Data intelligence for optimized management of hospital emergencies
Intelligence des données au service de la gestion optimisée des urgences hospitalières
Résumé
In recent years, improving the quality of care is one of the main challenges facing many hospitals, especially emergency departments (EDs). The increase of admission requests to the ED and the non-accurate triage system can lead to overcrowding problems. We propose in this thesis, which is in the framework of the ANR OIIHL project, a Triage Assistance and Overcrowding Management System (SATGT) to optimize patient pathway. Indeed, the objective of this system is to predict patient admission, to recommend to emergency managers the necessary preventive and corrective measures to avoid overcrowding situations and to help triage nurses to orient patients to the appropriate pathway. Existing systems and models, such as neural network models, are mainly based on structured data and cannot exploit textual unstructured data such as medical observations, symptoms and medical history,etc. In this context, we propose a hybrid approach that combines symbolic AI and subsymbolic AI. The symbolic AI are defined by ontologies and rule-based semantic reasoning. This part is proposed to preprocess unstructured textual data, transform them into relevant knowledge and create a rule base allowing the recommendation of actions needed to anticipate and manage overcrowding situations. This rule base takes into account the results of the proposed Machine Learning models for patients triage classification, predicting patient admission and forecasting arrival flow. This part presents the subsymbolic AI which are mainly based on neural networks, Dempster’s theory to manage data uncertainty and machine learning techniques. The experiments were conducted on a real database collected from the Adult Emergency Department (AED) of the Regional Hospital of Lille, France. The hybrid AI proved to be a useful approach for predicting and anticipating emergency department overcrowding.
Ces dernières années, l'amélioration de la qualité des soins est l'un des principaux défis auxquels sont confrontés de nombreux hôpitaux, en particulier les services d'urgence. L'augmentation des demandes d'admission aux urgences et l'imprécision du système de triage peuvent conduire à des problèmes d'engorgement. Nous proposons dans cette thèse, qui s'inscrit dans le cadre du projet ANR OIIHL, un système d'assistance au triage et de gestion de l'engorgement (SATGT) afin d'optimiser le parcours du patient. En effet, l'objectif de ce système est de prédire l'admission des patients, de recommander aux responsables des urgences les mesures préventives et correctives nécessaires pour éviter les situations d'engorgement et d'aider les infirmières de triage à orienter les patients vers le parcours approprié. Les systèmes et modèles existants, tels que les modèles de réseaux neuronaux, sont principalement basés sur des données structurées et ne peuvent pas exploiter les données textuelles non structurées telles que les observations médicales, les symptômes et les antécédents médicaux, etc. Dans ce contexte, nous proposons une approche hybride qui combine l'IA symbolique et l'IA subsymbolique. L'IA symbolique est définie par des ontologies et un raisonnement sémantique basé sur des règles. Cette partie est proposée pour prétraiter les données textuelles non structurées, les transformer en connaissances pertinentes et créer une base de règles permettant de recommander les actions nécessaires pour anticiper et gérer les situations de surpeuplement. Cette base de règles prend en compte les résultats des modèles d'apprentissage automatique proposés pour la classification du triage des patients, la prédiction de l'admission des patients et la prévision du flux d'arrivées. Cette partie présente l'IA subsymbolique qui est principalement basée sur les réseaux neuronaux, la théorie de Dempster pour gérer l'incertitude des données et les techniques d'apprentissage automatique. Les expériences ont été menées sur une base de données réelle provenant du service des urgences adultes de l'hôpital régional de Lille, en France. L'IA hybride s'est révélée être une approche utile pour prédire et anticiper l'engorgement des services d'urgence.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|