Aide à la décision en soins de santé par simulation hybride – Unités d’AVC mobiles

PROBLÈME:

Afin de mesurer l’impact médical et économique des nouvelles technologies de soins de santé, celles-ci doivent être évaluées avant de démarrer la phase de conception et de développement. Dans ce but, un système d’aide à la décision par simulation hybride a été utilisé pour traiter le projet d’Unités d’AVC mobiles (MSU).

Les AVC causent de graves invalidités, génèrent des coûts élevés en soins et en rééducation, et leur fréquence augmente dans une population de plus en plus âgée. Les thromboses en sont la source prédominante et, dans la mesure du possible, celles-ci doivent être traitées par thrombolyse (sauf en cas de thrombose hémorragique, et en veillant à attendre 4,5 heures après l’attaque). Actuellement, le processus de transport et l’administration interne des hôpitaux font perdre un temps précieux au patient.

Les MSU ont été envisagées comme une solution potentielle. Les MSU pratiquent des diagnostics et des étapes thérapeutiques sur le lieu même de l’attaque, l’objectif étant de réduire le délai entre l’alarme et la décision de thérapie afin de prévenir les invalidités graves et des coûts élevés.

OBJECTIF:

La démarche consiste à évaluer l’impact médical et économique des MSU par rapport à la situation actuelle et à optimiser la répartition géographique. Les principaux indicateurs chiffrés sont l’impact sur le délai alarme – décision de thérapie, les coûts et d’autres paramètres de résultats pertinents. La modélisation établit une comparaison entre une région métropolitaine (Berlin) et une région rurale en Allemagne comprenant peu d’hôpitaux, avec des structures de soins différentes.

Figure 1: Copie d’écran de l’animation du scénario MSU

MISE EN OEUVRE DANS ANYLOGIC:

Le projet a été réalisé avec AnyLogic. Cette suite logicielle est conçue pour développer des modèles prenant en compte tous les paradigmes de simulation nécessaires et elle autorise le développeur à ajouter son propre code Java, afin de modéliser des solutions uniques et sur mesure. AnyLogic permet de créer des animations pour enrichir la communication avec les experts du domaine à l’aide d’illustrations.

La Figure 1 montre un écran de l’animation du scénario MSU. Les MSU sont stationnées en des lieux prédéterminés et elles peuvent être dépêchées lorsqu’un cas d’AVC se déclare. Si aucun véhicule n’est disponible, un service de secours sera habituellement envoyé pour conduire le patient à l’hôpital le plus proche. Le modèle peut inclure des décisions incorrectes et des missions MSU inutiles (ce qui arrive dans la réalité), ainsi que le montant des coûts correspondant aux diverses actions et interventions. Les patients victimes d’AVC sont suivis pendant 10 ans après l’attaque afin de mener des analyses de coût à long terme.

Les exécutions de simulations chargent des tableaux Excel comportant des paramètres variables pour différentes années. Afin d’évaluer plusieurs scénarios d’aide à la décision concernant des soins de santé, une bibliothèque a été développée. Il est possible de brancher différents modules (p ex. la démographie, un injecteur d’erreurs) afin d’ajouter certaines caractéristiques à un scénario dédié. Un outil de positionnement permet de définir les emplacements de base des MSU et des hôpitaux sur une carte en cliquant sur la zone avant de lancer un scénario. Dans les documents sélectionnés ci-dessous, vous trouverez davantage d’éléments de modélisation et des fonctions d’implémentation.

APPROCHE DE LA MODELISATION:

Afin de mener à bien une simulation, dans le domaine particulier de l’aide décisionnelle concernant les soins de santé, les approches conjointes de macro-simulation et de micro-simulation sont nécessaires pour améliorer la précision du modèle. Il est donc tout indiqué de tirer profit des paradigmes de simulations multi-méthodes et hybrides. La dynamique du système permet de modéliser d’un point de vue plus global, tandis que les techniques basées sur des agents et utilisant des événements discrets conviennent parfaitement pour les modélisations détaillées aux niveaux individuels. Les patients sont représentés par des agents, et les flux médicaux sont intégrés dans des modèles dynamiques qui représentent des aspects tels que la démographie, l’économie et l’épidémiologie. L’impact des technologies médicales est représenté par des paramètres quantitatifs.

Figure 2: Exemples de modèles basés sur des agents, sur des événements discrets et des dynamiques systèmes

RÉSULTATS:

Cette étude de cas a montré, entre autres, que les MSU n’amènent pas automatiquement plus de patients nécessitant une thrombolyse. Cependant, ceux qui sont traités par thrombolyse reçoivent des soins plus tôt, ce qui diminue la probabilité d’invalidités majeures. Ceci constitue un bénéfice médical très net. Les analyses montrent également qu’une distribution plus large (p. ex. une distribution uniforme) des MSU sur une carte produit de meilleurs résultats, à l’inverse d’une concentration sur un nombre de lieux réduit (p. ex. une station, un hôpital). De plus, la simulation a montré que, dans les régions rurales d’Allemagne comportant peu d’hôpitaux, ces véhicules ne sont pas rentables, car le nombre d’affections par an est plus faible, et la plupart des gens vivent près d’un centre urbain possédant un hôpital capable de traiter les AVC. L’étude de cas ci-dessus pourrait générer des résultats différents dans les pays possédant moins d’hôpitaux spécialisés.

Conclusions:

AnyLogic permet de développer des modèles détaillés pour servir d’aide à la décision dans le domaine des soins de santé. Le modèle de simulation des MSU configurable a permis aux modélisateurs de répondre à des questions importantes concernant l’impact économique médical et sanitaire. Les agences réglementaires, les entreprises, les chercheurs et d’autre décideurs peuvent utiliser les résultats afin d’optimiser un déploiement des MSU dans d’autres pays et pour améliorer le diagnostic et le traitement des AVC dans le futur. Le suivi à long terme des patients victimes d’AVC permet de comparer les coûts économisés avec les coûts supplémentaires des MSU, ce qui fournit un support pour une décision d’investissement. Ce travail a été conduit par Prospective HTA (fondé par le gouvernement allemand), en collaboration avec des médecins, des ingénieurs et des économistes de la santé, provenant aussi bien de l’industrie que de l’université.

La simulation de systèmes complexes à grande échelle (p. ex. dans les soins de santé, l’automobile, l’industrie et l’énergie) constitue un domaine de recherche majeur pour le Groupe Computer Networks and Communication Systems de l’université d’Erlangen-Nuremberg. Veuillez contacter les développeurs du modèle si vous avez de plus amples questions.

PUBLICATIONS SÉLECTIONNÉES:

1. Djanatliev A. and German R. “Prospective Healthcare Decision-Making by Combined System Dynamics, Discrete-Event and Agent-Based Simulation”. Proceedings of the 2013 Winter Simulation Conference, Editors: R. Pasupathy, S.H. Kim, A. Tolk, R. Hill, M. Kuhl. Washington D.C./USA. December 8th – 11th, 2013, p. 270-281.
2. Djanatliev A., Kolominsky-Rabas P., Hofmann B. M., Aisenbrey A., German R. “System Dynamics and Agent-Based Simulation for Prospective Health Technology Assessments”. Simulation and Modeling Methodologies, Technologies and Applications - Advances in Intelligent Systems and Computing. Edited by Obaidat, Mohammad; Filipe, Joaquim; Kacprzyk, Janusz; Pina, Nuno (Eds.). Volume 256, 2014, pp 85-96.
3. Djanatliev A., German R. “Large Scale Healthcare Modeling by Hybrid Simulation Techniques using AnyLogic”. Proceedings of the 6th International ICST Conference on Simulation Tools and Techniques. Cannes/French Riviera. March 5th – 7th, 2013, p. 248-257.