Planification des blocs opératoires avec prise en compte des aléas

Operating Rooms Planning Under uncertainties

• Auteur / Autrice : Mehdi Lamiri
• Direction : Xiaolan Xie, Alexandre Dolgui, Frédéric Grimaud
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel
• Date : Soutenance en 2007
• Etablissement(s) : Saint-Etienne, EMSE

Mots clés

Mots clés contrôlés

Relaxation, Méthodes de (mathématiques)

Programmation stochastique

Planification

Opérations chirurgicales

Salles d'opération

Résumé

Dans le cadre de cette thèse, nous avons proposé des modèles stochastiques qui (i) capturent les éléments essentiels à considérer lors de la planification des activités chirurgicales, (ii) permettent de modéliser de manière explicite différentes formes d’aléas tels que les incertitudes relatives aux durées des interventions et à la chirurgie d’urgence, et (iii) peuvent être facilement étendus pour modéliser d’autres contraintes dues aux pratiques du terrain. Nous avons aussi développé plusieurs approches et méthodes d’optimisation complètes et complémentaires pour la planification stochastique du bloc opératoire. Moyennant des expérimentations numériques, nous avons évalué les performances de ces différentes approches et nous avons montré leurs efficacités. En particulier, nous avons montré que des gains considérables peuvent être réalisés moyennant une modélisation stochastique du problème de planification du bloc opératoire.

In this thesis, we proposed several OR planning models that (i) capture essential factors relevant to surgical activities planning, (ii) explicitly take into account several kinds of uncertainties such as random demand for emergency surgery and random surgery durations, and (iii) can be easily extended to consider other real world constraints. We have also developed several solution methods and approaches for the stochastic ORs planning problem. Using numerical experiments, we have evaluated the performances of the different solution approaches and showed their efficiency. Numerical experiments also show the importance of explicit modeling of uncertainties. Compared with deterministic OR planning models, those neglect uncertainty, our stochastic planning methods yield to significant cost reductions.