Kaduceo logo

Morgane Jacquiet* & Mélissa Masson - Data scientists Kaduceo

Le parcours de soins décrit les éléments du processus de prise en charge de la maladie du patient par les acteurs du réseau de soins [1]. Le parcours de soins d’un patient est complexe : il est variable, dynamique et multidisciplinaire. Les étapes sont également composées de plusieurs éléments : spécialités de l’exécutant (une ou plusieurs), actes réalisés, diagnostiques observés, traitements thérapeutiques et analyses biologiques.

L’idée de modélisation de parcours de soins a été inspirée de la modélisation des processus (ou Business Process Modelling BPM) qui est aujourd’hui déjà appliquée au sein de nombreuses entreprises. Cette activité consiste à construire un graphique visuel des différentes étapes d’un processus afin de mieux le comprendre et l’appréhender. Son efficacité n’est plus à démontrer : la modélisation des processus est considérée comme l’une des méthodes les plus puissantes et les plus rentables pour améliorer la performance des systèmes [2]. Pour cette raison, l’idée d’appliquer ces méthodes de modélisation dans le domaine de la santé émerge dans de nombreuses revues scientifiques. 

Cependant, les processus de soins sont plus diversifiés et hétérogènes que les processus industriels et il est donc indispensable d’intégrer à cette modélisation une certaine flexibilité.

La modélisation des parcours de soins consiste à construire un graphique visuel des différentes étapes du parcours.

Pour cela, il est possible de se baser sur : 

  • des observations, des documentations ou des recommandations (d’un médecin, d’un centre hospitalier, d’une Agence Régionale de Santé, etc)
  • des données de santé (base du PMSI, du SNDS, des systèmes d’informations hospitaliers, etc)

Dans le premier cas, les modèles sont réalisés à la main. C’est une approche chronophage et elle est influencée par la personne qui réalise l’étude. Afin d’éliminer ces contraintes, il est possible d’intégrer le Process Mining pour automatiquement générer un modèle.

Qu'est ce que le process mining ?

Le Process Mining est une discipline à la croisée du BPM et du Data Mining (fouille et analyse de données). Cette méthode utilise directement les données pour modéliser les processus. Cela permet d’obtenir des modèles uniquement basés sur des faits réels et ainsi d’avoir une vision objective de la réalité des parcours.

Le point initial du Process Mining est l’historique des évènements (aussi appelé Event logs). Les Events logs sont les données retraçant le parcours de chaque entité, dans notre cas, le parcours de chaque patient. Pour chaque entité, il est nécessaire d’avoir les activités effectuées annotées aux dates auxquelles celles-ci sont réalisées. Un Event logs se présente donc généralement sous la forme d’une table au minimum constituée de trois attributs : l’identifiant du patient, l’activité et l’horodatage.

Les algorithmes de Process Mining transforment ensuite les Event logs en un modèle représentant le processus associé aux données.

La modélisation de processus dans le domaine de la santé, à l’aide du Process Mining, a déjà été implémentée sur des données et des parcours de soins différents [3,4,5,6,7,8]. Les domaines médicaux les plus représentés par l’utilisation du Process Mining dans la littérature sont l’oncologie et la chirurgie. [3] Cependant, la modélisation des parcours de soins se concentre généralement sur des cas pathologiques précis : comme pour des malades cardiaques ayant réalisé une implantation de défibrillateur [5, 6] ou des patients atteints d’une maladie coronarienne aiguë [7].

Les travaux effectués sur le sujet ont permis d’identifier les algorithmes de Process Mining les plus efficaces avec les données de santé. [3]
Parmi eux :

  • le Fuzzy Miner qui prend en compte l’importance relative entre deux activités et leur ordre de relation [9]
  • l’Heuristic Miner qui prend en compte la fréquence d’apparition des différents évènements (permettant d’éliminer les bruits) [10]
  • le Trace Clustering qui permet de partitionner les données en générant des modèles plus simples et plus structurés [11]

Outre les algorithmes déjà implémentés sur les logiciels de Process Mining, certains travaux témoignent d’une implémentation complète de la modélisation des processus de soins à partir des données de santé. [5]

Une fois le modèle obtenu, il est possible de l’enrichir. À titre d’exemple, des données de performance peuvent être extraites des évènements, par exemple en ajoutant le temps moyen entre deux activités qui se suivent pour identifier les goulots d’étranglement. Il est également possible d’y ajouter des règles de décisions qui analysent les choix réalisés dans le processus et ainsi comprendre les différences de parcours. [12]

Conclusion

Les parcours de soins des patients s’appuient, en théorie, sur la description d’une prise en charge optimale à partir de recommandations professionnelles. Ces recommandations peuvent être modélisées grâce à différents outils pour la représentation des processus. Cependant, en pratique, les parcours de soins des différents patients ne sont pas homogènes et dépendent de nombreux facteurs. Le Process Mining, qui utilise directement les données réelles pour modéliser les processus, permet d’avoir une vision objective des parcours tels qu’ils se sont réellement déroulés. Il permet l’identification de l’ensemble des déviations par rapport à des modèles de références. 

La modélisation par le Process Mining peut représenter un moyen d’améliorer la qualité des soins en santé puisqu’elle permettra de cibler les actions à faire pour optimiser les performances des différents parcours de soins.

Kaduceo développe des algorithmes et des plateformes de traitement de données de santé afin d’analyser, d’optimiser et de prédire des parcours de soins dans les établissements hospitaliers. À ce titre, la modélisation des parcours de soins est une brique essentielle de notre travail pour permettre aux professionnels de santé (médecins, cadres, administratifs) d’avoir une meilleure compréhension des parcours qui ont lieu dans leur établissement.

* Morgane Jacquiet a effectué son stage du 15 juin au 25 septembre 2020.

Bibliographie

[1] H. Benabdejlil,Modélisation des processus de soins: vers une implantation de nouveaux services à valeur ajoutée. PhD thesis, Bordeaux, 2016.

[2] A. Greasley, “Using business-process simulation within a business-process reengineering approach,”Business Process Management Journal, vol. 9, no. 4, pp. 408–420, 2003.

[3] E. Rojas, J. Munoz-Gama, M. Sepúlveda, and D. Capurro, “Process mining in health-care: A literature review,”Journal of biomedical informatics, vol. 61, pp. 224–236,2016.

[4] Á. Rebuge and D. R. Ferreira, “Business process analysis in healthcare environments: A methodology based on process mining,”Information systems, vol. 37, no. 2, pp. 99–116,2012.

[5] M. Prodel,Modélisation automatique et simulation de parcours de soins à partir de bases de données de santé. PhD thesis, Lyon, 2017.

[6] M. Prodel, V. Augusto, B. Jouaneton, L. Lamarsalle, and X. Xie, “Optimal process mining for large and complex event logs,”IEEE Transactions on Automation Science and Engineering, vol. 15, no. 3, pp. 1309–1325, 2018.

[7] S. V. Kovalchuk, A. A. Funkner, O. G. Metsker, and A. N. Yakovlev, “Simulation of patient flow in multiple healthcare units using process and data mining techniques for model identification,”Journal of biomedical informatics, vol. 82, pp. 128–142, 2018.

[8] X. Zhang and S. Chen, “Pathway identification via process mining for patients withmultiple conditions,” in 2012 IEEE International Conference on Industrial Engineering and Engineering Management, pp. 1754–1758, IEEE, 2012.

[9] Z. Zhou, Y. Wang, and L. Li, “Process mining based modeling and analysis of work-flows in clinical care-a case study in a chicago outpatient clinic,” in Proceedings of the 11th IEEE International Conference on Networking, Sensing and Control, pp. 590–595,IEEE, 2014.

[10] A. Weijters, W. M. van Der Aalst, and A. A. De Medeiros, “Process mining with the heuristics miner-algorithm,” Technische Universiteit Eindhoven, Tech. Rep. WP, vol. 166, pp. 1–34, 2006.

[11] M. Song, C. W. Günther, and W. M. Van der Aalst, “Trace clustering in process mining,” in International conference on business process management, pp. 109–120, Springer, 2008.

[12] A. Rozinat and V. der Aalst, “Decision mining in business processes,” 2006.