Soutenance de thèse de Hanae TOUATI
doctorante au Centre Génie Industriel
sur "Approche intégrée combinant intelligence artificielle et expertise métier en vue d’améliorer le
traitement des déclarations des erreurs médicamenteuses à l’hôpital"
vendredi 14 novembre à 9h00
Amphi 0A45 - IMT Mines Albi
Composition du jury
• M. Franck FONTANILI : Centre Génie Industriel IMT Mines Albi - Directeur de thèse
• M. Elyes LAMINE : IRIT - École d'ingénieurs ISIS - Informatique et Systèmes d'Information pour la Santé - Co-directeur de thèse
• Mme Maria DI-MASCOLO : GSCOP - Grenoble INP - Université Grenoble Alpes - Examinatrice
• Mme Lamia BERAH : LISTIC - Université Savoie Mont Blanc - Rapporteure
• M. Thibaud MONTEIRO : DISP - INSA Lyon - Rapporteur
• M. Ouajdi KORBAA : ISITCOM - Université de Sousse - Examinateur
• Mme Rafika THABET : Centre Génie Industriel - Co-encadrante de thèse
Résumé
Cette thèse s’inscrit dans une démarche d’amélioration de la sécurité de la prise en charge médicamenteuse (PECM) à l’hôpital, en abordant la gestion des erreurs médicamenteuses (EM). Ces événements, souvent déclarés par des professionnels de santé sous forme de textes descriptifs libres dans les systèmes de déclaration internes ou externes, demeurent largement sous-exploités en raison de leur nature non structurée et de l’absence des outils d’analyse adaptés. Dans cette thèse, la première étape a consisté à formaliser les connaissances sous la forme d’un modèle de structuration standardisant la déclaration des erreurs médicamenteuses et intégrant les éléments essentiels à leur exploitation automatisée. La deuxième étape de la thèse s’est concentrée sur la caractérisation automatique des déclarations d’EM, en extrayant leurs principales caractéristiques à partir des déclarations textuelles via des techniques de traitement du langage naturel (NLP) et d’apprentissage supervisé. L’objectif visé est de structurer l’information pour permettre une compréhension et une analyse plus fines ainsi qu’une aide à la décision. Pour combler le manque de données accessibles et annotées, la troisième étape de la thèse s’est attachée à proposer une approche de génération de données synthétiques représentant des déclarations des EM (en français). Cette approche s’appuie sur des modèles de langage (LLMs) selon différents scénarios (zéro-shot, one-shot, few-shot). Les données synthétiques ainsi obtenues ont été soumises à une double validation : (1) des experts métiers du domaine, et (2) une intelligence artificielle de classification automatique. Cette validation a confirmé que les données générées étaient pertinentes et fiables. Les données obtenues après les deux étapes précédentes ont permis de proposer une méthode de priorisation des erreurs. Elle s’appuie sur des approches d'aide à la décision multicritère, notamment les méthodes AHP et AHP Fuzzy. L’analyse par paire des critères a été réalisée par les experts métiers ce qui a permis d’obtenir un score propre à chaque déclaration. Cette méthode est destinée à aider les professionnels de santé dans l’identification objective des EM les plus prioritaires à analyser. Ainsi, cette recherche propose une approche intégrée combinant l'intelligence artificielle, la science des données et l'expertise métier, en vue d’améliorer le traitement des déclarations des erreurs médicamenteuses à l’hôpital.
Mots clés
Ingénierie des connaissances, Erreur médicamenteuse, génération des données synthétiques, Gestion des risques, Intelligence Artificielle, Aide à la décision multicritère.
Suivre l'actualité d'IMT Mines Albi
International staff week - Semaine internationale à IMT Mines Albi
Forum Entreprises 2025 – Un carrefour d’opportunités pour connecter les talents de demain avec les entreprises d’aujourd’hui
