LORH : tool for planning patient journey in hospital environment
LORH : outil pour la planification du parcours patient dans le milieu hospitalier
Résumé
In this thesis, we studied a problem of patient care planning, proposed by the Evolucare Technologies company. The company aims to provide a software capable of producing schedules that respect the various constraints and meet the needs of patients and care teams. The LORH project is Evolucare's answer to this issue. We studied the problem and proposed several resolution methods. This NP-hard problem is close to the Resource Constraint Project Scheduling Problem (RCPSP), a well-known problem in the literature. We first formally described the problem and developed the objective function. Our first approach is a 0-1 linear programming model incorporating all variables and constraints of our problem. The initial solutions required for other resolution methods were obtained with a randomized construction algorithm named LORH_RCA. Our second approach LORH_ALNS is a local search based on Adaptive Large Neighborhood Search (ALNS) using a set of moves specifically designed for this problem. We then proposed a genetic algorithm LORH_GA with crossover and mutation operators designed for our problem. The last method named LORH_GADM is also a genetic algorithm with solution diversity management in order to reduce the early convergence to local optimums. We evaluated these approaches on a set of instances generated from problems reported by Evolucare. The linear programming model implemented under CPLEX allowed us to obtain optimal solutions on some instances. We then obtained with LORH_ALNS additional optimal solutions and better upper bounds for all our instance families. These results were successively improved by LORH_GA and LORH_GADM with a gain of 16.42% between LORH_ALNS and LORH_GADM. We also evaluated LORH_ALNS, LORH_GA and LORH_GADM on the RCPSP literature instances and obtained an average difference of 5.4% with the optimal solutions with LORH_GA and LORH_GADM
Dans cette thèse, nous nous sommes intéressés à un problème de planification du parcours de soin du patient, proposé par l'entreprise Evolucare Technologies. L'objectif de l'entreprise est de fournir un logiciel capable de produire des plannings respectant les diverses contraintes et répondant au mieux aux souhaits des patients et des équipes soignantes. Le projet LORH incarne la réponse d'Evolucare à ce problème, que nous avons étudié et pour lequel nous avons proposé plusieurs méthodes de résolution. Ce problème NP-difficile est proche du Resource Constraint Project Scheduling Problem (RCPSP), une problématique reconnue de la littérature. Nous avons en premier lieu décrit formellement la problématique et élaboré la fonction objectif. Notre première approche est un modèle de programmation linéaire en 0-1 intégrant l'ensemble des variables et des contraintes du problème. Les solutions initiales requises pour nos méthodes de résolution ont été obtenues avec un algorithme de construction aléatoire nommé LORH_RCA. Notre seconde approche, LORH_ALNS, est une recherche locale basée sur l'Adaptive Large Neighborhood Search (ALNS) utilisant un ensemble de mouvements développés spécifiquement pour ce problème. Nous avons ensuite proposé un algorithme génétique, LORH_GA, et des opérations de croisement et de mutation adaptés à notre problématique. Enfin, la dernière méthode, nommée LORH_GADM, est également un algorithme génétique, avec une gestion de la diversité des solutions pour limiter le phénomène de convergence précoce vers des optimums locaux. Nous avons évalué ces méthodes sur un ensemble d'instances générées à partir de problèmes rapportés par Evolucare. Le modèle de programmation linéaire, implémenté sous CPLEX, nous a permis d'obtenir la solution optimale sur certaines de nos instances. Nous avons ensuite obtenu avec LORH_ALNS des solutions optimales supplémentaires et de meilleures bornes supérieures sur toutes nos familles d'instances. Ces résultats ont été améliorés successivement par LORH_GA et LORH_GADM avec un gain de 16.42% entre LORH_ALNS et LORH_GADM. Nous avons également évalué LORH_ALNS, LORH_GA et LORH_GADM sur les instances de la littérature RCPSP et obtenu un écart moyen de 5.4% avec les solutions optimales avec nos algorithmes génétiques LORH_GA et LORH_GADM
| Origine | Version validée par le jury (STAR) |
|---|