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.