Modélisation et Planification adaptative par apprentissage profond actif des blocs opératoires dans les systèmes hospitaliers. // Modeling and adaptive planning of operating rooms in hospital systems using active deep learning

Les systèmes hospitaliers nécessitent, de plus en plus, d'être assistés par des outils informatisés d'aide à la décision. Ces outils d'aide à la décision vont s'appuyer aussi bien sur des approches et des modèles formels que sur les technologies innovantes. Ceci aidera le système hospitalier à assurer aux patients un service de qualité, agile, au moindre coût et dans le respect des limites de ressources humaines et matérielles.
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de l'intervention humaine et en particulier des événements aléatoires perturbateurs. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années [1, 2, 3, 4], la plupart de ces travaux sont basés sur des modèles stochastiques.
Des approches hybrides combinant optimisation mathématique et apprentissage automatique ont été proposées pour améliorer la robustesse et la performance des solutions [5, 6].
L'intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d'applications. Dans ce contexte, des modèles de planification peuvent s'appuyer sur les approches de l'apprentissage automatique. En effet, ces techniques permettent de développer des modèles d'ordonnancement prédictif et de l'optimisation des entrepôts de données.
Les avancées récentes incluent l'utilisation de l'apprentissage automatique, notamment des méthodes d'apprentissage profond (deep learning), pour la prédiction des durées opératoires, permettant d'améliorer significativement la précision par rapport aux approches traditionnelles [7, 8].
Par ailleurs, ces modèles sont de plus en plus intégrés dans des approches décisionnelles, notamment dans des schémas predict-then-optimize pour améliorer la planification des blocs opératoires [9]. Enfin, la question de l'explicabilité des modèles d'intelligence artificielle devient centrale dans le domaine médical afin de favoriser leur adoption en pratique clinique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Hospital systems increasingly require support from computerized decision-support tools. These tools rely on both formal approaches and models, as well as innovative technologies. This enables hospital systems to provide patients with high-quality, agile services at lower cost while respecting constraints related to human and material resources.
Task planning in operating rooms, such as patient admissions, is a complex problem due to human involvement and, in particular, disruptive random events. In this field, numerous studies have been conducted in recent years [1, 2, 3, 4], most of which are based on stochastic models.
Hybrid approaches combining mathematical optimization and machine learning have been proposed to improve the robustness and performance of solutions [5, 6].
Artificial intelligence has demonstrated its effectiveness in solving complex systems across various application domains. In this context, planning models can rely on machine learning approaches. These techniques make it possible to develop predictive scheduling models and optimize data warehouses.
Recent advances include the use of machine learning, particularly deep learning methods, for predicting surgical durations, significantly improving accuracy compared to traditional approaches [7, 8].
Furthermore, these models are increasingly integrated into decision-making frameworks, particularly in predict-then-optimize schemes to enhance operating room planning [9]. Finally, the issue of explainability of artificial intelligence models has become central in the medical field in order to promote their adoption in clinical practice.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrats ED : Programme blanc GS-SIS

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

580 Sciences et Technologies de l'Information et de la Communication

De formation Master ou équivalent, le(la) candidat(e) doit posséder des compétences en informatique, avec des connaissances en algorithmes d'apprentissage statistique et en traitement de données. Des bases en modélisation mathématique et en optimisation sont souhaitées. Une sensibilité aux approches hybrides combinant apprentissage automatique et optimisation constituera un atout. Une expérience en programmation (Python, C++ ou équivalent), ainsi qu'une familiarité avec des outils scientifiques et des environnements de calcul, seront appréciées. Un fort intérêt pour la recherche, le travail en équipe et les échanges pluridisciplinaires est attendu. Le(la) candidat(e) devra également faire preuve d'autonomie, de rigueur scientifique et d'une capacité à aborder des problématiques appliquées complexes, notamment dans le domaine des systèmes de santé.
With a Master's degree or equivalent, the candidate must have skills in computer science, with knowledge of statistical learning algorithms and data processing. Basic knowledge of mathematical modeling and optimization is desirable. Familiarity with hybrid approaches combining machine learning and optimization will be an asset. Experience in programming (Python, C++ or equivalent), as well as familiarity with scientific tools and computing environments, will be appreciated. A strong interest in research, teamwork, and interdisciplinary collaboration is expected. The candidate should also demonstrate autonomy, scientific rigor, and the ability to address complex applied problems, particularly in the field of healthcare systems.