La gestion des risques liés aux actions et aux conditions des différents éléments qui composent un bloc opératoire est une préoccupation majeure lors d'une intervention chirurgicale. La prédiction d’événement indésirables graves associés aux soins (EIGS), et l’analyse de leur survenue sont des enjeux majeurs. Dans cet objectif, nous proposons une architecture qui couple un système multi-agents (SMA) avec un raisonnement à partir de cas (RàPC). Le SMA capable de produire un grand nombre de situations où les agents interagissent entre eux créent des phénomènes émergents et donc un possible nouvel EIGS. Le couplage du système multi-agents avec un raisonnement à partir de cas, enrichit la base de connaissances du modèle, et répond à notre recherche d’approche de résolution de problèmes par analogie à partir d’expériences passées. Au-delà de la détermination d’EIGS nous avons intégré des outils d’aide à la décision. Les deux premiers Algorithmes (similVar et similVar+) que nous avons conçus et comparés à d’autres méthodes sont orientés sur classification des données. Ils consistent à clusteriser les données dans le but d’établir ensuite des corrélations entre les comportements des agents. Deux autres Algorithmes (liaisAttrib et predictPath) sont quant eux respectivement dédiés à la détermination de corrélations entre des données clusterisées et à la prédictivité de l’évolution du système. Les résultats encourageants montrent l’efficacité de notre approche dans la capacité à produire, à analyser et à prédire la survenue d’EIGS dans un contexte non déterministe où évoluent des entités hétérogènes.