Expérimentations SAMU

Expérimentations SAMU

Diagnostiquer

Paramétrer le double numérique ; Hypothèses et Modèle conceptuel

Nous avons développé notre modèle de manière à ce qu’il soit le plus proche possible de la réalité. Toutefois, comme dans tous les modèles, il est nécessaire de faire des hypothèses, car nous ne disposons pas de l’information, ou parce que nous ne pouvons pas prendre en compte de l’intégralité de l’information. Ainsi, notre modèle sera valable sous certaines conditions. Sélectionner l’outil support au double numérique La première étape est de choisir l’outil support à la mise en oeuvre de ce double numérique. Il existe plusieurs types de simulation : on trouve notamment la simulation à base d’agents, la simulation à événements discrets ainsi que la dynamique des systèmes. La simulation à événements discrets La simulation à événements discrets (SED) concerne la modélisation d’un système qui évolue dans le temps en prenant différents états. Les changements d’état se produisent à des instants correspondant à des événements (Stewart Robinson, 2004). Lors des événements les variables qui définissent le système changent, ce qui peut amener le système à un nouvel état. En effet, un événement peut ne pas changer l’état du système et peut simplement correspondre à une récupération d’information, ou encore à une planification d’un événement futur dans le système, ce qui n’a pas d’impact direct sur l’état du système. La SED est une technique de recherche opérationnelle qui est utilisée dans des domaines variés allant de l’industrie, à la santé en passant par la défense (Law et al., 2000). Elle offre plusieurs avantages : — Elle permet de modéliser des systèmes complexes ayant de nombreux paramètres. — Les scénarios simulés peuvent être observés dynamiquement et en temps réel via la représentation graphique du modèle. Cela permet de décrire plus visuellement le comportement du système.— Il est assez aisé d’affiner le modèle de manière incrémentale et de voir l’effet des modifications sur le système. Pour prendre en compte les phénomènes aléatoires, on lance plusieurs réplications. Ces dernières se basent sur des suites de nombres pseudo aléatoire présentes dans le simulateur. Elles permettent de prendre en compte les phénomènes aléatoires qui régissent le modèle et d’appliquer cette variabilité dans les simulations afin d’avoir un comportement plus proche de la réalité. De ce fait, les résultats obtenus seront plus fiables. La SED est une technique qui est largement utilisée dans l’industrie depuis les années 1950.

La simulation à base d’agents

La simulation à base d’agents est une méthode qui est plus récente, elle est développée au début des années 2000. Son essor est motivé par une volonté de la communauté à aller plus loin dans la modélisation de système complexe. Cela est rendu possible grâce aux avancées techniques et technologiques qui permettent d’avoir plus de puissance de calcul car la simulation à base d’agents nécessite des ressources plus importantes que les autres types de simulation (Borshchev, 2013a). Comme soulevé par Law et al., (Law et al., 2000) il est difficile de trouver une définition claire pour la simulation à base d’agents. Tout d’abord, qu’est-ce qu’un agent ? C’est une entité autonome qui peut interagir avec son environnement (incluant les autres agents), et utiliser les informations recueillies pour prendre des décisions. Les agents ont des attributs, et un panel de règles qui définissent leurs comportements. Ces comportements peuvent évoluer dans le temps et s’adapter à l’environnement de manière dynamique. Si on suit cette définition, la simulation à base d’agents est de ce fait, un cas particulier de la SED, où les comportements sont définis directement au niveau de l’entité et non pas au niveau des blocs, par lesquels l’entité passe. La modélisation basée sur les agents se concentre sur les composants actifs individuels d’un système. Elle s’oppose à la fois à l’approche plus abstraite de la dynamique des systèmes et à la méthode des événements discrets axée sur le processus et les enchainements d’activités du système 1 . Avec la modélisation basée sur les agents, les entités actives, les agents donc, doivent être identifiées et leurs comportements définis. Il peut s’agir de personnes, de ménages, de véhicules, d’équipements, de produits ou d’entreprises, selon ce qui est pertinent pour le système. Des connexions entre elles sont établies, des variables environnementales sont définies et des simulations sont effectuées. La dynamique globale du système émerge alors des interactions entre les nombreux comportements individuels. Ainsi, la simulation à base d’agents est intéressante dans plusieurs cas (Borshchev, 2013b) : — Si les entités du système interagissent entre elles et avec l’environnement (des colis, des personnes dans un aéroport, des patients dans un hôpital…). — Lorsqu’il est important pour les entités d’apprendre et d’adapter leurs comportements. — Lorsque les mouvements de l’entité dépendent de sa perception de la situation et de son environnement plutôt que de règles fixées au préalable. 

Les systèmes dynamiques

 La simulation utilisant les systèmes dynamiques est une méthode créée dans le milieu des années 1950 par Jay Forrester (Forrester, 1971). Elle permet d’étudier des systèmes dynamiques en se basant sur des lois issues de la physique(Borshchev, 2013a). Ces méthodes se basent sur plusieurs principes concernant les stocks, les flux et les boucles de retours (Sterman, 2010) : — Les stocks sont les endroits dans le système où il y a des accumulations du flux, ils sont source de déséquilibre dans le système. — Les boucles de retour sont au coeur des systèmes dynamiques. Dans le cas d’un centre d’appels, cela correspondrait aux appelants qui rappellent parce qu’ils n’ont pas obtenu de réponse. — les événements et les décisions sont vus comme un flux continu d’information qui vient alimenter le modèle. Là où les systèmes à base d’agents agissent au niveau de l’agent ou la SED au niveau des événements, les systèmes dynamiques utilisent un niveau d’abstraction plus élevé. 

Un intérêt visuel et didactique pour les experts qui rend la simulation attrayante en santé

L’usage de la simulation dans le domaine de la santé tend à aller en augmentant au fil des années (Salleh et al., 2017). Salleh et al. proposent une revue de littérature de l’usage de la simulation dans le domaine de la santé. Leur but est de présenter une vue d’ensemble des revues de littérature sur l’utilisation de la simulation entre 1990 et 2017. Les auteurs identifient quatre principaux domaines d’applications en santé : 1. Opération de santé et conception de système : Utilisation de la simulation pour la gestion des ressources, leur dimensionnement, pour l’optimisation des flux et la prévision de la demande de soin. 2. Aide à la décision médicale : Évaluer les effets à court et long terme de certains programmes de soin. 3. Modélisation de maladies infectieuses : Applications d’épidémiologie pour prédire la diffusion des épidémies et pandémies ainsi que leurs conséquences économiques. 4. Études diverses : Simulations d’événements ponctuels (coupe du monde, attaques terroristes) et de leurs effets sur le système de santé. On trouve aussi des comparaisons de diverses techniques de simulation. La grande majorité des revues de littérature étudiées par ces auteurs se focalisent uniquement sur la gestion des opérations en santé, ce qui est aussi le domaine dans lequel nous travaillons. On trouve des travaux de simulation pour évaluer les services des urgences (Aboueljinane et al., 2013 ; Gul et al., 2015 ; Paul et al., 2010), pour l’amélioration du parcours patient et la gestion des flux de patients (Crema et al., 2013 ; Sobolev et al., 2011 ; Van Sambeek et al., 2010), pour gérer la chaîne d’approvisionnement logistique des hôpitaux (Beliën et al., 2012 ; Kammoun et al., 2014), la gestion des lits d’hôpitaux (Baru et al., 2015), la gestion et le dimensionnement des ressources (Isern et al., 2016), ou plus spécifiquement concernant la planification des salles d’opération (Cardoen et al., 2010). La simulation dans le domaine de la santé est donc très utilisée depuis de nombreuses années car sa capacité à permettre de traduire des échanges et des interactions complexes est très intéressante. En effet, le domaine médical est constitué de nombreux facteurs humains qui viennent générer beaucoup d’aléatoires. Ce qui vient rendre très pertinent l’usage de la simulation pour traiter les problèmes. De plus, la simulation a un intérêt visuel non négligeable pour l’explication des résultats auprès des experts. Le fait de pouvoir rejouer les situations pour en expliquer les tenants et les aboutissants présente un avantage didactique et pédagogique.