issues de l’étude.

Un patient virtuel n’est pas encore un jumeau numérique

À ce stade, le patient virtuel est surtout un profil de données plausible.

Il ressemble statistiquement aux individus de la cohorte d’origine, mais il ne possède pas nécessairement une trajectoire dynamique. Rien ne permet encore de déterminer comment son état évoluera au cours des cinq ou dix prochaines années.

On peut donc retenir la distinction suivante :

L’intelligence artificielle peut apprendre à quoi ressemblent les patients et prédire certains résultats. Elle ne constitue pas, à elle seule, un modèle complet de leur évolution dans le temps.

La simulation fait évoluer les patients dans le temps

Pour appliquer une approche de simulation et explorer les trajectoires futures, il est nécessaire de disposer d’un modèle dynamique. Ce modèle décrit la manière dont l’état d’un patient évolue au cours du temps en fonction de ses caractéristiques, de son traitement, de son adhérence et, éventuellement, d’événements extérieurs.

Ce modèle peut être développé de manière empirique à partir des caractéristiques du problème réel, ou bien il est possible d’avoir recours à un formalisme de modélisation existant. Par exemple, un modèle mécanistique (un modèle décrivant explicitement les mécanismes supposés gouverner l’évolution clinique) sera adapté pour représenter l’évolution dynamique d’une pathologie, tandis qu’un modèle d’activité sera préconisé pour représenter un parcours de soins. Nous avons déjà discuté de ce point dans un précédent article.

Le choix dépend de la question scientifique, du niveau d’explicabilité recherché et des données disponibles. Une fois le modèle choisi, il est possible d’appliquer une méthode de simulation.

Passer d’une photographie à une trajectoire

La cohorte virtuelle est générée et devient le point de départ de la simulation. A chaque pas de temps, le nouvel état de chaque patient est calculé à partir du modèle, permettant ainsi de suivre la cohorte de manière plus fine.

Dans notre exemple, la génération de données synthétiques peut reproduire les caractéristiques observées aux différentes échéances de l’étude. Elle ne garantit cependant pas, à elle seule, une trajectoire individuelle cohérente entre ces échéances. Le modèle dynamique apporte cette continuité : à chaque pas de temps, il calcule l’évolution de l’état de chaque patient virtuel.

La simulation permet ainsi d’observer l’état de la cohorte à chaque pas de temps, y compris entre deux échéances auxquelles des données réelles ont été recueillies. La figure ci-dessous illustre la mise en place d’une approche de simulation pour tracer la trajectoire de nos patients virtuels.

Valider le modèle avant d’explorer de nouveaux scénarios

Avant d’utiliser un modèle de simulation pour étudier de nouveaux scénarios, il est indispensable de vérifier qu’il est capable de reproduire des évolutions réellement observées. Plusieurs stratégies de validation sont possibles selon la taille de la cohorte, la structure du suivi et l’usage envisagé. À titre d’exemple, 80 % des patients peuvent être utilisés pour construire et calibrer le modèle, tandis que les 20 % restants sont conservés pour une validation indépendante.

La qualité du modèle peut alors être évaluée à partir de la distance entre prédictions et observations, au moyen d’indicateurs adaptés : erreur moyenne, écart sur une mesure clinique, capacité à reproduire une distribution ou fréquence correcte des événements. Cette validation sur des données indépendantes permet de vérifier que le modèle ne se contente pas de reproduire les patients ayant servi à sa construction, mais qu’il peut également généraliser à de nouveaux profils.

Explorer des scénarios alternatifs

Une fois le modèle validé, la simulation permet d’explorer des scénarios alternatifs au travers de la variation de certaines hypothèses. Dans notre exemple, plusieurs scénarios d’adhérence pourraient être étudiés :

adhérence élevée et constante ;
adhérence partielle ;
interruptions temporaires ;
diminution progressive de l’adhérence ;
reprise du traitement après une interruption ;
amélioration de l’adhérence à la suite d’une intervention d’accompagnement.

La simulation répond alors à une nouvelle catégorie de question :

Que pourrait-il se passer si le patient, ou la population, suivait un autre scénario ?

Cette logique est particulièrement intéressante lorsque certaines configurations sont rares dans les données ou difficiles à étudier directement.

Prédire et simuler ne signifient pas la même chose

La frontière n’est pas toujours absolue : un modèle de simulation peut intégrer des briques prédictives, et un algorithme de Machine Learning peut produire des prévisions longitudinales.

La distinction repose surtout sur la finalité recherchée.

Approche	Question principale
Analyse statistique	Qu’avons-nous observé dans la cohorte ?
Machine Learning	Quel résultat est probable pour un profil donné ?
Génération de patients virtuels	À quoi pourrait ressembler une population statistiquement comparable ?
Simulation	Comment cette population pourrait-elle évoluer selon plusieurs scénarios ?
Jumeau numérique	Comment actualiser ces représentations et simulations à partir de l’évolution du système réel ?

Le Machine Learning apprend principalement à partir des régularités observées dans les données.

La simulation repose sur une représentation explicite de l’évolution du système. Elle permet de modifier certains paramètres et d’observer les conséquences produites par le modèle.

Simuler un scénario alternatif ne suffit pas à établir un effet causal

La possibilité de modifier virtuellement l’adhérence d’un patient peut donner l’impression que la simulation révèle directement ce qui se serait passé dans la réalité.

Cette interprétation doit rester prudente.

Dans une étude observationnelle, les patients très adhérents peuvent différer des patients moins adhérents sur de nombreuses dimensions : âge, sévérité de la maladie, environnement social, compréhension du traitement, accès aux soins, etc.

Certains de ces facteurs peuvent influencer à la fois l’adhérence et le résultat clinique.

La simulation d’un scénario contrefactuel ne démontre donc pas automatiquement que la modification de l’adhérence causerait, à elle seule, l’évolution simulée.

La crédibilité des résultats dépend notamment :

de la qualité des données ;
de la pertinence des hypothèses ;
de l’identification des facteurs de confusion ;
de la calibration du modèle ;
de sa validation sur des données qui n’ont pas servi à le construire ;
de l’analyse des incertitudes.

Le modèle doit être considéré comme un outil d’exploration et d’aide à la décision, dont le niveau de preuve dépend de sa conception et de sa validation.

Quand le modèle de simulation devient-il un jumeau numérique ?

Un modèle peut être construit à partir d’une cohorte, validé, puis utilisé pour simuler différents scénarios. Il s’agit alors d’un outil de simulation dynamique.

Pour parler de jumeau numérique dans le cadre retenu ici, une brique supplémentaire est nécessaire : la synchronisation avec le réel.

Le système réel continue d’évoluer

Après la construction initiale du modèle, de nouvelles données peuvent devenir disponibles : nouvelles consultations, nouvelles mesures cliniques, apparition d’un événement médical, inclusion de nouveaux patients dans la cohorte, etc.

Ces informations permettent d’actualiser la représentation virtuelle.

Le modèle peut alors être recalibré, l’état des patients mis à jour et de nouvelles simulations exécutées.

Une boucle entre le réel et le virtuel

Le fonctionnement peut être résumé en quatre étapes :

Les données réelles alimentent le modèle.
Le modèle représente l’état actuel de la population.
Des scénarios futurs sont simulés.
De nouvelles observations permettent de mettre à jour le modèle et ses projections.

C’est cette boucle de synchronisation qui distingue le jumeau numérique d’un modèle utilisé une seule fois.

Le jumeau numérique n’est pas seulement une représentation virtuelle. Il est une représentation dynamique, susceptible d’être régulièrement réalignée avec le système réel.

Dans l’exemple présenté, on parlerait plus précisément d’un jumeau numérique populationnel ou d’un jumeau numérique de cohorte.

L’IA, la simulation et le jumeau numérique sont complémentaires

La question n’est donc pas de choisir entre intelligence artificielle et jumeau numérique comme s’il s’agissait de technologies concurrentes.

L’intelligence artificielle peut contribuer à plusieurs briques du jumeau numérique :

analyser et préparer les données ;
identifier des profils de patients ;
estimer certains paramètres du modèle ;
prédire une transition ou un événement ;
générer une population virtuelle (initialisation de la simulation) ;
compléter certaines données manquantes, avec les précautions nécessaires.

La simulation apporte une représentation dynamique et permet d’explorer différents scénarios.

La synchronisation avec le système réel permet enfin d’actualiser régulièrement cette représentation.

Quels usages pour une étude en vie réelle ?

Un jumeau numérique populationnel peut prolonger l’exploitation d’une cohorte au-delà de l’analyse descriptive, à condition que le modèle soit correctement calibré, validé et accompagné d’une quantification des incertitudes.

Ces usages produisent des projections fondées sur les données et les hypothèses du modèle. Ils ne démontrent pas automatiquement une relation causale et ne remplacent pas une validation clinique ou méthodologique adaptée à l’usage envisagé.

Pour un industriel de santé, ces applications peuvent contribuer à la génération de données en vie réelle, à la préparation d’un protocole, à l’exploration de stratégies d’accompagnement, à la compréhension de l’hétérogénéité de la réponse ou à la préparation d’analyses médico-économiques. Le niveau d’utilisation possible dépend néanmoins de la maturité et de la validation du modèle.

Usage	Question posée	Apport du modèle
Explorer le long terme	Comment les patients pourraient-ils évoluer au-delà de la durée de suivi disponible ?	Projeter des trajectoires cliniques à plus long terme et comparer plusieurs hypothèses d’évolution
Étudier des situations peu observées	Que peut-il se passer pour des profils, événements ou niveaux d’adhérence rares dans la cohorte ?	Générer des patients virtuels plausibles et explorer des configurations insuffisamment représentées dans les données
Tester des scénarios alternatifs	Quel pourrait être l’effet d’une amélioration de l’adhérence, d’un suivi renforcé ou d’une modification de la prise en charge ?	Comparer virtuellement plusieurs scénarios appliqués à une même population de référence
Préparer une nouvelle étude	Quelles données faut-il recueillir et quels paramètres sont les plus déterminants ?	Identifier les variables influentes, tester la faisabilité d’un protocole et orienter de futures collectes de données
Actualiser l’aide à la décision	Les conclusions restent-elles valables lorsque de nouvelles données deviennent disponibles ?	Mettre à jour le modèle et réexécuter les simulations à mesure que la cohorte réelle évolue

Conclusion : une chaîne méthodologique au service de la décision

Une même cohorte de vie réelle peut alimenter plusieurs niveaux d’analyse. Les méthodes statistiques et d’intelligence artificielle permettent d’identifier des relations, de produire des prédictions et de générer des profils plausibles. L’ajout d’un modèle dynamique permet ensuite de simuler leur évolution et de comparer des scénarios thérapeutiques ou organisationnels. Lorsque de nouvelles observations servent régulièrement à actualiser cette représentation, l’ensemble peut évoluer vers un jumeau numérique populationnel.

La valeur de cette démarche repose sur l’enchaînement des étapes : définir la décision à éclairer, sélectionner les données utiles, construire un modèle explicable, vérifier sa capacité à reproduire des trajectoires observées, quantifier les incertitudes, puis explorer les scénarios pertinents. Chaque étape renforce la robustesse et l’interprétabilité des résultats.

Pour les industriels de santé, cette approche ouvre des perspectives tout au long du cycle de vie d’un produit : approfondissement d’une étude en vie réelle, analyse de l’adhérence, préparation de nouvelles études, exploration de trajectoires à long terme ou évaluation de stratégies d’accompagnement. Le niveau de validation attendu doit rester proportionné à l’usage : génération d’hypothèses, décision interne, communication scientifique, évaluation réglementaire ou utilisation clinique.

En associant données réelles, connaissances scientifiques, modèles dynamiques et mises à jour successives, le jumeau numérique populationnel offre ainsi un cadre évolutif pour transformer une cohorte observée en un outil d’exploration, d’apprentissage et d’aide à la décision.

28 novembre 202512 juin 2026

Comprendre le Process Mining en santé : un mini tuto pour transformer son regard sur les parcours de soin

Cet article est une synthèse et une introduction d’un cours que nous donnons dans des formations de niveau Master 2 et Grandes Écoles. Il s’appuie aussi sur notre expérience sur notre expérience professionnelle (15+ projets industriels et hospitaliers sur données réelles) et académique sur le sujet (Encadrement de thèses par Vincent Augusto) :

– Martin Prodel (2014-2017)
prédiction du parcours patient à partir du PMSI
– Hugo De Oliveira (2017-2020)
modélisation prédictive des parcours du SNDS
– Jules Le Lay (2019-2022)
optimisation des parcours de soins de patients multimorbides
– Laura Uhl (2020-2024)
prédiction de parcours de soins intra hospitalier

Les articles scientifiques associés sont en référence à la fin de l’article 👇.

Lorsque l’on parle du fonctionnement réel d’un hôpital, d’un bloc opératoire ou d’un parcours de patients chroniques, on s’appuie souvent sur des procédures, des protocoles ou des schémas de flux. Pourtant, toute personne ayant travaillé sur l’étude des parcours de soins en pratique sait que la réalité ne suit jamais parfaitement ces modèles.

Il existe une différence entre ce qui devrait se passer et ce qui se passe réellement.
C’est précisément dans cet espace que se situe une discipline scientifique qui mériterait selon nous d’être encore plus connue : le Process Mining.

Cet article est conçu comme un mini tuto de découverte, destiné à celles et ceux qui souhaitent comprendre cette méthode, son origine, ses principes fondamentaux et surtout sa valeur concrète dans les organisations de santé.

Bienvenue dans cette introduction guidée au Process Mining.

1. Définition : que signifie “Process Mining” ?

Le terme anglais Process Mining est généralement traduit en français par “fouille de processus” ou “analyse des processus à partir des données”. Cette traduction, bien que correcte, peut laisser penser à une simple extraction de données ou à un audit documentaire. En réalité, le Process Mining est une discipline scientifique à part entière, située à la croisée de trois domaines :

l’informatique,
la théorie des processus,
et l’analyse des traces numériques.

L’idée fondatrice est simple mais élégante:

À chaque fois qu’un système informatique enregistre un événement, il capture une partie de l’histoire réelle d’un processus. Le Process Mining reconstitue cette histoire.

Ainsi, plutôt que de s’appuyer sur la manière dont un processus est censé fonctionner, il montre la manière dont il fonctionne réellement, au travers de milliers d’événements enregistrés dans les systèmes d’information.

2. Une discipline née à l’université, mais conçue pour le terrain

Le Process Mining démarre dans des travaux académiques des années 1990-2000, menés notamment à l’université de technologie d’Eindhoven (Pays-Bas), autour du professeur Wil van der Aalst, aujourd’hui considéré comme “le père fondateur” de la discipline.
À l’origine, ces travaux cherchaient à combiner deux mondes :

les modèles de workflow (Rigoureux, théoriques, utilisés pour décrire des processus)
et les données d’exécution réelles (Désordonnées, imparfaites, issues de systèmes métiers)

Le Process Mining est né là : un moyen de comparer la théorie et la pratique, la norme et le vécu, le modèle et la donnée brute.

Depuis, c’est devenu un champ scientifique à part entière, avec ses méthodes, ses algorithmes, ses outils, ses revues, ses conférences, ses communautés, et des centaines de publications. Par exemple, j’obtiens 2 477 résultats pour une recherche d’articles sur IEEE explore, entre 2015 et 2025 avec le mot clé “process mining”; et 311 pour la même chose sur Pubmed (en date du 28 novembre 2025).

Pour nous, son intérêt dépasse la recherche : il s’agit d’un outil utile pour analyser et transformer les organisations de santé, où les processus sont complexes, multi professionnels, hétérogènes et chargés de variabilité.

3. Les trois piliers du Process Mining (sans simplifier à l’excès)

Dans un cadre d’enseignement, nous présentons toujours le Process Mining via trois grandes familles d’analyses, qui forment sa colonne vertébrale :

A. La découverte de processus (« process discovery »)

Il s’agit de reconstruire automatiquement la structure du processus à partir des données. L’algorithme ne connaît rien du processus ; il le redécouvre en analysant les enchaînements réels d’événements. C’est souvent une révélation pour les organisations : ce qu’elles imaginaient n’a rien à voir avec ce que montrent les données.

💡(pour aller plus loin sur le process discovery) Derrière le concept : une problématique de reconstruction de graphes

En termes formels, on cherche à :

reconstituer un graphe orienté G = (N, E) où
   → N = activités observées
   → E = transitions possibles
   → à partir d’un ensemble de traces T = {σ₁, σ₂, …, σₙ}
   → où chaque trace σᵢ est une séquence ordonnée d’événements : 
     σᵢ = (a₁ → a₂ → … → aₖ).

Le défi théorique est qu’il existe une infinité de graphes possibles capables de reproduire les traces données. Le Process Mining cherche donc une solution minimale, générale et fidèle aux données, en optimisant un compromis entre 4 critères :

fitness (le modèle doit pouvoir reproduire les traces observées)
précision (il ne doit pas autoriser trop de comportements non observés)
généralisation (il doit être robuste aux variations futures)
simplicité (principe d’Ockham)

Les algorithmes emblématiques

Alpha Miner (le premier historiquement)
Basé sur des relations de causalité simples (→, ||, ↔), il reconstruit le modèle en interprétant les co-occurrences temporelles. Ses limites : bruit, boucles courtes, complexité réelle.

Heuristic Miner (simple et efficace)
Introduit un scoring probabiliste : on estime la force des relations en fonction des fréquences, ce qui permet de réduire l’impact des événements rares ou anormaux.

Inductive Miner (l’état de l’art pour les projets industriels)
Il reconstruit le processus sous forme d’un arbre de blocs structurés (séquence, choix, boucle, parallèle), ce qui garantit :
– absence d’ambiguïté
– modèles toujours structurés et compréhensibles
– scalabilité pour des millions d’événements.

C’est ce dernier algorithme (et ses variantes) que nous enseignons et que nous utilisons fréquemment dans nos projets industriels, en particulier lorsque les logs sont hétérogènes, incomplets ou très volumineux.

Toutes ces méthodes sont facilement disponibles en Python via PM4PY (Open Source)

PM4Py est une bibliothèque open-source en Python dédiée au Process Mining : en d’autres termes, elle offre un ensemble complet d’algorithmes et d’outils permettant de reconstruire, analyser, visualiser et améliorer des processus réels à partir de journaux d’événements.

Lien : https://processintelligence.solutions/pm4py

B. La vérification de conformité (conformance checking)

Pour ce deuxième pilier, on compare le processus réel avec le processus attendu ou théorique. On mesure les écarts, leur fréquence, leurs impacts.

Dans les hôpitaux, c’est souvent là que l’on découvre des étapes sautées, des retours en arrière, des séquences trop longues, des ruptures, ou des variations entre équipes…

💡(pour aller plus loin sur la conformance checking) La vision mathématique derrière : un problème d’alignement optimal

Le Conformance Checking cherche à comparer :

- un modèle théorique de parcours (par exemple exprimé en réseau de Petri)
versus
- un ensemble de traces réelles T (par exemple les parcours de 150 000 patients)

en produisant un alignement optimal entre les deux.

En théorie, on cherche une solution du problème :
>>> “minimiser Σ coûts(moves entre théorie et réalité)
>>> sous contrainte de reproduire entièrement la trace (= la réalité).”

Il s’agit d’un problème combinatoire complexe, souvent résolu par :
- des variantes de l’A*
- des méthodes heuristiques
- des approximations via contraintes linéaires

C. L’analyse de performance

C’est le volet le plus opérationnel : durées, temps d’attente, goulots d’étranglement, variabilité. En santé, cette dimension permet d’identifier précisément où et pour qui les patients attendent trop.

Ces trois piliers donnent au Process Mining une puissance en tant qu’outil : il peut décrire, comparer, quantifier — le tout en s’ancrant dans les trajectoires réelles.

💡 (Pour aller plus loin sur l’analyse de perfomances) Les concepts mathématiques sous-jacents

1. Analyses statistiques (classiques) des distributions, car Les temps ne sont jamais gaussiens.
2. Identification des goulots d'étranglement : théorème de la file d’attente
3. Analyse des parcours variants

Mathématiquement, on peut mesurer la complexité d’un processus par :
- l’entropie de Shannon (mesure de variabilité des chemins),
- le nombre de variantes distinctes (souvent > 500 dans les urgences),
- l’entropie conditionnelle (variabilité selon un sous-groupe).

4. De la théorie à la pratique : ce que nous observons dans les projets

Nos étudiants découvrent souvent les résultats de leurs premières analyses avec une forme d’étonnement :
« Je ne pensais pas que les processus étaient aussi variés »
« Je ne m’attendais pas à voir autant de chemins différents »
« Je ne savais pas que ce service était un goulot d’étranglement »

Cet étonnement, nous le retrouvons également dans les projets industriels. Voici trois situations typiques, anonymisées, issues de notre expérience :

Exemple 1 : Parcours chirurgical

Dans un projet mené en chirurgie, la reconstruction automatique des parcours a révélé trois “routines” très différentes selon les jours de la semaine. Certaines séquences pré-opératoires étaient effectuées de manière tardive les lundis, créant un allongement de délai très significatif. Ce n’était écrit nulle part ; seule l’analyse des traces l’a mis en lumière.

Exemple 2 : Service d’urgences

Un flux inattendu apparaissait systématiquement dans les graphes : un groupe de patients contournait un point de passage pourtant considéré comme “obligatoire” dans la procédure. Il s’agissait en réalité d’une organisation informelle mise en place pour résoudre un problème local… des années plus tôt.

Exemple 3 : Parcours de maladies chroniques

Le Process Mining a permis d’identifier des ruptures de suivi invisibles dans les dashboards classiques. Certains patients s’échappaient du parcours avant de revenir plus tard pour des complications. L’équipe clinique savait que le suivi était imparfait ; elle ne connaissait ni l’ampleur ni le profil des patients concernés.

Dans chacun de ces cas, la force du Process Mining tient au fait qu’il montre, avec une neutralité scientifique, ce que la donnée raconte.

5. Pourquoi le Process Mining est particulièrement pertinent en santé

Dans les systèmes industriels (manufacturing, supply chain), les processus sont souvent linéaires, fortement automatisés, et optimisés depuis longtemps.
Dans la santé, l’humain est central, la variabilité est naturelle, et les contraintes sont multiples.

C’est pourquoi le Process Mining y apporte de la valeur :

il objective ce qui est habituellement discuté sur la base d’impressions,
il met en lumière les pratiques réelles plutôt que les intentions,
il révèle des micro-adaptations locales, qui deviennent parfois des macro-problèmes,
il aide à structurer des décisions d’organisation fondées sur des résultats quantifiés.

Pour un directeur d’hôpital, un chef de service ou un cadre de pôle, il offre un nouveau type de miroir : un miroir objectif de l’activité. Pour un responsable sur une aire thérapeutique ou pour un produit de santé, il pose une base objective pour travailler sur les parcours.

6. Au-delà du diagnostic : Process Mining, simulation et jumeaux numériques

L’analyse par Process Mining constitue souvent la première étape d’un travail de transformation organisationnelle. Chez DALI, nous la combinons systématiquement avec la modélisation, la simulation et les jumeaux numériques organisationnels.

Analyse du réel vs jumeaux numériques — Généré par IA par l’auteur

Le Process Mining sert alors à ancrer le modèle dans la réalité :
→ il fournit la structure des parcours, les distributions de temps, la variabilité observée.
La simulation permet ensuite de tester des scénarios : réorganisations, changement de planning, ajout de ressources, modification de séquences.

C’est ce lien “analyse du réel + expérimentation virtuelle” qui rend nos projets particulièrement pertinents pour les hôpitaux et les industriels. Ils sont alors “Utiles”, “Utilisables” et “Utilisés”.

Conclusion : le Process Mining, entre science et terrain

Le Process Mining est devenu, en quelques années, un outil incontournable pour comprendre les organisations complexes. Il combine la rigueur de la recherche, la finesse de l’analyse des données et la pertinence du diagnostic opérationnel.

Ce que nous apprécions le plus, en tant qu’enseignants et praticiens, c’est sa capacité à réconcilier la théorie et la réalité. Il montre ce qui est, et non ce que l’on imagine.
Il aide à mieux comprendre, donc à mieux agir.

Dans les organisations de santé, cette compréhension est un levier essentiel pour améliorer les parcours, réduire les délais, optimiser les ressources et, in fine, améliorer l’expérience des patients et des professionnels.

Si vous souhaitez aller plus loin, ou si vous envisagez de former vos équipes à cette méthode, nous serions ravis de partager notre expertise, à la fois académique et opérationnelle : contact@dali.science

Nos articles scientifiques publiés sur le sujet depuis 10 ans

Le Lay J.; Augusto V.; Alfonso-Lizarazo E.; Masmoudi M.; Gramont B.; Xie X.; Bongue B.; Celarier T. COVID-19, Bed Management Using a Two-Step Process Mining and Discrete-Event Simulation Approach (2024) IEEE Transactions on Automation Science and Engineering 21:3:3080-3091 doi:10.1109/TASE.2023.327484

Le Lay J.; Perrier L.; Augusto V.; Boucher X.; Xie X., Modelling and Simulation of Genomic Sequencing Platform Operations (2023) Proceedings – Winter Simulation Conference ::1160-1171 doi:10.1109/WSC60868.2023.1040766

Le Lay J.; Neveu J.; Dalmas B.; Augusto V., Automated generation of patient population for discrete-event simulation using process mining (2022) Simulation Series 54:1:803-814 doi: 10.23919/ANNSIM55834.2022.9859406

Uhl L.; Augusto V.; Dalmas B.; Alexandre Y.; Bercelli P.; Jardinaud F.; Aloui S., Evaluating the Bias in Hospital Data: Automatic Preprocessing of Patient Pathways Algorithm Development and Validation Study (2024) JMIR Medical Informatics 12::- doi: 10.2196/58978

Uhl L.; Augusto V.; Lemaire V.; Alexandre Y.; Jardinaud F.; Bercelli P.; Aloui S., Progressive prediction of hospitalisation and patient disposition in the emergency department (2022) Proceedings – 2022 IEEE International Conference on Big Data, Big Data 2022 ::1719-1728 doi: 10.1109/BigData55660.2022.10020777

De Oliveira H.; Augusto V.; Jouaneton B.; Lamarsalle L.; Prodel M.; Xie X., Automatic and explainable labeling of medical event logs with autoencoding (2020) IEEE Journal of Biomedical and Health Informatics 24:11:3076-3084 doi:10.1109/JBHI.2020.3021790

De Oliveira H.; Augusto V.; Jouaneton B.; Lamarsalle L.; Prodel M.; Xie X., Optimal process mining of timed event logs (2020) Information Sciences 528::58-78 doi: https://doi.org/10.1016/j.ins.2020.04.020

Prodel M.; Augusto V.; Jouaneton B.; Lamarsalle L.; Xie X. Optimal Process Mining for Large and Complex Event Logs (2018) IEEE Transactions on Automation Science and Engineering 15:3:1309-1325 doi: 10.1109/TASE.2017.2784436

Prodel M.; Augusto V.; Xie X.; Jouaneton B.; Lamarsalle L., Stochastic simulation of clinical pathways from raw health databases (2017) IEEE International Conference on Automation Science and Engineering 2017-August::580-585 doi: 10.1109/COASE.2017.8256167

Augusto V.; Xie X.; Prodel M.; Jouaneton B.; Lamarsalle L., Evaluation of discovered clinical pathways using process mining and joint agent-based discrete-event simulation (2016) Proceedings – Winter Simulation Conference 0::2135-2146 doi: 10.1109/WSC.2016.7822256

15 juillet 202515 juin 2026

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.