Réalisée sous la direction de Gülgün ALPAN et de Zakaria YAHOUNI au laboratoire GSCOP et la supervision de Djamal SI-MOHAND chez KLS GROUP.
La soutenance aura lieu le
mardi 14 novembre à 14h à Amphithéâtre Barbillon, Grenoble INP, 46 avenue Félix Viallet, 38031 Grenoble Cedex 1
Rapporteurs :
- Mme Latéfa GHOMRI, Professeure, Université Abou Bekr Belkaid de Tlemcen, Algérie
- M. Sébastien THOMASSEY, Professeur des universités, École Nationale Supérieure des Arts et industries Textiles de Roubaix
Examinateurs :
- M. Van-Dat CUNG, Professeur des universités, Institut Polytechnique de Grenoble-UGA
- Mme EVREN SAHIN, Professeure des Universités, Université Paris Saclay
Celles et ceux qui souhaitent participer à distance pourront se connecter sur le lien Zoom ci-dessous :
Lien Zoom :
Lien vers le site
ID de réunion : 951 7956 6610,
Code secret : 979006
Mots-clés : Logistique hospitalière, Prévision de la demande de médicament, Apprentissage automatique, Fouille de données, Dimensionnement et gestion des stocks,
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.
English version :
I am delighted to invite you to my thesis defense entitled:
"Machine learning based demand forecasting for inventory sizing and management of medicines in hospital pharmacies",
conducted under the supervision of
Gülgün ALPAN and Zakaria YAHOUNI at GSCOP laboratory and with the guidance of Djamal SI-MOHAND at KLS GROUP.
The defense will take place on Tuesday, November 14th at 2:00 PM at Amphitheater Barbillon, Grenoble INP, 46 Avenue Félix Viallet, 38031 Grenoble Cedex 1.
Reviewers :
- Ms. Latéfa GHOMRI, Professor, Abou Bekr Belkaid University of Tlemcen, Algeria.
- Mr. Sébastien THOMASSEY, Professor, École Nationale Supérieure des Arts et Industries Textiles de Roubaix.
Examiners :
- Mr. Van-Dat CUNG, Professor, Grenoble Institute of Technology-UGA.
- Ms. EVREN SAHIN, Professor, Université Paris Saclay.
For those who wish to attend remotely, you can join via the Zoom link below:
Zoom: https:
Weblink
Meeting ID : 951 7956 6610,
Password : 979006
Keywords: Hospital logistics, Stock sizing and management, Medicine demand forecasting, Data mining, Machine learning.
Abstract :
To enhance patient care and reduce hospital logistical costs, the sizing and management of pharmaceutical product stocks continue to present significant challenges for healthcare facilities nowadays. Issues like overstocking, shortages, and resource mobilization are daily stock management challenges. Stock sizing, on the other hand, is particularly complex when there is a lack of historical data to predict pharmaceutical product consumption, a crucial step for proper stock sizing. In practice, this leads managers to adjust stock levels through trial and error, resulting in several months of corrective actions and poor stock management.
In this context, the importance of estimating pharmaceutical product consumption resonates deeply, both for management and stock sizing, to ensure the smooth functioning of healthcare establishments. These challenges are exacerbated by the lack of reliable data and the inherent complexities of demand forecasting, including high demand volatility, unpredictable medical interventions, expiration risks, product diversity, and more. Faced with this reality, the implementation of decision-support tools for healthcare product planning and demand forecasting is critically essential.
The objective of this thesis is to propose methods and tools for forecasting the demand for pharmaceutical products for hospitals lacking consumption history. The fundamental idea is to utilize historical consumption data of pharmaceutical products from multiple hospitals to predict and manage the needs of a new healthcare facility that lacks historical data. To achieve this, we aim to characterize hospitals based on factors influencing consumption trends, such as the number of beds, the number of hospital visits, the location of the hospital, and more. This allows for cross-referencing between hospitals to make use of data from existing healthcare structures. Forecasting methods rely on machine learning techniques and are validated using real data from several hospitals in France.
To successfully complete this thesis, we first conduct an analysis of factors influencing pharmaceutical product consumption in the French context. This analysis includes a literature review, field studies, and a statistical analysis of correlations between these factors. Subsequently, a comparative study between traditional quantitative forecasting methods and those based on machine learning is undertaken, taking consumption factors into account. In continuation of this work, a causal approach to demand forecasting is explored to achieve our main objective. Numerical results demonstrate that machine learning tools perform the best and achieve over 90% accuracy in prediction. Additionally, certain algorithms effectively predict the consumption of specific pharmaceutical products in new healthcare facilities. All of the contributions provide valuable recommendations for decision-makers in the hospital sector, related to the addressed issue.
