Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units

Cet article propose un cadre de planification de la capacité des lits en soins intensifs néonatals fondé sur des données et utilisant un modèle de file d'attente $M_t/G_t/\infty$ à paramètres temporels, démontrant que les règles heuristiques statiques sont inadéquates face à la demande fluctuante et soulignant l'importance de modéliser la variabilité de la durée de séjour pour éviter les dépassements de capacité.

L'essentiel

🏥 Le Dilemme du Lit d'Hôpital : Trop de monde ou trop de vide ?

Imaginez que vous gérez un hôtel très spécial : l'unité de soins intensifs néonatals (NICU). C'est un endroit où les bébés prématurés ou malades sont soignés. Le problème ? Vous ne savez jamais exactement combien de clients (bébés) vont arriver demain, ni combien de temps ils vont rester.

Si vous avez trop de lits, l'hôpital perd de l'argent et le personnel s'ennuie (c'est le gaspillage).
Si vous avez trop peu de lits, les bébés doivent attendre dans les couloirs, ce qui est dangereux et stressant (c'est la crise).

Traditionnellement, les directeurs d'hôpitaux utilisaient une règle simple, un peu comme un vieux manuel de conduite : "Gardez vos lits à 85% de remplissage."
C'est comme dire : "Si votre parking est plein à 85%, c'est bon, il reste un peu de place pour les urgences."

Mais ce papier nous dit : "Attention, cette règle est dangereuse !" 🚨

Pourquoi ? Parce que la vie n'est pas une ligne droite. Parfois, il y a une "tempête" de naissances prématurées en hiver, ou des retards de sortie imprévus. Si vous vous fiez seulement à la moyenne, vous pouvez vous retrouver avec 100% de vos lits occupés (et même plus !) lors des jours de pointe, alors que votre règle vous disait que tout allait bien.

🚀 La Solution : Une "Boussole" Mathématique Dynamique

Les auteurs (des chercheurs du Canada) ont créé un nouveau système pour prévoir les besoins en lits. Au lieu de regarder la moyenne statique, ils utilisent un modèle appelé Mt/Gt/∞.

Pour le rendre simple, imaginons que nous sommes dans un parc d'attractions :

1. L'arrivée des visiteurs (Les Naissances) :
   Au lieu de penser que les visiteurs arrivent régulièrement comme une horloge, les chercheurs regardent les données historiques pour voir les vagues. Ils utilisent une technique appelée "décomposition STL" (un peu comme un filtre audio qui sépare la musique en basse, médium et aiguë). Cela leur permet de voir : "Ah, en janvier, il y a une vague de naissances, et en été, c'est plus calme."

2. Le temps de séjour (La durée du tour) :
   Certains bébés restent 2 jours, d'autres 200 jours. C'est très variable. Les chercheurs ne se contentent pas de la moyenne. Ils étudient la forme de cette durée. Est-ce que les sorties sont groupées ? Est-ce qu'il y a des "gros" séjours qui bloquent les lits ? Ils ajustent leur modèle pour capturer cette variabilité.

3. Le modèle "Infini" (La théorie) :
   Le modèle suppose qu'il y a un nombre infini de lits pour faire les calculs. C'est comme si on disait : "Si nous avions un hôtel infini, combien de lits seraient occupés à chaque instant ?".
   En réalité, nous n'avons pas un hôtel infini. Mais ce calcul nous donne la pression exacte sur le système. Si le modèle dit "120 lits occupés" et que vous n'en avez que 100, vous savez que vous avez un problème de 20 lits.

🎲 Le Jeu des Scénarios : "Et si... ?"

Le plus génial de ce papier, c'est qu'il permet de tester des scénarios, comme dans un jeu vidéo de gestion :

• Scénario A (La règle des 85%) : On garde peu de lits. Résultat : On est très efficace, mais on risque de saturer les couloirs lors des pics.
• Scénario B (La sécurité maximale) : On ajoute beaucoup de lits pour garantir qu'on ne dépasse jamais la capacité, même en cas de tempête. Résultat : On est très en sécurité, mais on a beaucoup de lits vides la plupart du temps.
• Scénario C (Le juste milieu) : On accepte un petit risque (par exemple, 5% de chance d'être plein à craquer) pour avoir un bon équilibre.

Les chercheurs ont appliqué cela à 5 hôpitaux à Calgary. Leurs résultats sont surprenants :

• La règle des 85% sous-estimait les besoins. Certains hôpitaux étaient pleins à 100% plus de 20% du temps !
• En ajoutant quelques lits de plus (pour passer de 14 à 20 lits par exemple), on évite presque totalement les crises, même si le taux d'occupation moyen baisse un peu.

🔮 La Prédiction du Futur

Enfin, ils ne regardent pas seulement le passé. Ils intègrent les prévisions de naissances dans leur modèle.
C'est comme si le directeur de l'hôtel disait : "Je sais qu'il y aura 10% de bébés de plus dans la région d'ici 5 ans, donc je dois construire 2 lits de plus dès maintenant."

💡 Les Leçons à retenir (en langage simple)

1. La moyenne ne suffit pas : Dire "en moyenne, nous avons assez de lits" est dangereux si ces lits sont pleins 2 jours sur 3 et vides le reste du temps. Il faut se préparer aux pics.
2. La variabilité est la clé : Ce qui compte, ce n'est pas seulement la durée moyenne de séjour, mais à quel point cette durée est imprévisible. Plus c'est imprévisible, plus il faut de "tampons" (lits supplémentaires).
3. Le compromis est inévitable : On ne peut pas avoir à la fois un hôpital 100% rempli (très efficace) et 100% sûr (jamais de crise). Il faut choisir son niveau de risque. Ce papier donne les outils pour faire ce choix en toute connaissance de cause.

En résumé : Ce papier remplace les vieux tableaux Excel statiques par une boussole intelligente qui prend en compte les tempêtes, les vagues et les imprévus pour dire aux hôpitaux exactement combien de lits ils doivent avoir pour que les bébés soient toujours soignés, sans gaspiller l'argent des contribuables.

Résumé technique

Voici un résumé technique détaillé de l'article « Data-Driven Bed Capacity Planning Using Mt/Gt/∞Queueing Models with an Application to Neonatal Intensive Care Units », présenté en français.

1. Problématique et Contexte

La planification à long terme des capacités des unités de soins intensifs (USI), en particulier des unités de soins intensifs néonatals (USIN), se heurte à des défis majeurs liés à la demande incertaine et variable dans le temps.

• Limites des approches actuelles : Les méthodes traditionnelles reposent souvent sur des modèles de files d'attente en régime stationnaire (M/M/c) ou sur des règles heuristiques fixes, comme la « règle des 85 % » (maintenir l'occupation moyenne en dessous de 85 %). Ces approches supposent des taux d'arrivée et des durées de séjour (LOS - Length of Stay) constants.
• Réalité dynamique : En pratique, les taux d'admission fluctuent (saisonnalité, dynamiques démographiques) et les LOS varient considérablement selon l'hétérogénéité des patients et les pratiques cliniques.
• Conséquence : Les modèles stationnaires masquent les périodes de congestion et sous-estiment les besoins en lits lors des pics de demande. L'article démontre que même lorsque les objectifs d'utilisation à long terme sont satisfaits, l'occupation quotidienne peut dépasser 100 % de la capacité, entraînant des surcharges critiques.

L'objectif est de développer un cadre de planification basé sur les données pour estimer l'occupation des lits en tenant compte de la non-stationnarité de la demande et de la variabilité des durées de séjour, en se concentrant sur un réseau d'USIN à Calgary (Canada).

2. Méthodologie

Les auteurs proposent un cadre intégré combinant décomposition statistique, modélisation paramétrique et théorie des files d'attente non stationnaire.

A. Modèle de File d'Attente : Mt/Gt/∞

Le cœur de l'approche est le modèle de file d'attente Mt/Gt/∞ (file d'attente à serveurs infinis avec taux d'arrivée et distribution de service dépendant du temps).

• Hypothèse des serveurs infinis : Adaptée aux USIN car l'admission est prioritaire (pas de file d'attente pour les lits, mais une surcharge se traduit par un débordement de ressources).
• Formulation : L'occupation attendue $\rho_t$ à la journée $t$ est calculée par la convolution des admissions passées avec les probabilités de survie du LOS :
  $$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u \mid \tau = t-u)$$
  Où $\lambda_t$ est le taux d'arrivée à l'instant $t$ et $P(S > u)$ est la probabilité qu'un patient admis $u$ jours auparavant soit toujours présent.

B. Estimation des Entrées (Arrivées et LOS)

Pour capturer la variabilité temporelle, les auteurs utilisent une approche en deux étapes :

1. Décomposition STL (Seasonal-Trend decomposition using Loess) : Appliquée aux séries temporelles quotidiennes des admissions et des LOS moyens. Cela permet d'extraire une tendance lisse, une composante saisonnière et un bruit résiduel, offrant des estimations de taux d'arrivée $\lambda_t$ et de moyenne de LOS $\mu_t$ variant au jour le jour.
2. Modélisation Paramétrique du LOS : Les auteurs ajustent plusieurs distributions (Weibull, Log-normale, Gamma, Fisk, Exponentielle) aux données historiques.
   • Une observation clé est que le paramètre de forme ($\kappa$) de ces distributions reste stable dans le temps.
   • Seuls les paramètres d'échelle sont réajustés dynamiquement pour correspondre aux moments (moyenne et variance) estimés par la décomposition STL.
   • Cela permet de construire des probabilités de survie conditionnelles précises et temporelles.

C. Stratégies de Planification de Capacité

Deux stratégies sont comparées pour déterminer le nombre de lits requis ($B$) :

1. Estimation basée sur la moyenne ($B_{average}$) : Utilise les taux moyens historiques et ajoute une marge de sécurité basée sur la racine carrée de la moyenne (règle du type square-root staffing).
2. Contrainte de débordement probabiliste ($B_\alpha$) : Formule un problème d'optimisation visant à minimiser $B$ sous la contrainte que la probabilité d'excéder une capacité cible (ou un seuil d'utilisation $\gamma$) ne dépasse pas un risque $\alpha$ (ex: 1 % ou 5 %).
   $$\min B \quad \text{s.t.} \quad P(L_t > \gamma B) \leq \alpha$$
   La probabilité est calculée en utilisant l'approximation de la queue de la distribution de Poisson, valable sous l'hypothèse du modèle Mt/Gt/∞.

D. Projection Future

Un module de projection piloté par les naissances intègre les prévisions démographiques régionales avec les schémas historiques d'admission et de LOS pour estimer les besoins futurs (horizon 2024-2030).

3. Résultats Clés

L'étude de cas porte sur 5 sites d'USIN à Calgary avec des données de 2016 à 2023.

• Inadéquation des règles statiques : La règle des 85 % et les estimations basées sur la moyenne sous-estiment sévèrement les besoins. Par exemple, pour le Site 3, l'utilisation basée sur la moyenne suggérait 14 lits, mais l'occupation a dépassé 100 % de cette capacité plus de 23 % des jours.
• Avantage des seuils probabilistes :
  • Les stratégies contraintes par le débordement ($B_{0.05}$ et $B_{0.01}$) recommandent un nombre de lits significativement plus élevé (ex: 20 à 31 lits pour le Site 1 contre 20 pour la moyenne).
  • Cela réduit drastiquement le risque de surcharge (ex: moins de 1 % de jours au-delà de la capacité) mais entraîne une baisse de l'utilisation moyenne (passant de ~85 % à ~56-64 %).
• Impact de la variance du LOS : Une découverte contre-intuitive montre que, dans un contexte de serveurs infinis avec une moyenne de LOS fixe, une augmentation de la variance du LOS réduit le nombre de lits nécessaires pour un risque de débordement donné. Une variance plus élevée disperse les départs et réduit les chevauchements synchronisés des patients, tandis qu'une faible variance concentre les départs et augmente les pics d'occupation.
• Hétérogénéité des sites : Les besoins varient considérablement d'un site à l'autre. Les transferts de patients entre sites masquent souvent les déséquilibres structurels de la demande. En ajustant les données pour attribuer les transferts au site d'origine, les auteurs montrent qu'un site nécessiterait une capacité bien supérieure à celle actuellement allouée.

4. Contributions Principales

1. Cadre de modélisation non stationnaire : Intégration réussie de la décomposition STL et de la modélisation paramétrique dynamique dans un modèle de file d'attente Mt/Gt/∞ pour la planification hospitalière.
2. Gestion explicite de l'incertitude : Passage d'une planification basée sur la moyenne à une approche basée sur le risque, permettant de quantifier explicitement la probabilité de débordement.
3. Analyse de la variabilité du LOS : Démonstration que la dispersion (variance) de la durée de séjour est un facteur critique, parfois plus important que la moyenne, pour la formation des pics d'occupation.
4. Outil de projection démographique : Développement d'un module de projection à long terme reliant les prévisions de naissances aux besoins en lits, en préservant la variabilité intra-annuelle historique.

5. Signification et Implications

Ce travail offre une alternative robuste aux règles empiriques (comme les 85 %) pour la gestion des ressources critiques.

• Prise de décision éclairée : Il permet aux gestionnaires de visualiser le compromis (trade-off) entre l'efficacité opérationnelle (utilisation élevée) et la résilience (protection contre les surcharges).
• Planification régionale : L'approche met en lumière l'importance de considérer les réseaux de soins dans leur ensemble plutôt que site par site, surtout lorsque les transferts sont utilisés comme mécanisme de régulation.
• Adaptabilité : Le cadre est généralisable à d'autres types d'USI et de services hospitaliers, offrant une base transparente et interprétable pour l'allocation des ressources face à une demande croissante et fluctuante.

En conclusion, l'article démontre que la planification de capacité en soins intensifs doit abandonner les hypothèses stationnaires pour adopter des modèles dynamiques qui intègrent la variabilité temporelle des admissions et des durées de séjour, afin d'éviter les sous-estimations dangereuses des besoins en lits.