{"id":205,"date":"2025-08-01T11:10:26","date_gmt":"2025-08-01T09:10:26","guid":{"rendered":"https:\/\/dali.science\/?p=205"},"modified":"2025-08-21T18:47:13","modified_gmt":"2025-08-21T16:47:13","slug":"la-simulation-de-flux-au-service-des-soignants","status":"publish","type":"post","link":"https:\/\/dali.science\/index.php\/2025\/08\/01\/la-simulation-de-flux-au-service-des-soignants\/","title":{"rendered":"La simulation de flux au service des soignants"},"content":{"rendered":"\n

Imaginez pouvoir repenser l\u2019organisation d\u2019un service hospitalier, non pas \u00e0 l\u2019aveugle, mais en testant d\u2019abord vos id\u00e9es dans un h\u00f4pital virtuel. Et si ce patient attendait 15 minutes de moins ? Et si on ajoutait une salle ? Gr\u00e2ce \u00e0 la mod\u00e9lisation et la simulation de flux<\/strong>, on peut visualiser, pr\u00e9dire, et optimiser\u2026 sans prendre le moindre risque pour les patients.<\/p>\n\n\n\n

Mais c\u2019est quoi, la simulation de flux ?<\/strong><\/h2>\n\n\n\n

Dans un h\u00f4pital, tout est affaire de flux<\/strong> : de patients, de soignants, de m\u00e9dicaments, de lits, d\u2019examens\u2026 Chaque \u00e9tape du parcours de soin est reli\u00e9e \u00e0 une autre. La simulation de flux, c\u2019est un moyen d\u2019\u00e9valuer une organisation<\/strong> \u00e0 partir d\u2019un mod\u00e8le (n\u2019h\u00e9sitez pas \u00e0 consulter nos articles pr\u00e9c\u00e9dents \u00e0 ce sujet<\/a> !).<\/p>\n\n\n\n

On utilise ensuite un ordinateur pour simuler diff\u00e9rents sc\u00e9narios<\/strong> sous la forme d\u2019un plan d\u2019exp\u00e9rience<\/strong>. Ces sc\u00e9narios peuvent \u00eatre imagin\u00e9s par les professionnels de sant\u00e9 sous forme de question : que se passerait-il si un m\u00e9decin de plus arrivait ? si la salle d\u2019attente \u00e9tait r\u00e9organis\u00e9e ? si un test devenait plus rapide ?<\/p>\n\n\n\n

Il est aussi possible de simuler des milliers de sc\u00e9narios en faisant varier les param\u00e8tres <\/strong>du mod\u00e8le de simulation afin de trouver la meilleure organisation possible : cette recherche peut \u00eatre exhaustive (mais c\u2019est tr\u00e8s parfois tr\u00e8s long !) ou optimis\u00e9e, gr\u00e2ce \u00e0 des m\u00e9thodes issues de la recherche op\u00e9rationnelle.<\/p>\n\n\n\n

Le logiciel permet alors de voir l\u2019impact sur les indicateurs de performance<\/strong> : par exemple le temps d\u2019attente, le nombre de passages aux urgences ou le co\u00fbt total des soins.<\/p>\n\n\n\n

Un exemple tr\u00e8s concret : le service des urgences<\/strong><\/h2>\n\n\n\n

Prenons le service des urgences<\/strong>. Chaque jour, des dizaines de patients arrivent sans rendez-vous. Certains sont rapidement repartis, d\u2019autres doivent passer des examens ou \u00eatre hospitalis\u00e9s. La gestion des flux y est critique.<\/p>\n\n\n\n

La premi\u00e8re \u00e9tape consiste \u00e0 mod\u00e9liser ce qui se passe. Pour cela, plusieurs approches existent : le mod\u00e8le peut \u00eatre cr\u00e9\u00e9 \u00e0 partir d\u2019entretiens avec les soignants, \u00e0 la main, ou bien automatiquement si des donn\u00e9es sont disponibles \u00e0 l\u2019aide d\u2019un outil de fouille de processus (process mining<\/em>) par exemple. Un mod\u00e8le <\/strong>tr\u00e8s simplifi\u00e9 pour illustrer cette approche pourrait ressembler \u00e0 \u00e7a :<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

Avec un logiciel de simulation comme AnyLogic, il est possible d\u2019impl\u00e9menter <\/strong>un tel mod\u00e8le au moyen d\u2019un outil graphique et de l\u2019animer :<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

Enfin, un plan d\u2019exp\u00e9rience<\/strong> permet d\u2019obtenir et d\u2019analyser les r\u00e9sultats en tenant compte d\u2019un intervalle de confiance. Par exemple (ces r\u00e9sultats sont bien entendu fictifs !) :<\/p>\n\n\n\n

Sc\u00e9nario<\/strong><\/td>Param\u00e8tres<\/strong><\/td>Indicateurs de performance<\/strong><\/td><\/tr>
Taux d\u2019arriv\u00e9e<\/strong><\/td>Nombre de m\u00e9decins<\/strong><\/td>Dur\u00e9e de passage<\/strong><\/td>Usage des ressources<\/strong><\/td><\/tr>
1<\/td>10 patients\/h<\/td>2<\/td>4h +\/- 10 min<\/td>80% +\/- 2%<\/td><\/tr>
2<\/td>15 patients\/h<\/td>3<\/td>4h30 +\/- 15 min<\/td>85% +\/- 3%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

En r\u00e9sum\u00e9, on peut simuler l\u2019activit\u00e9 heure par heure<\/strong>, calculer les dur\u00e9es moyennes de passage<\/strong>, rep\u00e9rer les goulots d\u2019\u00e9tranglement<\/strong> \u00e0 partir du taux d\u2019utilisation des ressources, et surtout\u2026 tester des solutions. Par exemple : que se passe-t-il si on ajoute un infirmier d\u2019accueil et d\u2019orientation ? ou si l\u2019on convoque un m\u00e9decin en renfort ?<\/p>\n\n\n\n

Il existe plusieurs types de simulation\u2026 selon ce que l\u2019on cherche \u00e0 comprendre<\/strong><\/h2>\n\n\n\n

Dans le monde de la sant\u00e9, toutes les situations ne se simulent pas de la m\u00eame fa\u00e7on. Il est possible de chercher \u00e0 pr\u00e9voir l\u2019encombrement d\u2019un service, d\u2019optimiser les ressources, ou d\u2019observer le comportement d\u2019une population de patients.<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

\ud83c\udfb2 1. La simulation de Monte Carlo<\/strong><\/h3>\n\n\n\n

Utilis\u00e9e pour explorer des sc\u00e9narios incertains ou al\u00e9atoires, elle repose sur des mod\u00e8les de probabilit\u00e9<\/strong>, souvent sous forme de cha\u00eenes de Markov<\/strong> (o\u00f9 l\u2019\u00e9tat futur d\u00e9pend uniquement de l\u2019\u00e9tat actuel) ou de machines \u00e0 \u00e9tats<\/strong>. Par exemple, on peut mod\u00e9liser les diff\u00e9rentes \u00e9tapes d\u2019\u00e9volution d\u2019une maladie (\u00e9tat stable, aggravation, gu\u00e9rison, etc.) et simuler leur encha\u00eenement sur des milliers de patients.<\/p>\n\n\n\n

\ud83d\udc49 Ces mod\u00e8les de Markov coupl\u00e9s \u00e0 la simulation de Monte Carlo sont tr\u00e8s utilis\u00e9s en m\u00e9dico-\u00e9conomie pour \u00e9valuer l\u2019\u00e9volution d\u2019une cohorte sur le long terme. <\/em><\/p>\n\n\n\n

Dans l\u2019exemple ci-dessous tir\u00e9 de (Rui et al. 2020), un mod\u00e8le de Markov tr\u00e8s simple permet de repr\u00e9senter l\u2019\u00e9volution d\u2019un cancer pour une cohorte de patients avec trois \u00e9tats (progression, sans progression, d\u00e9c\u00e8s). Chaque patient est simul\u00e9 ind\u00e9pendamment en d\u00e9terminant l\u2019\u00e9tat suivant \u00e0 partir de probabilit\u00e9s attach\u00e9es aux transitions.<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

\ud83e\uddfe 2. La simulation \u00e0 \u00e9v\u00e9nements discrets<\/strong><\/h3>\n\n\n\n

C\u2019est la m\u00e9thode la plus utilis\u00e9e pour l\u2019optimisation de l\u2019organisation d\u2019un syst\u00e8me par exp\u00e9rimentation. La simulation \u00e0 \u00e9v\u00e9nements discrets repose sur une succession d\u2019\u00e9v\u00e9nements ponctuels<\/strong> (ex. : arriv\u00e9e d\u2019un patient, d\u00e9but de consultation, fin de soin). On l\u2019associe souvent \u00e0 des mod\u00e8les de files d\u2019attente<\/strong>. Cette approche permet de tester l\u2019impact d\u2019un changement d\u2019organisation (par exemple : \u201cEt si on rajoute un m\u00e9decin ?\u201d).<\/p>\n\n\n\n

\ud83d\udc49 La simulation \u00e0 \u00e9v\u00e9nements discrets est utilis\u00e9e depuis plus de 40 ans dans l\u2019industrie pour optimiser l\u2019usage de ressources humaines et mat\u00e9rielles. Elle s\u2019applique parfaitement au domaine de la sant\u00e9 \u00e0 condition de tenir compte de toutes les particularit\u00e9s (on parle de patients et non de produits !)<\/em><\/p>\n\n\n\n

L\u2019exemple ci-dessous pr\u00e9sente le mod\u00e8le le plus simple possible dans lequel des entit\u00e9s arrivent dans un syst\u00e8me, font la queue pour acc\u00e9der \u00e0 une ressource (ou serveur), puis quittent le syst\u00e8me apr\u00e8s le service. Ce petit exemple repr\u00e9sente parfaitement votre derni\u00e8re visite au bureau de poste par exemple !<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

\u267b\ufe0f 3. La dynamique des syst\u00e8mes<\/strong><\/h3>\n\n\n\n

Ici, on ne regarde plus des \u00e9v\u00e9nements individuels, mais l\u2019\u00e9volution de grandes quantit\u00e9s dans le temps<\/strong> (nombre de lits occup\u00e9s, niveau de stress d\u2019une \u00e9quipe, etc.) \u00e0 l\u2019aide d\u2019\u00e9quations diff\u00e9rentielles<\/strong>. Cette m\u00e9thode est utile pour les d\u00e9cisions strat\u00e9giques ou politiques, sur le long terme.<\/p>\n\n\n\n

\ud83d\udc49 Parfait pour mod\u00e9liser l\u2019impact global d\u2019une r\u00e9forme ou d\u2019une \u00e9pid\u00e9mie sur plusieurs ann\u00e9es.<\/em><\/p>\n\n\n\n

L\u2019exemple ci-dessous est tir\u00e9 de la revue de litt\u00e9rature de (Darabi et Hosseinichimeh, 2020) et illustre l\u2019\u00e9volution de l\u2019\u00e9tat de sant\u00e9 d\u2019un patient en fonction de plusieurs autres variables.<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

\ud83e\uddcd\ud83e\uddcd 4. La simulation multi-agents<\/strong><\/h3>\n\n\n\n

Chaque \u201cagent\u201d (patient, soignant, logiciel\u2026) est simul\u00e9 avec son propre comportement. Les interactions entre agents permettent de faire \u00e9merger des dynamiques complexes. On l\u2019utilise quand les comportements individuels influencent le syst\u00e8me global<\/strong> (par exemple : la peur de la contamination ou un confinement change le comportement des patients).<\/p>\n\n\n\n

\ud83d\udc49 Utile pour simuler les comportements humains dans un h\u00f4pital ou dans une crise sanitaire. Le mod\u00e8le est dirig\u00e9 par les comportements individuels plut\u00f4t que par un mod\u00e8le du syst\u00e8me.<\/em><\/p>\n\n\n\n

L\u2019exemple ci-dessous tir\u00e9 de (Castro et al. 2022) illustre l\u2019utilisation d\u2019un mod\u00e8le multi-agent pour simuler l\u2019\u00e9volution d\u2019une \u00e9pid\u00e9mie telle le COVID-19. La localisation des personnes est prise en compte pour mod\u00e9liser la transmission de la maladie selon plusieurs environnement (h\u00f4pital, \u00e9cole, etc.).<\/p>\n\n\n\n

\"Figure<\/figure>\n\n\n\n

\ud83e\uddcd\u200d\u2695\ufe0f 5. La simulation en sant\u00e9 avec mannequins (ou en r\u00e9alit\u00e9 virtuelle)<\/strong><\/h3>\n\n\n\n

Ce petit panorama ne serait pas complet sans parler de simulation en sant\u00e9 pour la formation \u00e0 l\u2019aide de mannequins ou en r\u00e9alit\u00e9 virtuelle. Contrairement aux simulations num\u00e9riques, cette approche repose sur des situations cliniques reproduites dans un environnement physique<\/strong>. On utilise des mannequins haute fid\u00e9lit\u00e9<\/strong>, des jeux de r\u00f4les ou m\u00eame la r\u00e9alit\u00e9 virtuelle pour simuler des actes m\u00e9dicaux (r\u00e9animation, accouchement, gestes techniques\u2026). Elle permet aux soignants de s’entra\u00eener sans risque pour les patients<\/strong>, d’am\u00e9liorer la communication en \u00e9quipe, de g\u00e9rer les situations d’urgence et de d\u00e9velopper des r\u00e9flexes face \u00e0 l\u2019impr\u00e9vu.<\/p>\n\n\n\n

\ud83d\udc49 C\u2019est une m\u00e9thode valid\u00e9e et promue par la Haute Autorit\u00e9 de Sant\u00e9 (HAS) comme outil de formation, de pr\u00e9vention des erreurs et d\u2019am\u00e9lioration continue de la qualit\u00e9 des soins<\/em> (source HAS<\/a>).<\/p>\n\n\n\n

Les diff\u00e9rentes techniques de simulation en sant\u00e9 sont illustr\u00e9es dans la figure ci-dessous, tir\u00e9e de la m\u00eame source.<\/p>\n\n\n\n

\"\"\/<\/figure>\n\n\n\n

En pratique, ces approches peuvent aussi se combiner<\/strong> dans des projets complexes. L\u2019essentiel est de choisir la bonne m\u00e9thode pour le bon probl\u00e8me<\/strong>, comme on choisirait un outil dans une bo\u00eete \u00e0 outils !<\/p>\n\n\n\n

Le mode d\u2019emploi<\/strong><\/h2>\n\n\n\n

Un mode d\u2019emploi simplifi\u00e9 pour utiliser la simulation pourrait ressembler \u00e0 cela :<\/p>\n\n\n\n

    \n
  1. On collecte des donn\u00e9es<\/strong> : si une base de donn\u00e9es existe, c\u2019est plus simple ! Sinon, il faut r\u00e9pondre \u00e0 plusieurs questions : quel est le taux d\u2019arriv\u00e9e des patients ? combien de temps dure une consultation ? quelle est la capacit\u00e9 des locaux ?
    <\/li>\n\n\n\n
  2. On mod\u00e9lise le parcours<\/strong> : on d\u00e9crit chaque \u00e9tape du processus \u00e0 l\u2019aide d\u2019outils de simulation. Ne pas oublier d\u2019identifier les param\u00e8tres <\/strong>du mod\u00e8le (les leviers d\u2019action) et les indicateurs de performance<\/strong> (qui permettent d’\u00e9valuer nos sc\u00e9narios).
    <\/li>\n\n\n\n
  3. On valide et on simule<\/strong> : apr\u00e8s une validation (gr\u00e2ce \u00e0 des m\u00e9thodes quantitatives d\u2019\u00e9valuation ou \u00e0 dire d\u2019expert) le logiciel fait tourner des sc\u00e9narios.
    <\/li>\n\n\n\n
  4. On analyse les r\u00e9sultats<\/strong> : on mesure les indicateurs de performance (d\u00e9lais, files d\u2019attente, co\u00fbts\u2026) gr\u00e2ce \u00e0 un plan d\u2019exp\u00e9rience<\/strong>.
    <\/li>\n\n\n\n
  5. On d\u00e9cide en connaissance de cause<\/strong> : l\u2019outil ne prend pas la d\u00e9cision seul ! Mais les professionnels de sant\u00e9 disposent de r\u00e9sultats objectifs pour prendre la d\u00e9cision.<\/li>\n<\/ol>\n\n\n\n

    En r\u00e9sum\u00e9<\/strong><\/h2>\n\n\n\n