|
ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE
INSTITUT SUPERIEUR
PEDAGOGIQUE DE KAZIBA
I.S.P/KAZIBA
SECTION DES SCIENCES EXACTES
DÉPARTEMENT DE
MATHÉMATIQUE-PHYSIQUE
Prédiction de Durée De Séjour
hospitalier
en Gynécologie basée sur le Machine
Learning : Cas de quelques hôpitaux au
Sud-Kivu
Présenté par : CUBAKA ZAHINDA
René
Mémoire présenté et défendu pour
l'obtention du diplôme de Licence en Pédagogie Appliquée
Option : Mathématique-Physique
Directeur : Prof. Dr. ZIHINDULA MUSHENGEZI
Elie
Encadreur : CT. AMBO AMANDURE
Jean-Médard
ANNéE ACADéMIQUE : 2022-2023
Epigraphe
Change is the end result of all true learning
-- Leo Buscaglia Écrivain, professeur
d'éducation
Research is to see what everybody else has seen, and to think
what nobody else has thought -- Albert szent-Györgyi
Prix Nobel de physiologie ou médecine
I
René CUBAKA ZAHINDA
Dédicace
A toute personne vouée du bon sens dans ce monde
cassé A tous les amoureux de l'Intelligence Artificielle
Je dédie ce travail !!!
II
René CUBAKA ZAHINDA
III
Remerciements
Le présent travail n'est pas seulement le fruit d'un
labeur individuel, mais aussi celui
de plusieurs personnes que je tiens à remercier. Parmi
les personnes qui ont collaboré à la
réalisation de ce travail en offrant soit un support
moral, soit un support technique je
pense particulièrement à ma famille, à
mes amis et à mes collègues.
Sans doute, des personnes auront été,
involontairement oubliées dans l'énumération
suivante, je tiens en premier lieu à remercier mon Dieu
tout puissant, le créateur de
l'univers.
J'exprime toute ma reconnaissance à l'équipe de
direction de ce travail notamment le
Prof. Dr. ELIE ZIHINDULA et Msc. AMBO
AMANDURE.
Je tiens à remercier ma famille, en particulier mes
parents ZAHINDA KASHOSHO Faustin
et sa dulcinée NSIMIRE M'MUSOBO Adolphine
qui m'ont soutenu à réaliser mes études et
qui m'ont toujours encouragé dans mon destin. Je leurs
exprime toute ma reconnaissance.
Mes remerciements sont adressés au CT. BASHIGE
NTUGA Innocent et le Professeur
Balagizi Karhagomba Innocent pour leur appuie
matériel, moral durant notre cursus
de 5 ans à l'ISP Kaziba.
A toutes les autorités académiques et
administratives de l'Institut Supérieur Pédagogique
de Kaziba, plus particulièrement celles de la section
des sciences exactes.
A toutes les autorités scolaires de l'Institut Saint
Jean-Paul II Bugoye et de l'EP
Karhala, trouvez ici la plus profonde considération
à votre endroit.
Mes sincères et profondes gratitudes nous
assujettissent à remercier le Doctorant
ZIRHUMANANA BALIKE Dieudonné, NGANIZA
LUGERERO Bernadette et Msc. AGISHA Albert
pour les multiples conseils à mon égard dans
tout le cursus de ma formation.
Aux Réverendes Soeurs de la Paroisse de Burhinyi et aux
Réverends Prêtres de la
Congrégation des Franciscains de la paroisse de
Burhinyi, plus précisement le Père Jean
Claude.
A tous mes formateurs depuis l'école primaire
jusqu'à ce niveau, dans le cadre scientifique, spirituel, ... trouvez
ici, l'expression de ma profonde gratitude. Vous avez fait de moi ce que je
suis.
A mes frères, soeurs, cousins, cousines, neveux et
nièces : BISIMWA ZAHINDA, BULONZA ZAHINDA, KULONDWA ZAHINDA, MUSAFIRI
ZAHINDA, RHUGWASANYE ZAHINDA, FADHILI ZAHINDA, ZIRUKA ZAHINDA, CHRISTIAN
LUSHUHA, MUTABESHA MIHIGO, ...
A tous mes beaux-frères et belles-soeurs : NZIGIRE
M'MUSHOSHERE, OLINAMUNGU M'MUTABESHA, NEEMA KAGAYO, IZUBA MASHEGEYE, BAHATI
ONESPH0RE trouvez ici l'expression de ma profonde gratitude.
A mes amis, mes camarades étudiants du département
de maths et ceux de l'ISP KAZIBA en général : BIJIRAMUNGU BEKA,
MUSHAGALUSA BAHOYA, BWIRHONDE ZIHINDULA, CHOMBO NAMIKERE, ALEXANDRE BASHUSHANA,
BAHATI BASHIMBE, VOLONTE MINEKE, MUNGU WAMPAGA Innocent, ... trouvez ici
l'expression de ma gratitude.
A cette personne, laquelle la destinée nous unira et que
j'aimerai de tout mon coeur, j'espère qu'elle existe, elle trouvera,
dans la copie de ce travail mes sincères remerciements.
IV
René CUBAKA ZAHINDA
1
Introduction générale
Au cours de ces dernières années, la nouvelle
technologie est en train de prendre le devant dans la prise de décision
dans plusieurs domaines. Dans le domaine hospitalier, selon [18] et [19] une
rigoureuse collaboration entre les chercheurs universitaires et les agents de
santé dans plusieurs contextes est importante. Cette collaboration
cherche à rassembler les efforts de chaque partie pour améliorer
les performances d'efficacité des services des établissements de
soins. Avec l'apparition de la pandémie à Covid19 en 2019,
où le monde a fait face à un cas plus particulier du galopage du
taux d'hospitalisation dans plusieurs hopitaux du monde, les gestionnaires de
santé seraient peut-être confrontés à un
dilèmme : d'une part, du nombre de personnel soignant qui doit
assumer la permanance, et du nombre de patients pouvant être
réadmit dans une unité de soins de santé, ou alors, d'une
éventuelle sortie d'un patient x à l'hopital d'autre part.
Le cas concret est celui de la France car selon [18], elle a atteint le
nombre d'hospitalisation de 7,1 millions durant l'an 2019.
La Durée de Séjour Hospitalier (DDS) constitue
un des indicateurs de base d'évaluation de la pertinence d'un
hôpital. Cette durée représente l'intervalle de temps entre
l'admission du patient dans un service (ou hôpital) et sa sortie du
service (ou hôpital). Elle est donc le parcours suivi lors du
séjour [18]. Pendant que plusieurs services sanitaires au monde
s'approprient les nouvelles technologies de l'information et de la
communication pour rendre meilleures et fiables leurs structures sanitaires. Il
s'oberve jusque là, dans notre pays la non considération de la
nouvelle technologie de l'Information et de la Communication expliquée
par le fait que les institutions sanitaires ne sont pas
numérisées.
2
Les établissements de soin sont des systèmes
à plusieurs dimensions car, ils doivent gérer concomitamment la
pertinance des personnels soignants, de la gestion des malades, etc. En RDC
plus particulièrement au Sud-Kivu, le service de gynécologie
réçoit un nombre important de patientes car, des mamans en
processus de procréation, des cas de règles douloureuses, des
violences sexuelles, ... C'est ainsi que, dans ce travail, nous allons plus
nous intérésset à la Durée de Séjour du
service de Gynécologie dans certains hopitaux de la province du
Sud-Kivu.
Face aux besoins sanitaires croissants de la population,
à la surcharge du travail des
professionnels de santé et à l'allongement des
délais d'attente des patients, l'estimation de
la DDS doit être établie au moment de l'admission du
patient, suivie et la mise à jour
tout au long du séjour hospitalier. La prédiction
de la DDS contribue à :
- La planification des activités de soins des services
médicaux.
- L'amélioration des conditions organisationnelles de
l'hôpital.
- L'analyse du taux journalier d'admission des patients et le
suivi de leur séjour.
- La gestion des lits hospitaliers.
- L'optimisation des ressources matérielles et humaines de
l'hôpital.
Un des avantages les plus importants de la prédiction de
la DDS est la maîtrise des
contraintes budgétaires à la quelle les
hôpitaux sont tenus [19].
La prédiction de la durée de séjour
hospitalier, est une discipline complexe dont nous ne sommes pas les
précursseurs. C'est comme par exemple, MEKHALDI RASHDA NAILA
dans sa thèse de doctorant présentée et soutenue
le 27 janvier 2022, il fait des algorithmes pour la prédiction de la DDS
dans plusieurs unités de soins, notamment dans les services suivants :
le service de cardiologie, le service de médecine polyvalente, le
service de pédiatrie et le service de néonatologie. A chaque
fois, il faisait deux algorithmes l'un en apprentissage supervisé et
l'autre en apprentissage non supervisé et faire une comparaison et faire
une étude de savoir quel algorithme prédit mieux que l'autre. Il
génère deux modèles, l'un statique, le modèle qui
sera formulé au moment de l'admission du patient; et l'autre
séquentiel, qui intègre les données disponibles pendant le
séjour du patient.
3
Etant donné que la durée de séjour
hospitalier (DDS) joue un grand rôle dans la
définition d'un hopital fiable, la rédaction de ce papier est
axée sur le problème de la modélisation de la durée
de séjour hospitalier basée sur quelques techniques de Machine
Learning. Nous tâcherons de répondre à la question suivante
: Comment pouvons-nous faire un algorthme de préduction de durée
de séjour hospitalier (DDS) dans l'unité médicale de la
gynécologie et qu'il puisse prédire à quelques erreurs
près cette DDS ?
La prédiction de la durée de séjour
hospitalier sérait possible grâce aux données des hopitaux
se rapportant sur les informations des patients et voir même depuis
l'admission de ce dernier. Cet algorithme approximerait la population, au cas
où elle serait associée d'une technique et des algorithmes de
l'apprentissage automatique de l'intelligence artificielle.
Pour répondre d'une manière claire et
précise à notre problématique de
recherche, il nous sera impératif de définir deux algorithmes en
machine learning. L'un en apprentissage supérvisé et l'autre en
apprentissage non supérvisé; et à chaque
instant, étudier la pertinance de l'un ou l'autre. Ces algorithmes
seront possibles, après avoir étudié les
différentes causes d'un séjour quelconque dans une unité
de gynécologie, spécialement dans certainss hôpitaux du
Sud-Kivu. Mais aussi, une recolte de données qui nous conduira
à la méthode documentaire nous sera utile dans
la construction de l'algorithme de l'apprentissage supervisé.
Ce travail est constitué de quatres chapitres
bornés par l'introduction générale et la conclusion
générale. Le premier chapitre porte sur les
systèmes d'informations hospitaliers où nous essayons de
faire un apperçu sur les données d'hospitalisation et leur
origines ainsi que de la propriété de ces dernières. Dans
ce dernier, nous parlons aussi de la durée de séjour hospitalier
et des facteurs infuençant cette dernière. Le deuxième
chapitre parle des modèles de prédiction de Machine Learning.
Dans ce dernier, nous différencions les différentes formes
d'apprendissange avant de parler de quelques modèles de Machine Learning
(oui, quelques modèles car notre liste n'est pas exaustive) avant de
chutter par la pertinence d'un modèle de Machine Learning car, bien
évidement différentes modèles prédisent
différemment. Ce qui veut dire qu'il y a des erreurs qui peuvent surgir.
Ainsi donc, le meilleur modèle de prédiction sera celui qui
prédit à moins d'erreurs. Le troisième
4
chapitre est celui consacré à la
présentation des données que nous allons utiliser. Ces
données proviennent de plusieurs structures sanitaires de la province
car, bien évidemment, nous n'avons pas trouvé des données
pour toute la province stockées en un seul endroit. Et finalement, le
quatrième et dernier chapitre est celui où nous allons construire
nos différents modèles de machine Learning pour prédire le
séjour hospitalier dans l'unité médicale de la
gynécologie en province du Sud-Kivu. Pour ce faire, nous allons
constituer des modèles tantôt en apprentissage supervisé,
tantôt en apprentissage non supervisé et à chaque
étape nous allons nous rassurer de la pertinence de chaque modèle
pour en fin finir par une meilleure selection du modèle à
considérer.
5
| 
