1 / 18

ERPI-INPL Nancy JL Sakanga _ JP Grandhaye _ B Bonan

Evolution des Réseaux Bayésiens pour une contribution à la sûreté de fonctionnement des systèmes de production des organisations de santé. ERPI-INPL Nancy JL Sakanga _ JP Grandhaye _ B Bonan. Conférence GISEH 2-4 Septembre 2010. Plan. Contexte des organisations de santé.

manju
Download Presentation

ERPI-INPL Nancy JL Sakanga _ JP Grandhaye _ B Bonan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Evolution des RéseauxBayésiens pour une contribution à la sûreté de fonctionnement des systèmes de production des organisations de santé. ERPI-INPL Nancy JL Sakanga _ JP Grandhaye _ B Bonan Conférence GISEH 2-4 Septembre 2010

  2. Plan

  3. Contexte des organisations de santé Les processus du circuit de médicamentscomportent des risques au niveau du processusmaisaussi au niveau (juridiques, réglementaires, …) relativement à l’organisation et au patient. C’estpourquoileur identification, leurmaîtrise et leur anticipation sontcapitales. La Haute Autorité de Santé (HAS) propose et incite à utiliser des analyses fonctionnelles et dysfonctionnelles, pour l’analyse de l’activité et la prise en charge des risques. Les méthodesutilisées AMDEC et APR en analyse dysfonctionnelle et la cartographie des processus en étudefonctionnelle. Les limites des méthodescommel’APRontétémises en évidencedans des travaux.(ThèseB.Bonan)‏ Marx and Slonim 2003, étudiaientseslimites, en particulier la difficulté à combiner les évènements et les recherches de causes.

  4. Exemple: Difficultéd’exploitation de sesdonnéesrecueilli par APR Fastidieux (60 pages dans la thèse) peupratique à exploiter

  5. Travail sur la production des chimio Étude d'un processus à risque : la production de préparationd'injectable pour des cures de chimiothérapie

  6. Variables de contrôles Variables principaux Variables de supports Utilisation de RB par les professionnels pour la modélisation de la production de chimiothérapiemanuel à partir de l'APR

  7. Les limites Problème de grandetaille de tableau de probabilitéconditionnelle (TPC) à renseigner; Temps d'exécution longue à cause de la complexité du système. Par exemple, dansceréseau, pour la variable « étiquetage », nous devonsrenseigner 768 probabilités. L'un des points faibles du RB estqu'iln'est pas adéquat pour modéliser les systèmes complexes et de grandetaille (Wuillemin P-H. And Bangso O. 2000), (Weber P., Jouffe L. 2006)‏

  8. SKOOB : Structuring Knowledge with Object Oriented Bayesian nets • Partenaires: • Quatreacteursmajeurs de la MdR/SdF de systèmes techniques et socio-économiquesstratégiques : CHU de Nancy, EDF, INERIS et SOREDAB • Troislaboratoiresacadémiquesspécialistes des RB et de la MdR/SdF : CRAN, ERPI et LIP6 • Un fournisseur de technologie et expertise sur les RB : BAYESIA • ERPIintervientcommepartenaireapplicatif avec les pharmaciens qui préparent la chimiothérapiedans le service de pharmacie de HEGP( HôpitalEuropéen Georges Pompidou ) thèse de B. BONAN à l’ECP(ÉcoleCentrale Paris) et le groupe du réseauOncolor (réseau de santé rassemblant des professionnels de santé impliqués en cancérologiedans la régionlorraine) V. NOIREZ, S. HENN, N. FABIE Contexte du projet SKOOB 10

  9. Les approchesorientéesobjets • « Object Oriented Bayesian Nets » (OOBN) de D. Koller, 1997.L'approcheesttrèsintéressante au niveau des propriétésd'héritage, d'encapsulation, mais avec des relations strictementhierachiqueselleestpeupertinente pour aborder les incertitudesstructurelles. • « Multi-Entity Bayesian Networks » (MEBN) de K. Laskey, 2005.Approcheintéressante au niveau des propriétés incertitude structurelle, également pour les relations n-aires. Maiselleestdélicate à aborder. • « Probabilistic Relational Model » (PRM) de Freidman, 1999.Modèleintéressant au niveau des propriétésd'héritage, d'encapsulationet de l'incertitudestructurelle. Intuitive.

  10. Différentesmodalités d’un variable -> Type; • Exemples : • (a) type typeEtat OK, NOK ; • Ceci est la déclaration d’un type typeEtat qui prend les modalités OK et NOK. • Variable -> classe • (b) class Plateau_En_Attente{ • Decontamination_flacon_DMSdfd; • typeEtat pleat dependsondfd.dfdms{ • [ 1.0,0.0, • 0.0,1.0 ] }; • } • Le réseau -> modèlegénéral • (c) model UCPC{ • //----------------instanciation----------- • Reglementationreglementation; • Assurance_Qualite AQ; • Personnel_Plateaupplateau; • Validation validation; Résultats

  11. Enregistrements informatiques

  12. Fichier Excel pour l’apprentisage

  13. Enregistrements informatiques L’évolution du projet 16

  14. Conclusion et perspective L’utilisation du RB pour la représentation d’un processus de production de chimiothérapieestactuellementconcluante, témoinl’intérêtsuscité chez les professionnels des deux sites impliqués. L’approche PRM apportunevaleurajouée au RB classique, ce qui confortenotrechoix pour son utilisation dans la prise en compte du risquedans le processus de fabrication des chimiothérapies. Le langage de modélisation “Skool” est en pleinévolution Trans posable à d’autreprocessus par exempleprocessus de prise en charge patient

  15. Merci de votre attention.

More Related