modelisation et simulation de l`unite d`hemobiologie du laboratoire
Transcription
modelisation et simulation de l`unite d`hemobiologie du laboratoire
8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie « Evaluation et optimisation des systèmes innovants de production de biens et de services » MODELISATION ET SIMULATION DE L’UNITE D’HEMOBIOLOGIE DU LABORATOIRE CENTRAL DE L’HMRUO D’ORAN - ALGERIE Khaled BELKADI Alain TANGUY LAMOSI, Université Mohamed Boudiaf, USTO, BP 1505 Oran M’Naouer, 31000 Oran, Algérie [email protected]; [email protected] Université Blaise Pascal, Complexe des Cézeaux, 63173 Aubière Cedex, France [email protected] LIMOS, CNRS UMR 6158, RESUMÉ : Notre objectif est de modéliser et de simuler l’Unité d’Hémobiologie du Laboratoire Central de l’hôpital militaire régional universitaire d’Oran (HMRUO) en Algérie, en utilisant la méthodologie ASCI (analyse, spécification, conception et implémentation). L’Hémobiologie est une discipline médicale concernant les indications, les modalités, la surveillance, l'efficacité et les complications de la perfusion de sang ou de dérivés sanguins. L’unité d’hémobiologie est une unité essentielle qui occupe une place importante dans les hôpitaux. Le but de cette étude est l’évaluation du taux d’utilisation des salles et des médecins de cette unité. Pour cela, nous avons utilisé l’outil ARIS pour spécifier le modèle de connaissance ainsi que SIMULA, Witness et QNAP2 pour le passage d’un modèle de connaissance vers des modèles d’action. Un modèle intermédiaire de réseau de files d’attente a été employé. Nous avons obtenu pour les trois simulateurs des résultats que nous avons confrontés. MOTS-CLÉS : Hôpital, Unité d’Hémobiologie, Modélisation ARIS, SIMULA, Witness, QNAP2, Simulation à événements discrets. 1 INTRODUCTION Les systèmes hospitaliers sont des systèmes complexes qui posent de nombreux problèmes tels que leur dimensionnement, l’amélioration de leur efficacité ou simplement la compréhension de leur fonctionnement. Ces problèmes sont des problèmes d'évaluation des performances qui peuvent être résolus par modélisation et simulation. La modélisation et la simulation sont des outils d'aide à la décision qui permettent d'éviter des investissements importants. Le but de ce travail est de modéliser et de simuler l’Unité d’Hémobiologie du Laboratoire Central de l’Hôpital Militaire Régional Universitaire d’Oran (HMRUO), en suivant la méthodologie ASCI (Analyse, Spécification, Conception et Implémentation) (Gourgand et Kellert, 1991), en utilisant l’outil ARIS (Sheer, 2002) pour le modèle de connaissance ainsi que le langage SIMULA, l’outil Witness (Lanner, 2003) et le simulateur de QNAP2 (Simulog 1995) pour les modèles d’action. L’article porte sur l’unité d’hémobiologie. Cette dernière est chargée d’analyser et d’interpréter les examens de routine et les examens spécialisés. Les examens de routine s’effectuent tous les jours et parmi eux il y a la FNS (formule sanguine numérisée), l’Hémostase sanguine, le Frottis et la VS (vitesse de sédimentation). Les examens spécialisés sont programmés une fois tous les 15 jours et parmi eux il y a le Dosage des facteurs de la coagulation (VIII, IX, XI, XII), Anti-thrombine III, etc. Notre objectif consiste à étudier le taux d’utilisation des salles et des médecins de cette unité d’hémobiologie. Pour cela, nous présentons tout d’abord l’unité d’hémobiologie et sa problématique (Belkadi, 2007)(Belbachir, 2009), la méthodologie de modélisation (Gourgand et Kellert, 1991)( Combes, 1994) mise en œuvre puis la modélisation de cette activité avec l’outil ARIS, ainsi que deux modèles de simulation basés sur les réseaux de files d’attente. Le premier, implanté en SIMULA avec la classe Gpsss, suit une approche transaction alors que le second est réalisé à l’aide de l’outil de simulation, du domaine industriel, Witness qui utilise une approche station et offre des possibilités graphiques telles qu’une interface de développement et l’animation du modèle. QNAP2 suit une approche station et son simulateur a un fort potentiel en modélisation de réseaux de files d’attente. 2 LE LABORATOIRE CENTRAL DE L’HMRUO L’hôpital Militaire Régional Universitaire d’Oran est en activité depuis le mois de Janvier 2005. Le complexe hospitalier HMRUO est implanté à la périphérie sud de la ville d’Oran en Algérie, sur une superficie de 40 ha et il comprend les entités suivantes : l’hôpital, un héliport, un complexe sportif, une cité de 300 logements (Belkadi, 2007)(Caimed, 2004) (Saihi, 2006) (Krour et Beladam, 2008) L’hôpital comprend parmi ses services le laboratoire central (Moussa et Belkadi, 2009). MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Le laboratoire central de l’HMRUO est chargé d’analyser les bilans sanguins et d’interpréter les résultats. Il est composé de cinq unités : hémobiologie, microbiologie, banque du sang, biochimie et anapathe (Belbachir, 2009). de modélisation (figure 1) facilite l’échange d'informations entre les différents membres du projet et aide à la conception des modèles d'action pendant la phase d'extraction de l'information à partir du modèle de connaissance. L’hémobiologie est une discipline médicale concernant les indications, les modalités, la surveillance, l'efficacité et les complications de la perfusion de sang ou de dérivés sanguins (Larousse, 2009) (Jaulmes et al., 2002). C'est une tentative d’automatisation du processus de modélisation à l'aide de la formalisation de la connaissance, de l'analyse de données pour la détermination des caractéristiques du système, de la recherche opérationnelle et de la simulation pour l'évaluation. Les représentations graphiques et les outils d'animation permettent de vérifier le fonctionnement correct du modèle. Parmi les examens effectués au niveau de l’unité d’hémobiologie il y a la FNS, l’Hémostase sanguine, le Frottis et la VS. L’hémostase est terme issu du grec haima : sang et stasis : arrêt. D’une façon générale, il désigne l'arrêt d'une hémorragie, survenant spontanément ou grâce à l'utilisation d'un procédé hémostatique thérapeutique : médicament, geste, intervention chirurgicale etc. Le terme hémostase désigne également l'ensemble des mécanismes biologiques concourant à la cessation de l'hémorragie et au maintien de la fluidité du sang dans les vaisseaux. Ces mécanismes sont imparfaitement connus. Le terme hémostatique (en anglais haemostatic) regroupe ce qui se rapporte à l'hémostase. Autrement dit, il s'agit des moyens utilisés pour juguler un écoulement sanguin. (Reghis, 2008). L’unité d’hémobiologie est composée de 3 locaux dont un vestiaire et deux chambres de garde. Elle dispose d’une chambre froide pour les réactifs et de deux bureaux dont l’un pour le médecin chef et le deuxième pour la secrétaire. Cette unité dispose de dix équipements dont 3 FNS, 2 hémostases, 2 appareils pour examens spécialisés et 3 équipements pour la préparation. 3 MÉTHODOLOGIE DE MODÉLISATION L’approche de modélisation ASCI (Analyse, Spécification, Conception, Implémentation) que nous présentons est une méthodologie de modélisation qui a été proposée par Gourgand et Kellert en 1991 (Gourgand et Kellert, 1991). Elle a été adaptée aux systèmes hospitaliers (Gourgand et Combes, 1994) (Combes, 1994) (Mebrek et Tanguy, 2006) (Mebrek et al., 2007). Elle est basée sur la construction de deux classes de modèles : le modèle de connaissance et les modèles d’action. Le but principal de la méthodologie de modélisation consiste à établir un modèle de connaissance aussi générique que possible et qui permet l'exécution de modèles d'action pour les systèmes spécifiques du domaine. Le modèle de connaissance demeure un modèle ouvert qui est enrichi par chaque étude de systèmes du domaine. La gestion de la connaissance et l'exécution des modèles d'action impliquent l'aide fournie par un environnement de modélisation qui est ouvert afin d'inclure de nouvelles méthodes et des outils plus efficaces. L'environnement Figure 1 : Environnement de modélisation Le premier modèle de connaissance concernant les entités et la structure du système logistique hospitalier a été formalisé à l'aide de l'outil ARIS (Architecture of Integrated Information System). Cet outil, suggéré par Scheer (Sheer, 2002), convient pour décrire des organismes, des processus et des activités (Green et Roseman, 2000), aussi bien que des modèles entitéassociation (Chen, 1976). 4 PROCESSUS DE MODÉLISATION La modélisation est un ensemble de techniques qui permettent d’étudier et de comprendre la structure et le fonctionnement d’un système. On construit un modèle représentant la réalité et trois concepts se dégagent : un modèle doit avoir un caractère de ressemblance avec la réalité, il doit constituer une simplification de la réalité et il est une idéalisation de la réalité. Lorsque le système existe, on parle de modélisation a posteriori, dans le cas contraire, on parle de modélisation a priori. La modélisation met en œuvre le processus décrit en figure 2. Il utilise les concepts de modèle de connaissance et de modèle d’action. MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Système réel ou à concevoir Analyse et spécification Traduction Action Performances du système modélisé Modèle de connaissance d’un système Exploitation Modèle d’action Figure 2 : Le processus de modélisation d’un système Le modèle de connaissances ou de fonctionnement d’un système (ou encore modèle descriptif de la structure et du fonctionnement d’un système) est une formalisation dans un langage naturel ou graphique de la structure et du fonctionnement de ce système. Si le système existe, le modèle de connaissance contient l’ensemble des connaissances acquises lors des phases d’observation. Si le système n’existe pas encore, le modèle de connaissance contient les spécifications de topologie et de fonctionnement imposées par les concepteurs. Le modèle d’action est une traduction du modèle de connaissance dans un formalisme mathématique (par exemple une méthode analytique qui exploite la théorie des réseaux de files d’attente) ou dans un langage de programmation (par exemple un langage de simulation). Il est directement exploitable et fournit les performances du système modélisé sans recourir à la mesure directe. L’exploitation du modèle de connaissance et des modèles d’action est appelée processus de modélisation. Ce processus est généralement itératif et composé de quatre étapes qui sont l’élaboration d’un modèle de connaissance d’un système, l’obtention d’un modèle d’action à partir du modèle de connaissance, l’exploitation du modèle d’action pour évaluer les performances du système et l’interprétation des résultats et déduction des actions à effectuer sur le système. Chacune des étapes indiquées inclut une phase de vérification et de validation. Remarquons qu’un modèle de connaissance a un potentiel d’exploitation très vaste. Pour pouvoir utiliser ARIS en vue de concevoir le modèle de connaissance, plusieurs hypothèses de modélisation sont à prendre en compte (Rob et Brabänder, 2008) : - chaque activité (fonction dans ARIS) est rattachée à une ou plusieurs unités organisationnelles du système hospitalier (une unité de soin, le bloc opératoire, la pharmacie, unité d’hémobiologie, etc.), - chaque événement sur le déroulement d’un processus est retracé dans un ou plusieurs documents du système d’information (dossier médical du patient, dossier du bloc opératoire, etc.), - les modèles de référence documentent les connaissances sur les processus clés. Compte tenu de nos objectifs de modélisation, nous avons retenu dans la boîte à outil d’ARIS toolset, deux types de représentation qui doivent permettre de détailler (Güngöz, 2004)( Sheer, 2000)( Sheer, 2001) : - les processus étudiés à l’aide de Chaînes de Processus Evènementielles (CPE) qui montrent que les processus possèdent une structure clairement définie et qui seront utilisées pour la gestion des flux du sous-système logique ; - les relations au sein des services et entre services à l’aide d’un organigramme pour le sous-système décisionnel. 5 MODÈLE DE CONNAISSANCE - CHAÎNES DE PROCESSUS ÉVÉNEMENTIELLES Les Chaînes de Processus Evènementielles permettent de représenter l'organigramme d'entreprise, c'est à dire de représenter les relations entre les objets des vues des données, des fonctions et des vues organisationnelles et par conséquent de représenter les processus. L'enchaînement de fonctions dans le sens d'un processus d'entreprise est représenté dans des chaînes de processus. Dans ces chaînes, il est possible d'indiquer les événements de départ et d'arrivée pour chaque fonction. Les événements déclenchent les fonctions et sont générés par ces dernières. Le symbole graphique de la fonction est symbolisé par un rectangle et celui de l'événement par un hexagone (figure 3). Fonction Evénement Figure 3 : Fonction et événement Comme les événements définissent l'état ou la condition qui déclenche une fonction ainsi que l'état qui en marque l'achèvement, les nœuds de départ et d'arrivée d'une telle CPE sont toujours des événements. Un événement peut déclencher plusieurs fonctions simultanément et inversement une fonction peut engendrer plusieurs événements. Pour pouvoir représenter ces ramifications et ces boucles de traitement dans une CPE, le système utilise un connecteur (ou règle) en forme de cercle. Celui-ci n'est cependant pas un simple connecteur MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie graphique, il définit également les connexions logiques entre les objets qu'il relie. La figure 4 montre la spécification de l’unité de l’hémobiologie par une CPE. arrivent périodiquement au Desk, la secrétaire vérifie l’état des tubes et les transmet à la salle d’analyse. L’équipe de la salle réalise les analyses et le médecin lit et interprète les résultats. FNS Arriv ée des tubes Arrivée des tubes Secrétariat File d’attente Hémostase v erifier état VS rej eter tube enregistrer tube Prise Préparation salle matériels Prise Acte personnel Délai interp. Rendus personnel salle realiser analyse Légende : Prendre VS FNS Hémostase examens spécialises Froti interpretation et lecture fin examens Figure 4 : Processus d’analyse de l’unité de l’hémobiologie Le processus global de l’unité d’hémobiologie est comme suit : les bilans arrivent aléatoirement à l’unité de l’hémobiologie des différents services CCS (centre de prélèvement du Centre de Consultation Spécialisé), CMSSM, salle des prélèvements de l’HMRUO. Les laborantins du Desk réceptionnent et vérifient l’état des tubes pour les enregistrer, puis ces tubes seront transmis à la salle d’analyse où les techniciens réalisent les tests adéquats, le médecin lit et interprète les résultats (Belbachir, 2009). 6 MODÈLE D’ACTION Libérer Traitement Figure 5 : Modèle de files d’attente de l’hémobiologie La fonction du médecin chef est d’interpréter et de valider les résultats, de superviser l’unité, de programmer les gardes et d’encadrer les internes. La fonction du laborantin est de réaliser les analyses, d’enregistrer les bilans, d’assurer les gardes et de réceptionner les bilans une fois tous les 9 jours. Le modèle de données est représenté par le tableau 1. Les temps sont donnés en minutes et les lois de probabilité sont uniformes (unif[a, b]). Temps acte Temps interprétation Temps interarrivée Temps préparation FNS unif[10-20] unif[03-05] 40 13 Hémostase unif[30-45] unif [10-25] 60 13 VS unif[10-25] unif[10-15] 45 13 Tableau 1 : Modèle de données de l’unité d’hémobiologie Le modèle d’action ou de simulation de l’unité d’hémobiologie du Laboratoire Central de l’HMRUO d’Oran est représenté par les modèles SIMULA, Witness et QNAP2. Le Frotis est peu fréquent et les examens spécialisés se font à l’extérieur. 6.1 Modèle de files d’attente Le langage SIMULA a prouvé sa capacité d’implantation de différentes catégories de modèles de simulation. Il inclut des coroutines et des processus de la simulation à événements discrets. De nombreuses classes existantes prolongent les possibilités du langage en gestion de transactions et en calculs statistiques. La classe Gpsss fournit La figure 5 présente un modèle de files d’attente du processus de l’unité d’hémobiologie. Ce modèle a été réalisé à partir des diagrammes de chaînes de processus événementielles d’ARIS et fonctionne comme suit : les tubes 6.2 Modèle SIMULA MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie les objets de base tels que le service, le stockage, les notions de transaction et de régions statistiques, de plus un rapport de simulation est automatiquement généré. Cette classe peut donc être employée comme en programmation GPSS mais avec toutes les capacités d'un langage de simulation orienté objet (Dahl et Nygaard, 1966). d’animation 3D, l'outil de simulation Witness a été préféré, dans un premier temps, afin de concevoir et mettre en application des modèles d'action (Lanner, 2003). La représentation graphique du modèle est donnée en figure 9. L'activité d'accueil de Service est assurée par un objet facility qui correspond au serveur unique d'une station. Les statistiques concernant l'attente sont collectées par un objet region. L'objet storage remplit le triple rôle de serveur multiple, de stock et de ressource. Les délais associés aux durées de traitement sont exécutés par l'appel à la méthode hold. La manipulation d’un objet x de la classe Gpsss est basée sur deux méthodes simples Enter_x et Leave_x. Les statistiques sont fournies et elles sont suffisamment détaillées. De plus SIMULA se prête bien à l’implantation de statistiques spécifiques. La figure 6 propose un fragment de la transaction tube. L’outil QNAP2 (Queueing Network Analysis Package) possède de nombreux « solvers » pour les réseaux de files d’attente. Son simulateur propose le calcul automatique de statistiques et d’intervalles de confiance. Trois méthodes sont disponibles : réplications, points de régénération et analyse spectrale. La première sera utilisée car les deux dernières sont plus adaptées à la simulation de durée non limitée. Transaction CLASS tube(i); integer i; BEGIN real array tMT(1:4); N1 := N1+1; ! Entrée Tube; NbPa(i):= Nbpa(i)+1; ! Compteur; GenerateRequest(i); ! Actions; enter_region(Attube(i)); ! Attente; enter_region(AttSecretaire); enter_facility(Secretaire); tMT(1):=-time; leave_region(AttSecretaire); hold(uniform(1,3,u)); tMT(1):=tMT(1)+time; leave_facility(Secretaire); enter_region(AnalyseSalle(i)); ! Attente Salle; enter_storage(Salle(i),1); ! Prise Salle; enter_storage(laborantin,1); ! Prise Laborantin; hold(13); ! Temps de préparation Salle; leave_storage(laborantin,1); ! Rendu Laborantin; leave_region(AnalyseSalle(i)); ! Fin attente Salle; enter_region(interMedecin(i)); enter_storage(Medecin(i),1); ! Prise Médecin; tMT(i+1):=-time; leave_region(interMedecin(i)); leave_region(Attube(i)); enter_region(ttube(i)); hold(uniform(EMi(i), EMa(i),u)); ! Analyse; leave_region(ttube(i)); leave_storage(Salle(i),1); ! Rendu Salle; hold(uniform(CrMi(i),CrMa(i),u)); ! Compte-rendu; tMT(i+1):=tMT(i+1)+time; leave_storage(Medecin(i),1); ! Rendu Médecin; N1 := N1-1; ! Sortie Tube; ! Statistiques sur tubes complètement traités; END; Figure 6: Requête tube du modèle SIMULA 6.4 Modèle QNAP2 La figure 7 montre une station source (source de tubes VS) et une station file d’attente (secrétaire). Le service définit les traitements effectués par le serveur. La directive transit effectue le transfert du client dans une station avec changement possible de classe et utilisation éventuelle de probabilités. La fonction randu génère un nombre réel pseudo aléatoire compris entre 0 et 1. Les directives uniform et cst consomment du temps, respectivement suivant une loi uniforme et une loi constante. /stat/name = SVS; type = source; service = begin if (time = 0) and (n3>1) then begin n3:=0;nr3:=0; end; if n3 <= 0 then uniform(0,10) else begin t3:=n3*45-10+20*randu; if (t3-time) < 0 then print("VS Err d<0 ",time,n3,nr3); cst(t3-time); end; n3 := n3+1; if time+10>=TSim then begin print("RejetVS ",time); nr3:=nr3+1;transit(customer,out); end; end; transit = Secret,VS; /stat/name = Secret; service = begin if time-10>TSim then print("Fermeture"); uniform(1,3); end; transit(HEM) = ExHEM; transit(FNS) = ExFNS; transit(VS) = ExVS; Figure 7 : Exemples de stations QNAP2 Les clients tubes ont été sélectionnés pour avoir toutes les chances de voir leur traitement se terminer ou pour qu’ils ne créent pas de perturbation. La génération des tubes est périodique, suivant le principe du rendez-vous avec un aléa uniform(-10, 10). 6.3 Modèle Witness 7 RÉSULTATS ET INTERPRÉTATIONS Quelques parties du système hospitalier sont spécifiées avec le langage UML (Joubert, 2006), (Di Gallo, 2001). Un module supplémentaire de simulation est disponible pour ARIS mais pour les besoins graphiques et surtout Nous avons obtenu des résultats avec les modèles de simulation en SIMULA et Witness, nous les avons comparés avec les données prises sur un cas réel de l’unité de MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie l’hémobiologie du Laboratoire Central de l’HMRUO (Belbachir, 2009). de traitement (examen et compte-rendu) réalisés par les ressources secrétaire et médecins. Moyenne 2,018 Ecart type 0,134 Pershem 55,036 Persfns 19,075 Persvs 30,010 7.1 Modèle SIMULA de l’unité d’hémobiologie Secret Les résultats obtenus pour le modèle en SIMULA sont partiellement données en figure 8. * facilities * Entries Average Contents Average time transit status 25 0.14 2.24 Free Cont. max cap Util. % 3 1 1 1 1 1 1 3 1 1 1 1 1 1 Secretaire *storage* Entries Laborantin Sallehemostase Personnelhemost Sallefns Personnelfns Sallevs Personnelvs 25 6 6 10 10 9 8 Avg. contents 0.77 0.78 0.77 0.63 0.41 0.65 0.61 Average time transit 12.91 54.62 54.04 26.58 17.43 30.21 31.04 25.61 78.02 77.20 63.27 40.99 64.73 60.95 [ Inf , Sup ] [ Min ,Max ] 1,992 2,045 1,696 2,310 2,801 54,480 55,592 48,737 61,690 0,977 18,881 19,268 16,498 21,177 1,539 29,704 30,315 25,761 30,010 Tableau 2 : Statistiques « Average time transit » pour 100 réplications du modèle SIMULA Les n = 100 réplications ont permis de déterminer des intervalles de confiance à 95% soit un risque bilatéral α de 5%. La demi amplitude d de l’intervalle de confiance [Inf ; Sup] est calculée à l’aide de la formule (1). d = t n−1,α/2σ / n (1) L’écart type σ est multiplié par un t de Student dont la valeur est proche de 2 ou 1,96 pour n encore plus grand. 7.2 Modèle Witness de l’unité d’hémobiologie *regions* Attsecretaire Attubehemostase Ttubehemostase Analysesallehem Attpersonnelhem Attubefns Ttubefns Analysesallefns Attpersonnelfns Attubevs Ttubevs Analysesallevs Attpersonnelvs Entries Average contents 25 6 6 6 6 10 10 10 10 9 8 9 8 0.01 0.30 0.57 0.24 0.03 0.36 0.32 0.31 0.00 0.34 0.37 0.29 0.00 Average time transit 0.14 21.08 39.44 16.42 2.18 15.28 13.76 13.07 0.00 16.14 18.90 13.52 0.14 Contents now Max 0 0 0 0 0 0 1 0 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 Le modèle Witness fournit une représentation graphique animée de l’unité d’hémobiologie (figure 9). Figure 8 : Résultats d’une simulation du modèle SIMULA de l’unité d’hémobiologie L'activité d'accueil du secrétaire est décrite par une durée suivant une loi uniforme (1 ; 3) et occupe 13 à 14% de son temps de travail. Les salles d’examens et les médecins sont des ressources partagées entre les trois activités (Hémostase, FNS et Vs). La durée de pré-préparation a été choisie constante 13 minutes. Le taux d'occupation des salles est compris entre 63% et 78% et celui des équipes (médecins et laborantins) est entre 25% et 77%. Il ne s'agit que d'une simulation sur une durée d’une journée de 7 heures. Les durées d'examen et d'interprétation ont été considérées uniformes suivant le tableau 1. Figure 9 : Représentation du modèle Witness de l’unité d’hémobiologie Les composants logiciels (articles, stocks et machines) utilisés dans le modèle Witness de l’unité d’hémobiologie sont donnés dans le tableau 3. Composants Witness Articles Stock Machine Pour les régions, les résultats montrent que certaines ne sont pas vides lorsque la simulation s’arrête donc des tubes ne sont pas complètement traités. De plus le nombre d’entrées étant faible (6 à 10) les moyennes seront entachées d’une erreur de 5 à 10% environ. L’implantation des calculs de statistiques est réalisée en ne considérant que les requêtes complètement traitées. Le tableau 2 fournit les statistiques sur les temps moyens Symboles utilisés TubesHemo TubesFNS TubesVs Desk Sortie Secretaire AnalyseHemo AnalyseFNS AnalyseVs Interpretation Désignation Tubes pour analyse d’hémostase Tubes pour analyse de FNS Tube pour analyse de Vs Salle d’attente Sortie du service Secrétaire Processus d’analyse d’hémostase Processus d’analyse de FNS Processus d’analyse VS Processus d’interprétation du médecin Tableau 3 : Les composants logiciels Witness de l’unité d’hémobiologie Le tableau 4 présente les résultats de simulation Witness de l’unité d’hémobiologie en termes de ressources et de MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie machines citées dans le tableau 3 et les taux d’occupation des équipes de l’unité. Secrétaire % occupé nb tâches %dispo. 10.61 23 89.39 Analyse Hemo 75.74 7 24.26 Analyse FNS 63.43 12 32.52 Analyse VS 56.66 2 43.34 Interprétation 54.54 21 45.46 Tableau 4 : Résultats du modèle Witness de l’unité d’hémobiologie Les résultats récapitulatifs de simulation obtenus avec SIMULA, Witness et les données réelles récoltées au niveau de l’unité d’hémobiologie d’HMRUO, sont repris dans le tableau 5. Taux d’occupation Secrétaire Ressources SIMULA 13,3% 59,71% Witness 10,61% 62,59% Données réelles 10% 61,8% Tableau 5 : Résultats récapitulatifs Nous remarquons que les résultats obtenus avec Witness sont un peu plus proches de la réalité que ceux obtenus avec SIMULA mais tous ces résultats sont très proches. Il ne s’agit que de deux réalisations de processus stochastiques. 7.3 Modèle QNAP2 de l’unité d’hémobiologie Ce modèle fournit des intervalles de confiance à 95% et le détail par classe lorsqu’une file reçoit des clients de diverses classes (figure 10). *** simulation with replication method *** ... mean simulation time = 420.000 number of replications = 100 confidence level = 0.95 ************************************************* name *service* busy * custnb * respon* servnb ************************************************* Secret * 2.010 * .1327 * .1412 * 2.139 * 27.72 +/- * .0229 * .00159* .00195 * .02846* (HEM )* 1.983 * .03304* .03582 * 2.149 * 7.000 (FNS )* 2.008 * .05258* .05547 * 2.118 * 11.00 (VS )* 2.032 * .04703* .04991 * 2.157 * 9.720 MedHEM * 54.86 * .7808 * .7808 * 54.86 * 5.600 +/- * .4783 * .00279* .00280 * .4783 * MedFNS * 19.08 * .4667 * .4667 * 19.08 * 10.00 +/- * .1835 * .00465* .00465 * .1835 * MedVS * 29.99 * .6442 * .6442 * 29.99 * 8.870 +/- * .2912 * .00605* .00605 * .2912 * ************************************************* Figure 10 : Extrait des résultats du modèle QNAP2 La colonne repon correspond au temps moyen de séjour d’un client c'est-à-dire son temps total de traitement par un médecin ou le temps d’attente et l’accueil par la secrétaire. Pour les modèles SIMULA et QNAP2, les moyennes de l’un sont dans les intervalles de confiance de l’autre. Les temps moyens de séjour sont équivalents. Les taux d’utilisation des médecins (colonnes Util% et busy), comparés aux taux du modèle QNAP2, sont faibles pour le modèle SIMULA et farfelus pour le modèles Witness. Les taux de la secrétaire sont équivalents 13,27% et 13,3% (25*2,24/420) contre 10,61 % en Wit- ness. Les résultats du modèle Witness sont peut-être proches d’un cas réel mais très éloignés des intervalles de confiance des modèles SIMULA et QNAP2. 8 CONCLUSION Notre contribution dans cet article concerne l’analyse et la spécification de l’unité d’hémobiologie du laboratoire central de l’HMRUO d’Oran qui jusqu’à présent n’avait pas été pris en compte dans les études de systèmes hospitaliers. Le problème principal est l’étude du taux d’utilisation des salles et des médecins de l’unité d’hémobiologie. Ce travail est validé par l’étude de l’unité d’hémobiologie de l’HMRUO. La méthodologie employée préconise la construction successive et itérative de deux modèles : le modèle de connaissance (formalisation de la structure et du fonctionnement du système) et le modèle d’action (modèles de simulation dans notre cas en SIMULA et Witness). Nous avons remarqué que les résultats obtenus avec SIMULA et avec Witness sont globalement proches des données réelles. Le modèle QNAP2 plus complet a des résultats compatibles avec ceux du modèle SIMULA et d’autres très différents de ceux du modèle Witness. Ils montrent le faible taux d’occupation du secrétaire et des laborantins, les équipes médicales ont une charge plus importante. Plusieurs thèmes de recherches peuvent compléter ce travail : l’étude du temps nécessaire pour écouler une charge donnée, la modélisation et la simulation des autres services de l’hôpital, l’utilisation d’autres outils de modélisation et de simulation, l’étude de la planification des services de l’hôpital et le pilotage des systèmes hospitaliers. RÉFÉRENCES Belbachir K., 2009. Modélisation et simulation d’un système hospitalier : cas du HMRUO d’Oran. Mémoire de master en informatique, USTO, Oran, Algérie. Belkadi K., 2007. Regional Military and University Hospital of Oran (RMUHO). Internal Report No. 1, Computer Science Department, USTO, Oran. Caimed, 2004. Social assistance in the Mediterranean Region ,Algeria. Chen P., 1976. The entity relationship model – Toward a unified view of data. ACM Transaction on data base system, Vol 1, N° 1. Combes C., 1994. Un environnement de modélisation pour les systèmes hospitaliers. Thèse de Doctorat, Université Blaise Pascal, Clermont-Ferrand. Dahl O. J., Nygaard K., 1966. SIMULA - An Algolbased Simulation Language. Communication of the ACM, No. 9. Di Gallo F., 2001. Méthodologie des systèmes d'information UML. CNAM Angoulême MOSIM’10 - 10 au 12 mai 2010 - Hammamet - Tunisie Gourgand M., Combes C., 1994. Un Environnement de modélisation pour les systèmes hospitaliers. Université de Clermont II, Clermont-Ferrand, France. Gourgand M., Kellert P., 1991. Conception d’un environnement de modélisation des systèmes de production. 3ème congrès international de Génie Industriel, Tours. Green P., Roseman M., 2000. Modelling: an ontological evaluation. In Information systems, ATED process, Vol. 25. Güngöz Ö., 2004. ARIS Architecture of Integrated Information Systems. Objectives lecture 2004, Business Process Management, Aoyama Gakuin University AGU summer term Japan. Jaulmes D., Gorin N. C., Najman A., 2002. Rôle de l’hémobiologiste dans un service d’hématologie : bonnes pratiques de transfusion clinique. Mini-revue, Hématologie, Volume 10, Numéro 3, 225-31, MaiJuin 2002. Joubert M., 2006. UML, Le Langage de Modélisation Objet Unifié. Lertim, Faculté de Médecine, Marseille. Krour D., Beladam D., 2008. Modelling and simulation of a hospital system: the case of ophthalmology and stomatology service of RMUHO -Oran. Memory of computer engineer, USTO, Oran, Algeria. Lanner group, 2003. Formation Witness. Edition Anglettre. Larousse, 2009. Hémobiologie. Dictionnaire du Larousse, (www.larousse.fr). Mebrek F., Tanguy A., 2006. Modélisation et Simulation à évènements discrets du pôle imagerie d’un hôpital moderne. 6e Conférence Francophone de Modélisation et SIMulation - MOSIM’06, 3-5 avril 2006, Rabat, Maroc. Mebrek F., Belkadi k., Gourgand M., Tanguy A., 2007. Modelling and Simulation of the External Sterilization for New Hospital Estaing. Colloque sur l'Optimisation et les Systèmes d'Information (COSI'07) 1113 juin, Oran, Algeria. Moussa M., Belkadi K., 2009. Simulation de flux dans un service d’imagerie de l’HMRUO, 2ème Conférence internationale SIIE-2009, 12-14 février 2009, Hammamet, Tunisie. Reghis A., 2008. La sécurité transfusionnelle et l’hémovigilance . Cinquième (Ve) congrès national de la SATH (Société algérienne de Transfusion et d'Hémobiologie) les 08 et 09 juin 2008 à l’INSP d’Alger. Rob D., Brabänder E., 2008. ARIS Design Platform: Getting Started with BPM. Springer 1 Editio. Saihi A., 2006. The public health system in Algeria: Analysis and Prospects. Gestion Hospitalière. Sheer, 2000. Aris 5.0 Method. Edition IDS Scheer AG, Saarebruck. Sheer, 2001. ARIS : Des Processus de gestion au Système Intégré d’Applications . IDS Scheer : Business Process Excellence. Sheer A.W., 2002. ARIS - Business Process Modelling. Springer. Simulog, 1995. QNAP2 Reference Manual.