Thèse Denis KOALA

Auteur : Denis KOALA
Directrice de thèse : Gülgün ALPAN
Co-directeur de thèse : Zakaria YAHOUNI
Superviseur chez KLS GROUP : Djamal SI-MOHAND
Date : 14 novembre 2023
 

Prévision de la demande par apprentissage automatique pour le dimensionnement et la gestion de stocks des médicaments dans les pharmacies hospitalières

Résumé

Afin d’améliorer la prise en charge des patients et réduire les coûts logistiques hospitaliers, le dimensionnement et la gestion des stocks de produits pharmaceutiques se posent aujourd'hui encore comme des défis majeurs pour les établissements de santé. Les surstockages, les pénuries et la mobilisation de ressources sont des défis de la gestion des stocks au quotidien. Le dimensionnement de stock, quant à lui, concerne plus particulièrement l’implantation d'un nouvel entrepôt de pharmacie hospitalière ou la création d'une unité médicale. Ce dernier est complexe par manque de données historiques pour prédire la consommation des produits pharmaceutiques ; une étape cruciale pour le bon dimensionnement des stocks. En pratique, la difficulté de prévoir la demande conduit les gestionnaires à corriger les niveaux de stocks par essaies-et-erreurs, entrainant plusieurs mois d'actions correctives, et une mauvaise gestion de stocks. Dans ce contexte, l'importance de l'estimation de la consommation des produits pharmaceutiques résonne profondément à la fois pour la gestion mais, aussi le dimensionnement de stocks pour le bon fonctionnement des établissements de santé. Ces défis sont exacerbés par le manque de données fiables et les complexités inhérentes à la prévision de la demande, notamment les fortes volatilités de demande, les interventions médicales imprévisibles, le risque d’expiration, la diversité des produits, etc. Face à cette réalité, la mise en place d'outils d'aide à la décision pour la planification et la prévision des besoins en produits de santé se révèle d'une importance critique.

L'objectif de cette thèse est de proposer des méthodes et des outils de prévision de la demande de produits pharmaceutiques pour les hôpitaux dépourvus d'historique de consommation. L'idée fondamentale réside dans l'utilisation de données provenant d’autres hôpitaux pour prédire les besoins d'un nouvel établissement de santé qui ne dispose pas de données historiques. Pour cela, on cherche à caractériser les hôpitaux par les facteurs qui influent sur les tendances de consommation, tels que le nombre de lits, le nombre de séjours d’hospitalisation, lieu de l’hôpital, etc. Ceci permet de faire de rapprochement entre les hôpitaux pour se servir des données historiques de consommation existantes. Les méthodes de prévision s'appuient sur des techniques d'apprentissage automatique et sont validées grâce à des données réelles provenant de plusieurs hôpitaux en France.

 Pour mener à bien cette thèse, tout d’abord une analyse des facteurs qui influent sur la consommation de produits pharmaceutiques dans le contexte français est réalisée. Cette analyse englobe une revue bibliographique, une étude de terrain et une analyse statistique des corrélations entre ces facteurs. Par la suite, une étude comparative entre les méthodes de prévision quantitatives classiques et celles basées sur l'apprentissage automatique est entreprise, en tenant compte des facteurs de consommation. Dans la continuité de ces travaux, une exploration de l’approche causale de la prévision de la demande est menée pour atteindre notre objectif principal. Les résultats numériques montrent que les outils d’apprentissage automatique sont les meilleurs et atteignent plus de 90 % de précision en termes de prédiction. Aussi, certains algorithmes se montrent efficaces pour la prédiction de consommation de certains produits pharmaceutiques dans de nouvelles structures. L'ensemble de ces contributions permet de formuler des recommandations précieuses pour les décideurs du secteur hospitalier, en lien avec la problématique traitée.