Académique Documents
Professionnel Documents
Culture Documents
« On ne finit jamais d’étudier » nos sœurs et moi connaissions ces paroles, car tu ne te lassais
de nous les dire.
Que le tout puissant te garde longtemps pour savourer les fruits de ton labeur.
Une mère n’est pas seulement celle qui donne la vie, mais aussi celle qui oriente dans la vie.
Nous sommes aujourd’hui fortes, déterminées et ambitieuses grâce à toi. MERCI pour tout cet
Amour pour nous.
A notre époux Mr Biassi, c’est pour nous une occasion pour t’exprimer notre amour. Tu as
été un soutien sans faille. Tes conseils nous ont permis de nous remettre au travail quand nous
étions découragés par les difficultés.
Sache qu’un nouveau vent soufflera bientôt pour nous. Sois prêt pour les batailles futures.
Puisse DIEU nous guider sur le droit chemin.
A nos enfants , nous voudrions saisir cette opportunité pour vous témoigner notre amour.
Ce travail doit être pour vous un exemple de détermination. Sachez que rien de durable ne
s’acquière dans la facilité. Puisse DIEU vous aider à grandir en âge en sagesse et en
intelligence.
Nous vous remercions pour vos prières qui nous ont accompagnées tout au long de notre
formation. Puisse DIEU dans sa bonté vous le rendre au centuple
REMERCIEMENTS
Au terme de notre formation, nous tenons à adresser nos remerciements :
A Mr Tra Bi, Infiniment merci pour votre disponibilité et pour tout l’énergie
dépensée pour mon soutien.
REMERCIEMENT II
SOMMAIRE 3
INTRODUCTION 10
CONCLUSION 73
RECOMMANDATIONS 74
RÉFÉRENCES 76
LISTE DES SIGLES ET
ABREVIATIONS
ACP : Analyse en Composante Principale
DL : Deep Learning
ECG: Electrocardiogramme
IA : Intelligence Artificielle
2
km : Kilomètre carré
INTRODUCTION
L’intelligence artificielle qui désigne la faculté des algorithmes codés dans une
technologie d’apprendre à partir de données pour effectuer des tâches automatisées sans
qu’une intervention humaine ne soit nécessaire pour programmer chaque étape du processus.
(OMS, 2021) ; fait l’objet d’une médiatisation et d’une attention sans précédent et suscite
depuis quelques années, beaucoup de promesses, mais aussi des craintes. (Barcellini Flore,
2022)
Ce fort regain d’intérêt pour l’IA est notamment lié à d’importantes avancées
technologiques qui ont permis d’accroître de façon considérable les performances des
ordinateurs dans de nombreux domaines.
En effet, ces avancées ont ouvert de vastes perspectifs d’introduction de l’IA sous
différentes formes (applications, robots, chatbots, etc.) dans les situations de travail,
notamment dans la pratique des soins. L’IA est ainsi sur le point de prendre une place de plus
en plus importante dans l’organisation et l’amélioration des performances des services de
santé en général et précisément des services de maternité, où l’ensemble des interventions
prodiguées permettent de dépister certains risques majeurs pour lesquels les actions sont
possibles, de prévenir ou dépister et de prendre en charge certaines affections susceptibles de
menacer la santé de la mère et de l’enfant, et de conseiller, soutenir et informer les femmes
enceintes et leur famille. (Barcellini Flore, 2022 ; Chalmers B et al., 2018)
Aussi, face à ces progrès informatiques, la santé est entrée dans l’ère de la médecine
augmentée. Car le développement de l’intelligence artificielle et l’exploitation des données
massives (ou big data) génèrent de nos jours, beaucoup d’espoirs pour l’amélioration de la
qualité des soins : amélioration du diagnostic, du suivi des patients et de la prévention, mise
au point de nouvelles thérapies ou techniques, comme la chirurgie assistée par ordinateur en
cas de césarienne.
Dans la mesure où, quarante ans plus tard, les rapports sanitaires nous informent que les
taux d’interventions obstétricales ne cessent de croître, notamment celui de la césarienne
(INESSS, 2012, OMS, 2016).
Au nombre de ces décès, seulement 1 à 10 ont lieu dans les pays industrialisés et
développés du fait de l’utilisation de plus en plus croissante de l’intelligence artificielle dans
les pratiques de soins prénataux et de néonatalogies. La grande majorité des décès maternelles
se produisent dans les régions les plus pauvres du monde, notamment en Afrique
subsaharienne, faute de vulgarisation des avancées technologiques comme l’intelligence
artificielle dans le domaine de la médecine. (Mamadou Traoré et al., 2014)
Ainsi, dans ces pays, les femmes les plus exposées aux risques de mortalité maternelle
sont les plus pauvres, celles qui résident loin des services de santé et les moins instruites.
De plus, ce qui est tragique, c'est que ces femmes issues de cette tranche de population
venant de cette partie du monde, meurent non pas de maladie mais alors qu'elles sont en train
de donner la vie. La majorité de ces décès pourraient être évités moyennant une action
préventive et des soins appropriés. En dehors de ces femmes qui meurent, beaucoup d'autres
présentent des pathologies dont elles gardent des séquelles à vie. (GOITA N, 2006)
À l'instar d'autres pays en voie de développement, la Côte d’Ivoire s'est engagée dans
cet élan de recherche de solutions aux problèmes des complications liés à la grossesse et de la
mortalité maternelle. C'est dans ce cadre qu'un plan d'accélération de la réduction de la
mortalité maternelle et néonatale a été mis en place.
A titre d’exemple nous avons, la mise en place de l’application GiftedMom qui vise à réduire
la mortalité maternelle et infantile en informant mieux les femmes au travers d’un chatbot. A
partir de cette application, les femmes qui possèdent un smartphone peuvent se connecter via
Facebook Messenger et converser directement, sans qu’elles en aient forcément conscience,
avec une machine. (Laure belot, 2018)
En outre, nous avons une autre application « DeepEcho », les sages-femmes après l’étape de
l’interrogatoire, sont informées des différents examens paramédicaux prescriptibles selon la
gravité.
Partant de ces observations, la question de recherche qui mérite d’être soulevée est la
suivante :
Dans quelle mesure l'intelligence artificielle peut-elle rendre performant nos services de
maternités ?
● Quels sont les tâches et les critères de risque manifestés par les patientes que l’on
● Comment le personnel médical doit-il utiliser de façon efficiente l’IA dans un service
de maternité ?
Dans le cadre de notre travail, nous allons étudier l’impact de l’IA dans la performance des
services de maternités, afin de :
Objectif général
Montrer l’apport de l’IA à l’amélioration de la qualité des prestations dans les services de
maternité. Cette étude vise à réduire considérablement le taux de décès materno-infantile par
l'implantation de l'intelligence artificielle au sein des services de maternité.
personnel de santé
⮚ Recenser les difficultés rencontrées par le personnel soignant et faire des propositions
CADRE THEORIQUE ET
METHODOLOGIQUE DE L’ETUDE
CHAPITRE I : CADRE THEORIQUE DE L’ETUDE
I. JUSTIFICATION DU CHOIX DU SUJET
Pendant mon stage, la plupart des parturientes, soit environ 38%, avaient présenté des
complications dont 1 /30 aboutissait au décès. Les parents, les proches ainsi que les
parturientes étaient souvent désorientés, abattus et confus. Le personnel du service de
maternité qui est amené à s’occuper des patientes depuis la CPN jusqu’à l’accouchement était
très souvent occupé à mener des fonctions très différentes et importantes, mais
complémentaires en effectif restreint. Cette situation faisait que les membres du personnel
n’avaient pas la capacité d’assimiler et emmagasiner les situations se présentant à eux, ce avec
les notions et les pratiques médicales recommandées.
de mortalité ?
Au regard de ce qui précède, surviennent des interrogations qui sont autant de facteurs qui
s’ils sont mieux maitrisés, favoriseront un vécu d’hospitalisation de qualité : un service
performant. Ces facteurs sont souvent associés à de l’anxiété, à un bien être altéré ainsi qu’à
un déficit en soins personnels et un sentiment d’impuissance face à un changement de l’état
de santé de la patiente. Tout ceci méritant une attention particulière, nous incite à
personnellement explorer une telle étude.
I-2 Pertinence d’ordre social
A l’heure actuelle, dans les pays à revenus élevés et à revenus intermédiaires, presque
toutes les femmes enceintes utilisent les consultations prénatales sauf dans des groupes
marginalisés tels que les migrants, les minorités ethniques, les adolescentes célibataires, les
personnes très pauvres et les communautés rurales isolées (OMS, 2004).
La violence dirigée contre les femmes ou l’exposition à des risques sur le lieu de travail
ne sont pas toujours considérées par les femmes enceintes comme des problèmes que les
agents de santé peuvent aider à résoudre, alors même qu’il s’agit aussi de problèmes de santé
publique importants mais sous-estimés.
On note également, le manque de soins prénatals appropriés et de qualité dans les pays en
développement représente un problème majeur. En effet, dans ces pays, une proportion
significative de femmes ne se présente pas aux visites prénatales et les femmes enceintes qui
cherchent à rejoindre une consultation prénatale de routine ne le font que lorsque la grossesse
est déjà assez avancée et/ou en de très rares occasions. Si l’on se base sur ce qui est
habituellement enseigné, toutes les femmes enceintes, indépendamment de leur risque,
reçoivent comme consigne d'assister régulièrement (aux intervalles indiqués) à des visites
prénatales. Le grand nombre de femmes qui doit être vu dans un temps limité est
habituellement accablant pour le personnel sanitaire disponible. Cela signifie moins
d’attention à chacune et des soins non personnalisés.
Dans de telles situations, il est hautement probable que des problèmes surviennent.
Selon l’OMS, les principales causes de mortalité maternelles en Côte d’Ivoire sont :
- Les dystocies ;
-De monter aux intervenants comment l’usage des outils technologiques garantit une réussite
des interventions, donc la qualité de la prestation : médecine performante
- D’intégrer les bonnes pratiques de techniques lors des interventions au service de maternité
Chose que les premiers éléments développés lors de cette étude permettraient de réduire et
que la continuité des autres études dans ce domaine pourra s’en inspirer pour réduire
considérablement les décès maternels.
II. REVUE DE LITTÉRATURE ET ASPECT CONCEPTUEL
L’intelligence artificielle (IA) consiste à confier à des ordinateurs des tâches qui miment
l’intelligence humaine. Ce terme est utilisé pour désigner les systèmes capables de reproduire
des capacités cognitives humaines, telles que la compréhension du langage, la résolution de
problèmes ou la capacité à apprendre. Les applications de l'IA sont nombreuses et touchent
aussi bien les domaines de la santé, de l'éducation ou de l'industrie, que ceux de la finance, de
la défense ou de la sécurité.
Il existe deux types d’IA : l’IA dite « faible » : qui se focalise sur une tâche spécifique
et déterminée, elle reste sous le contrôle humain et l’IA dite « forte » : qui développe son
propre projet de façon autonome. L’IA faible est aujourd’hui la plus utilisée car très avancée
dans son développement.
L’IA fait rapidement partie intégrante des soins de santé modernes. Les algorithmes
d'IA et d'autres applications optimisées par l'IA sont désormais utilisés pour aider les
professionnels de la santé. Les usages les plus courants sont par exemple, dans le domaine de
l’imagerie où l’IA aide à détecter des lésions ou d'autres éléments qu'un clinicien humain ne
pourrait pas déceler à l’œil nu (Gulshan et al, 2016) (Esteva et al, 2017) ; elle assiste
également les chirurgiens dans le cadre d’opérations complexes ; elle aide le médecin à
prendre une décision sur le choix des traitements, des médicaments, des orientations pour une
prise en charge optimale (Hamet, 2017).
Il existe plusieurs types d’IA faible utilisés dans le domaine de la santé. Dans ce
rapport nous nous attarderons sur le machin learning (apprentissage automatique) qui
comprend le deep learning (apprentissage profond) et le réseau de neurones artificiels puisque
nous évaluerons un outil d’aide à la décision comprenant un algorithme d’IA. Cette technique
d’apprentissage automatique permet de modéliser des données : l’humain catégorise
manuellement des données qui vont servir à la machine pour démarrer la phase
d’apprentissage. Ensuite, ce sera la machine qui trouvera seule les informations précises pour
modéliser les algorithmes de classification des données étiquetées en passant dans les
différentes couches du système de réseau neuronal artificiel (qui copie le cerveau humain).
Le deep learning simule le cerveau humain en activant les couches neuronales qui
interagissent pour fournir un apprentissage progressif à partir de grands volumes de données.
En santé, se sont notamment des systèmes experts basés sur des règles « si » ... « alors » qui
sont utilisés avec en bout de chaîne un médecin qui prend la responsabilité de la décision
finale. Certains systèmes d’aide à la décision médicale (SADM) sont aujourd’hui largement
utilisés pour apporter des diagnostics plus précis. C’est le cas dans certaines pathologies
comme les maladies cardiaques (Ali et al, 2021), le diabète (Aamir et al, 2021), dans le
cancer de la prostate (Lee et al, 2020) et d’autres encore.
Cependant, l’IA basée sur le deep learning repose sur des algorithmes (règles de
calculs) eux-mêmes réalisés à partir de la « data ». Les promesses de l’IA sont donc
étroitement liées à la pertinence et la disponibilité des données. Le manque d’interopérabilité
entre les différents logiciels métiers (dossiers électroniques médicaux, dossier social etc...)
entrave le recueil exhaustif de la donnée et la réglementation de la donnée de santé alourdit le
partage de celles-ci. De plus, la plupart des données médicales n’ont pas été recueillies dans
l’objectif que se fixe le concepteur du logiciel. Les bases de données ne sont pas « propres »
ce qui pose des problèmes dans leur exploitation. L’enjeu est de disposer d’un volume de
données fiables pour l’utilisation de l’IA et d’outils permettant d’agréger les données issues
d’autres logiciels pour obtenir une visibilité la plus exhaustive sur la santé du patient dans son
écosystème (santé, environnement, mode de vie).
Les données de santé reproductives sont définies comme les « Données à Caractère
Personnel (DCP) relatives à la santé physique ou mentale d’une personne physique, y compris
la prestation de services de soins de santé, qui révèlent des informations sur l’état de santé de
cette personne. Ces DCP incluent toute information concernant, par exemple, une maladie,
une norme en matière de CPN et d’accouchement, les habitudes sexuelles des femmes, l’état
de conscience, un handicap, un risque de maladie, les antécédents médicaux, un traitement
clinique ou l’état physiologique ou biomédical de la personne concernée, indépendamment de
sa source » (CNIL, 2019).
Grâce à l’IA qui est capable d’analyser de façon transversale, d’interpréter, de faire
correspondre entre elles de nombreuses données, la santé en général est dans un nouveau
cycle d’innovation (CNIL, 2020).
Un diagnostic rapide et/ou précoce est un facteur majeur de réussite de prise en charge
des patients. L’un des cas d’utilisation le plus largement référencé d’IA dans ce domaine
concerne l’aide au diagnostic d’imagerie médicale. L’IA et en particulier le DL donnent en
effet des résultats très probants dans la segmentation et la classification rapides des images de
scanner (Rouger, 2020)
A l’heure actuelle, l’amélioration des parcours de soins est limitée car l’essentiel des
données médicales est constitué de textes libres (compte-rendus hospitaliers, opératoires,
courriers, observations médicales, etc.), rendant presque impossible leur analyse à grande
échelle.
Les objectifs de ce projet étaient de générer un jeu de données pertinentes, de repérer les
facteurs de mauvais pronostic pour permettre d’établir des recommandations de prévention et
de prise en charge personnalisée. Cette IA utilisera du DL et du traitement de langage naturel
pour analyser les informations cliniques contenues sous forme textuelle dans les dossiers
médicaux des patientes. (CHU Toulouse et Collective Thinking, 2020).
Le parcours de la patiente est simplifié, les coûts optimisés, la prise en charge améliorée.
L’algorithme d’IA de type DL Pro Telehealth Plan (Eko, Etats-Unis) permet de détecter, chez
les femmes âgées, les anomalies cardiaques, respiratoires et notamment les fibrillations
atriales intermittentes sur ECG grâce à l’utilisation à distance d’un stéthoscope connecté. Son
but : alerter le médecin, et la sage-femme afin de diagnostiquer précocement les accidents
vasculaires cérébraux, et respiratoires chez un individu de cette population à risque.
Aussi prometteuse que soit la télésanté, il y aura toujours des procédures médicales qui
nécessiteront des visites en personne. Medical Informatics Corporation (Etats-Unis) utilise des
algorithmes de DL pour surveiller individuellement le bien-être des patientes dans les lits
d'hôpitaux en traitant les données des moniteurs de chevet, des ventilateurs, du dossier
médical électronique (DME) d'une patiente. Cet outil complémentaire offre la possibilité
d'améliorer considérablement les taux de survie des patientes en soins intensifs ou en post
partum (Hitchcock, 2020).
Définir le concept de qualité des soins n'est réalisable que lorsque l'on a admis qu'il
s'agit d'une notion difficile à déterminer, variable à la fois dans le temps et dans l'esprit des
personnes par qui elle est analysée. Comment, en effet, définir la qualité d'une profession au
contenu varié, si peu observable et mesurable, contenant tant de "petites choses" ? Différentes
définitions permettent tout de même, de mettre en évidence les composantes essentielles de la
qualité des soins.
= L'efficacité médicale.
= La conformité aux normes scientifiques admises par les plus hautes autorités en la matière.
= L'efficience économique permet, à qualité égale, une utilisation optimale des ressources
disponibles. (DONABEDIAN A, 1980)
Selon l’OMS, la qualité des soins de santé consiste à « délivrer à chaque patient l’assortiment
d’actes diagnostiques et thérapeutiques qui lui assurera le meilleur résultat en termes de santé,
conformément à l’état actuel de la science médicale, au meilleur coût pour un même résultat,
au moindre risque iatrogène et pour sa plus grande satisfaction en termes de procédures, de
résultats et de contacts humains à l’intérieur du système de soins ».
L’OMS définit la sage-femme comme une personne qui surveille, soigne et conseille les
femmes pendant la grossesse, l’accouchement et les post partum. Ainsi, son rôle est de
dispenser en continu des soins de qualité :
- il faut respecter les règles d’hygiène agir en toute sécurité et être à l’écoute des femmes ;
- adresser rapidement et en toute sécurité à l’échelon supérieur les patientes dont l’état
l’exigent (OMS, 2004).
c. Notion de performance
Comme nous le voyons dans la littérature, la notion de la performance des services de santé
peut être abordée selon différents points de vue : médical, économique, éthique. Le point de
vue médical est le plus souvent technique : il désigne le meilleur équipement, le meilleur
hôpital, les meilleures pratiques. C’est donc axé sur le personnel médical « capitaine de
l’équipe » qui décide des examens, d’une hospitalisation, d’une intervention.
Cependant, l’ensemble de ces points de vue doit être considéré au regard de trois éléments
complémentaires :
- le premier est la volonté de plus en plus grande des patients d’être informés et éclairés sur
les choix médicaux.
- Le deuxième est une considération économique. Dans bon nombre de cas, la maîtrise des
dépenses de santé n’est pas en contradiction avec l’intérêt de la patiente ; supprimer un
examen, c’est éviter un gaspillage et en même temps choisir la meilleure stratégie médicale
et offrir une prise en charge de qualité.
- Le troisième porte sur l’équité. Il n’est pas évident, en effet, qu’une augmentation
exponentielle des dépenses de santé, entraîne automatiquement une répartition équitable des
moyens. Ce point de vue doit être pris en considération à la fois au regard d’une répartition
géographique ainsi que des besoins et attentes spécifiques des patientes.
C’est ainsi que, face à ces différents enjeux, la nécessité d’évaluer s’impose pour tenter
de rationaliser et de trouver la réponse la plus appropriée. En effet, l’évaluation est le point de
convergence d’intérêts apparemment contradictoires puisqu’elle permet d’établir un ordre de
priorité et des références communes pour l’action. De ce fait, elle n’est ni une spécialité
nouvelle, ni une doctrine, mais un ensemble de méthodes réunies pour aider les professionnels
à faire des choix à tous les niveaux de soins.
De son côté, la qualité des soins a été définie par l’ANDEM – ANAES (2001) par « la
capacité à organiser le processus de soins de façon à ce qu’il aboutisse à une augmentation de
la probabilité d’une réponse favorable, tout en diminuant la probabilité de ses effets négatifs
potentiels. »
A L’instar des pays anglo-saxons dans les années 75, les contraintes budgétaires et
l’augmentation de la demande de soins qui pèsent sur les systèmes de santé européens guident
les réformes gouvernementales vers une mise en concurrence encadrée des établissements de
santé (Hassenteufel et Palier B., 2000). Inspirées de modèles microéconomiques issus de la
théorie des incitations (concurrence par comparaison), celles-ci s’accompagnent de la
transformation des prestataires de soins en « entrepreneurs de soins » mis en compétition pour
l’acquisition de ressources et de « patientèle », et de la volonté de mise en place d’outils
d’évaluation et d’amélioration de la performance des systèmes de soins. A ce titre, la
performance consiste avant tout à trouver la meilleure efficacité organisationnelle (Morin E.,
2008).
Si l’efficience (rapport coûts-résultats), la productivité, la performance médico-économique et
financière semblent globalement privilégiées dans ce modèle conceptuel économique,
d’autres dimensions de la performance hospitalière doivent être envisagées. En effet, il est
internationalement reconnu que le système de soins (et en particulier l’hôpital) se doit de
placer l’usager (autrefois appelé « le patient ») au centre de ses préoccupations. L’hôpital
public doit aussi s’intégrer dans un système de soins complexe dont la performance repose
notamment sur une accessibilité équitable à des prestations adaptées et sûres, dans des délais
adéquats (réactivité), par des professionnels compétents et où la coordination et la
communication entre ses partenaires et l’innovation permanente en conditionnent la qualité.
Ainsi, l’efficience, l’efficacité clinique, l’accessibilité, la coordination des soins, la réactivité,
la sécurité ou la gestion des risques, l’équité, la compétence des professionnels, la capacité à
innover et à communiquer sont autant de dimensions de la performance hospitalière.
Ainsi tous les systèmes de contrôle externe (assurances maladie ou privées), d’autorisations,
d’accréditation et de certification des pays membres de l’OCDE évoluent vers un recueil
systématique, standardisé et annuel d’indicateurs de performance. Il en va de même pour le
pilotage du système hospitalier qu’il soit institutionnel ou à l’échelle d’un établissement :
l’évaluation de la performance fait partie des fonctions du management au même titre que
celles « d’organiser », « décider », « prévoir » et « motiver » (IGAS, 2008 ; Rapport
Larcher, 2008 ; HAS, 2005).
Des indicateurs standardisés sont produits dans le cadre de tableaux de bords
prospectifs (« balanced scorecards », « balanced dashboards »), comme base à un «
benchmarking » national ou international ou encore en vue de l’attribution d’incitations
financières ou non financières aux établissements ou aux professionnels (Veillard et al., 2005
; Qvist et al., 2004 )
Ainsi, dans la démarche scientifique des soins infirmiers Suzanne KEROUAC avait-elle
défini trois paradigmes.
● Le paradigme de l’intégration :
● Le paradigme de la transformation :
C’est un paradigme qui dispose, les soins à une ouverture sur le monde et répond à la
déclaration OMS d’Alma-Ata (1978) : « faire de la population et des soignants, des acteurs
de leur propre santé, un partenaire à juste titre ». Enfin, il aide la personne dans recherche
constante d’une qualité de vie et d’amélioration des conditions de travail.
● Le paradigme de catégorisation :
Il mobilise des savoirs basés sur l’orientation vers la santé publique et la rentabilité
escomptée. Il est caractérisé par l’amélioration de la salubrité pour contrôler les maladies
infectieuses par l’application de principes d’hygiène lors des prestations dans un centre de
santé.
C’est dans ce sens que, nous avons donc établi un tableau synoptique pour énoncer le cadre
conceptuel de notre étude.
FACTEURS LIES A L’ORGANISATION DU FACTEURS LIÉS À L'ENVIRONNEMENT
TRAVAIL SOCIOPROFESSIONNEL :
Au terme de ces activités dument menée, la cliente devrait être à l’abri des dangers et ce
à coût souhaitable.
CHAPITRE II : MATERIELS ET METHODES D’ETUDE
II.1 -MATERIELS
Abidjan qui est la capitale économique est le lieu où s’est déroulée cette étude, précisément
dans la commune de Treichville, notre site d’étude.
Treichville est située au sud de la ville d’Abidjan, et s'étend sur une superficie de 900
hectares soit 8 km2.
La commune de Treichville a un relief plat. Elle compte à ce jour, 328 458 habitants (RGPH,
2021).
Figure 3 : Localisation du site d'étude
II.1.2 Cadre d’étude
Notre étude a eu lieu précisément à l’hôpital général de Treichville. Cet édifice sanitaire crée
par arrêtés N°80/MSHP/CAB/DGS/DEPF du 23 Mars 2007, l’Hôpital General de Treichville
(HGT) est un établissement de référence qui relève du district sanitaire de Treichville-
Marcory. Il dessert une population estimée à 82.32911 habitants en 2017. L’HGT, situé sur
deux sites distincts, il est compose de :
Sise au quartier Jacques AKA, avenue 4 rue 24, elle comprend cinq bâtiments abritant les
services administratifs et médicaux. Le premier bâtiment construit par l’amicale Ivoiro-
Libanaise en1977 et située à gauche de l’entrée principale abrite la maternité (avec une salle
de pré-travail de quatre (04) lits), des suites de couches (qui ont une capacité de douze (12)
lits) et le cabinet dentaire. Le deuxième bâtiment construit en 1978 et situé sur la droite, loge
les services de l’Administration, de la Médecine Générale (avec une capacité de deux (02)
lits) et de la pharmacie. Il est un don du comité d’Organisation de la semaine commerciale de
Treichville. Ce bâtiment baptisé Jean DELAFOSSE a par ailleurs donné son nom à la
structure. Le troisième bâtiment (PMI) abrite les services de Pédiatrie avec une salle de Mise
en Observation de 02 lits, les consultations Pré et Postnatales et le service social. Le
quatrième bâtiments, don du Fonds BUSH en collaboration avec un projet RETROCI en 2004
abrite les services de PTME (Prévention de la Transmission Mère Enfant) et le cinquième
bâtiment, fruit de la collaboration avec la mairie a été construit et livré en 2013. Il abrite le
Laboratoire d’Analyses Médicales.
Construit en 1952 et situé face à la cité policière de Treichville près du Pont Houphouët
Boigny à Abidjan, ce centre dispose de :
3. Un service d’ORLbigillestouboui@yahoo.fr
4. Un service d’Ophtalmologie
5. Un service de dermatologie
6. Un service social qui est également chargé de la vaccination
7. Une pharmacie.
Ces deux structures avec un total de 21 lits sont animées par un seul directeur.
● MISSION DE L’ETABLISSEMENT
Le PMA de l’hôpital est défini par l’arrêté N° 741/MSP/CAB du 09/12/1996. Il regroupe les
soins chirurgicaux, la maternité, le planning familial, les soins promotionnels, les soins bucco-
dentaires, les services médico-techniques, le service administratif, la formation continue, la
supervision, les services techniques généraux et les activités communautaires.
● DIFFERENTS SERVICES
Services de soins
Services médico-technique
Il s’agit : D’un laboratoire d’analyses médicales ; D’une pharmacie interne ; D’un service
d’imagerie médicale (échographie seulement).
● . RESSOURCE HUMAINES
Elle est composée de : Un (01) Directeur, Un (01) économe, Un (01) régisseur, Un (01)
Surveillante générale, Un (01) chef du personnel, Un (01) secrétaire, Un (01) agent de bureau,
Une (01) assistante sociale ,24 médecins, Deux (02) infirmiers spécialistes, Vingt-six (26)
infirmiers(ères), Cinq (05) sages-femmes spécialistes, Vingt-six (26) sages-femmes, Trente-
deux aides-soignantes, Quinze (15) techniciens supérieurs et de Soixante 60 agents et
personnel d’entretien et de soutien.
Les sages-femmes font un système de rotation par service. Tous les jours le travail est
organisé de la manière suivante :
Il s'agit d'une étude transversale à visée descriptive et analytique basée sur l'administration
d’un questionnaire et d’un guide entretien au personnel exerçant au sein de la maternité de
l’hôpital général de Treichville, ainsi qu’aux usagers.
Notre étude s’est déroulée à L’hôpital général de Treichville qui est l'une des aires sanitaires
que compte le district sanitaire de Treichville-Marcory à Abidjan. Elle a eu lieu du 27 octobre
2022 au 22 novembre, soit 23 jours.
-Critères d’inclusion
● Être personnel permanent de la maternité de l’hôpital et être une patiente ayant reçu
● Méthode
● Taille de l'échantillon
Pour déterminer la taille de l'échantillon, nous nous sommes appuyés sur la technique
d'échantillonnage telle qu'a été proposée par Bernoulli, et qui fait intervenir trois paramètres :
la représentativité, l'homogénéité et la précision.
Cet échantillonnage a consisté à prendre en compte tout le personnel soignant exerçant dans le
service de maternité de l’hôpital général de Treichville, et participant à la prise en charge des
patientes à être accouchées durant la période d’enquête. Ainsi que les gestantes et les
parturientes fréquentant le service.
Pour le choix des usagers ; l'échantillon a été choisi par le tirage systématique à allocation
proportionnelle. La formule suivante nous a permis de déterminer les usagers à inclure dans
l'échantillon :
N= n* Ni
Ni = Oil : N Ni : taille de l'échantillon pour chaque catégorie de patiente ; n : taille de
l'échantillon total pour notre étude
Ni : taille de la population cible pour chaque catégorie N : taille de la population cible totale
pour notre étude
● Echantillon
✓ Pré-test
Dans le but de vérifier la compréhension des questions auprès des populations cibles
ayant les mêmes caractéristiques que celles de notre échantillon d’étude, et nous assurer
qu’elles permettent de recueillir les données utiles à notre étude, nous avons organisé un pré-
test auprès du service de maternité du centre de protection maternelle et infantile de
Yopougon. A l’issue de ce pré-test, aucune question n’a été reformulée.
Du 27 octobre 2022 au 22 novembre, soit 23 jours, chaque matin, nous venons à la maternité
de l’hôpital général de Treichville, afin de remettre le questionnaire à notre population
d’étude.
• Traitement
La saisie des données et leur traitement, ont été fait par le logiciel Excel (version office 2013)
et l’analyse des données par le logiciel Sphinx (version V2) puis la rédaction par le logiciel
Word (version office 2013).
Nous avons réalisé une analyse statistique descriptive dans laquelle les variables
qualitatives ont été exprimées en termes d’effectif N et de pourcentage (%) ; quant aux
variables quantitatives ont été décrites en termes de médiane et de moyennes.
Le test khi-2 a été utilisé pour la comparaison des proportions et des moyennes. Tous les
autres tests statistiques (ACP, MANOVA) ont été appliqués avec un seuil significatif de 5%
(p<0.05).
1.8. Considérations ou aspects éthiques
Nous estimons que notre étude tire toute son originalité en tant que l’une des
premières du genre réalisé dans la localité et dans le pays.
L’idéal aurait été que nous identifions les hôpitaux qui utilisent de tels outils ou ayant
faire le sujet de l’enquête pendant un certain temps. Cela nous aurait permis de faire découvrir
les véritables problèmes et de mieux apprécier leur performance. Mais le coût d’une telle
étude et le temps n’étaient pas au rendez-vous.
Ainsi, les résultats de cette étude ne peuvent être extrapolés et considérés comme celle faisant
ressortir les états à l’échelle nationale.
1.9.2. Difficultés
Nous pouvons également citer les difficultés inhérentes à notre inexpérience dans le
domaine de la recherche et le coût élevé de la réalisation de cette œuvre.
- L’insuffisance de temps
- La pandémie de la COVID-19
25%
MASCULIN
FEMININ
75%
La figure ci-dessus montre que la majorité des membres du personnel soit 75%, était de sexe
féminin. Le sex-ratio étant 0,33.
2. Tranche d’âge
n=16
50%
45% 43.8%
40% 37.5%
35%
30%
25%
20% 18.7%
15%
10%
5%
0%
20-30 ans 31-40 ans 41 ans et plus
Cette figure témoigne que la plupart des soignants soit 43,8%, avait 41 ans et plus. Aussi, la
moyenne d’âge était 38,4 ans, avec des extrêmes de 20 ans et 58 ans.
3. Qualification professionnelle
n=16
43.8%
45%
40%
35%
30%
25.0%
25%
18.8%
20%
15%
5%
0%
IDE Sage-femme Medecin Gynécologue Aide -
généraliste soignant (e)
Cet histogramme révèle que le personnel soignant était dominé par les sages-femmes soit
43,8%, suivi aides-soignantes soit 25%.
4. Ancienneté professionnelle
n=16
31.3%
Moins de 5 ans
Plus de 5 ans
68.8%
La figure ci-dessus montre que plus de la moitié du personnel soignant soit 68,8% avait une
ancienneté professionnelle de plus de 5 ans.
5. Niveau en TIC
Ce tableau montre que la plupart des soignants soit 43,8% était moyen dans la maitrise des
TIC.
III.2. LES CRITERES D’EVALUATION INTEGRES A LA GESTION DES RISQUES DE
COMPLICATIONS ET DE MORTALITE
6. Eléments ou indices intégrés à l’application de lecteur de risque de
complications/mortalité
Tableau III : Fréquence des réponses des soignants concernant les indicateurs intégré
à l'IA
La plupart des paramètres à risque ( TA, HPP, Age de la parturiente, utérus cicatricielle
grossesse unique ou multiple, présentation fœtale, parité, appréciation du globe de l'utérus etc)
était pris en compte par le personnel soignant.
7. Indicateurs orga-fonctionnels intégrés à l’IA
Tableau IV : Fréquence des réponses des soignants relative aux indicateurs organo-
fonctionnels intégré à l'IA
● Présence du personnel
n=16
40% 37.5%
35%
30%
25.0%
25%
10%
5%
0%
Moins de 30 30 min 1h >1h
min
La figure ci-dessus témoigne que la plupart des CPN soit 56,3% était réalisée en moins d’une
heure.
● Durée d’une délivrance
n=16
50
45 43.8
40
35
31.3
30
25
20 18.8
15
10
6.1
5
0
Moins de 20 min 20-30 min 1h >1
La majorité des délivrances soit 43,8%, durait entre 20 et 30 min. Aussi, la durée moyenne
était de 45,6 min, avec des extrêmes de 18 min et de 3h 30 min.
● Devenir de la patiente
n % n %
Evaluation des facteurs 13 81,3 3 18,7 16
pronostics
Le tableau montre que la majorité des prestataires de soins soit 81,3% procédaient à
l’évaluation des facteurs pronostiques, ce qui occasionnait moins de décès soit 18,7%
9. Lien entre le suivi des paramètres structuro-fonctionnels, la motivation du
personnel et la satisfaction des patientes
n=44
La majorité des patientes soit 63,6% affirmait que le personnel soignant était respectueux des
règles d’hygiènes et d’asepsie. Cependant, pour certaines d’entre-elles (31,8%) le personnel
en plus de cela était à l’écoute et attentionné.
● Prise en compte des soucis
n=44
80%
72.2%
70%
60%
50%
40%
30%
22.7%
20%
0%
Entièrement Modérée Faible Nulle
Figure 10: Répartition des réponses des patientes relatives à la prise en compte des soucis
Cette figure montre que la quasi-totalité des patientes soit 72,2% avait eu leur souci prise en
compte entièrement.
● Qualité du traitement
n=44
60% 56.8%
50%
40%
30%
22.7%
20.5%
20%
10%
0.0%
0%
Rassurant Indéfferent Angoissant RAS
Le traitement était jugé rassurant par la majorité des patientes soit 56,8%.
● Qualité de la prestation
n=44
45%
40% 38.6%
35%
31.8%
30%
25%
20%
15%
11.5%
10% 9.0%
6.8%
5%
2.3%
0%
Excellente Bonne Moyenne Mauvaise Très pas d'avis
mauvaise
Figure 12: Répartition des réponses des patientes concernant la qualité de la prestation
Les patientes affirmaient que la prestation était excellente et bonne dans 70,4%.
● Motivation du personnel soignant et disponibilité des matériels
Ce tableau témoigne que 11 membres du personnel sur 16 (68,8 %) étaient motivés dans
l’exécution des taches en l’absence de rupture de matériels. Alors qu’en présence de rupture
de matériels seulement 18,7% d’entre-eux avaient présenté une démotivation. On déduit donc
que la présence de matériel garanti à travers l’usage de l’IA est source de motivation, car il
existe une dépendance entre ces variables.
● Motivation du personnel soignant et durée d’exécution des taches
Tableau VII : Analyse de la rapidité d'exécution des taches dans la motivation du personnel
soignant
Ce tableau révèle que la majorité des soignants qui étaient motivé soit 87,5% , n’avaient pas
trouvé les délai d’exécution long (11 soignants sur les 16 interrogés). On conclut que la
réduction des délais d’exécution à travers l’utilisation de l’IA entraine la motivation du
personnel.
● Affectation du personnel et motivation
Il ressort de ce tableau que 13 soignants sur 16 (81,3%) n’avaient pas trouvé leur affectation
mauvaise ; ce qui témoignait de leur motivation dans l’exécution de ces taches à plus de 80%.
On peut dire que la qualité des assignations de taches telle que garantie par l’IA motive le
personnel soignant.
● Attribution des primes et motivation du personnel soignant
Il ressort ici que 85,8 % des soignants (12 /16) qui n’avaient pas trouvé le partage de prime
inéquitable, était motivé dans la réalisation des tâches. On déduit que l’affectation des primes
à travers la gestion intégrée à l’outil doté d’IA contribue à la motivation.
● Promptitude/ prévention des complications et motivation du personnel soignant
Ce tableau montre que la majorité des soignants (62,5%) qui étaient motivés, étaient aussi
prompts dans la prévention et la prise en charge des complications. Or, seulement 6,2 % du
personnel interrogés (1 sur 16) n’étaient ni motivés et ni prompts. L’IA contribue donc à la
promptitude dans la prise en charge et la prévention des complications pré-per et post partum.
● Motivation et répertoriassions des complications type HPP et utérus
cicatriciels
Ce tableau révèle que les soignants motivés dans leur ¾ (75%), répertoriaient les utérus
cicatriciels. A l’inverse seulement 12,5% soit 2 sur 16 ne l’avaient pas fait. La motivation du
personnel soignant influence la conduite des saisies, chose que permet l’IA.
III.4. DIFFICULTES RENCONTREES DANS L’USAGE DE L’IA
10. Difficultés évoquées
Tableau XI : Fréquence des réponses des prestataires de soins relatifs aux difficultés
Selon ce tableau, les difficultés les plus rencontrées étaient le manque de formation soit 81,3
%, suivi du manque d’intrants soit 50%.
CHAPITRE IV : COMMENTAIRES ET DISCUSSION
Nos résultats révélaient une prédominance du sexe féminin dans 75% des cas ; ce qui
traduit un sex ratio de 0,33. Aussi, concernant l’âge l’étude a montré que la plupart des
soignants soit 43,8%, avait 41 ans et plus, ce avec une moyenne d’âge qui était de 38,4 ans, et
des extrêmes de 20 ans et 58 ans.
La présence accru des soignants de sexe féminin, associé à leur état de jeunesse offre
une bonne opportunité pour l’usage de l’intelligence artificielle. En effet, les personnes ayant
de tel âge, ont connu ou connaissent l’ère du numérique et du développement technologique,
auquel elles sont censées être adaptées. De plus la prédominance féminine offre, à ces
dernières en tant que femme les attitudes de mieux prendre en charge les gestantes et les
parturientes.
Nos observations sont presque identiques à celles retrouvées dans l’étude de Chawki
Mrazguia et al (2021) au Nigéria, et qui évoquaient une prédominance du genre féminin,
mais une tranche d´âge comprise entre 35 et 45 ans, ce dans 56% des cas. Ce qui est inférieur
à celle observée dans le cadre de cette étude. Quant à Faye A (2018), au Sénégal, il avait
observé des résultats avec une tranche d’âge majoritairement, comprise entre 45 et 57 ans.
Notre étude a révélé que le personnel soignant était dominé par les sages-femmes soit
43,8%, suivi des aides-soignantes soit 25%. Aussi, plus de la moitié d’entre-elles soit 68,8%
avait une ancienneté professionnelle de plus de 5 ans.
Cette situation est favorable à une bonne prise en charge des parturientes. Car, ces
différentes qualités supposent que le personnel disposerait des compétences et des
connaissances requises pour la conduite des tâches dans un service de maternité. Du coup
l’apport de l’IA en de telle circonstance contribuerait au renforcement des qualités.
Des données identiques ont été retrouvées dans l’étude de MALTERRE Clara (2019) en
France. Lors de cette étude, l’auteur avait observé une dominance des sage-femmes dans 68%
des cas, avec une ancienneté professionnelle de 10 ans au moins. De plus DIARRA M.G
(2005) au Mali avait trouvé des résultats similaires.
3. Niveau en TIC
Notre travail démontre que la plupart des soignants soit 43,8% était moyen dans la
maitrise des TIC. Ainsi, dans ce contexte ces derniers pourraient avoir des difficultés dans
l’utilisation des IA. Car l’usage de l’intelligence artificielle demande une bonne maitrise des
données numérisées et connaissance dans l’usage des TIC.
Cette même observation a été effectuée par Elberg, P.B., (2010) lors d’une étude en
France dans laquelle 56% des sage-femmes et du personnel soignant possédaient un niveau
moyen en matière de TIC. Selon lui une formation dans ce sens s’impose. Car les TIC ne sont
pas de simples outils : il s’agit de l’infrastructure informationnelle sur laquelle les
professionnels de la santé appuient l’ensemble de leurs activités.
De plus, une autre étude réalisée par Smith, J.B. and C. Hunt, Caring, (2014) au
Canada, avait démontré que les environnements de soins sont reconnus pour leur intensité
informationnelle, et dans un tel contexte le personnel de maternité a besoin de tels outils, car
les ressources informationnelles sont aussi importantes que les ressources humaines,
matérielles et financières. Or, malheureusement, une étude de Frisch, N. and L.M. Currie
(2019) a montré que 1 membre du personnel soignant sur 10 maitrises mieux les TIC de nos
jours. Ce qui fait que beaucoup d’activités essentielles menées quotidiennement par les
infirmières représentent des activités et des interactions invisibles qui ne sont pas captées par
les TIC.
IV.2. LES CRITERES D’EVALUATION INTEGRES A LA GESTION DES RISQUES
DE COMPLICATIONS ET DE MORTALITE DANS UNE OPTIQUE DE
PERFORMANCE DU SERVICE
4. Eléments ou indices intégrés à l’application de lecteur de risque de
complications/mortalité
● Tension artérielle
● Hémorragie post-partum
● La présentation fœtale,
● La parité,
Cette observation montre que le personnel soignant tient compte des éléments à
risque les plus retrouvés dans la littérature, et qui peuvent entrainer des complications graves,
voire le décès de la parturiente. Cette belle manière d’évaluer le risque pourrait contribuer à
l’atteinte des objectifs de performance telle que recommandée par l’OMS.
En France, une étude de Florine Duplessis (2018) l’usage de l’IA dénommée « Efelya »
associé à l’application « Zero Mothers Die », une initiative internationale qui apporte des
informations de santé maternelle hebdomadaire avec la technologie mobile en Afrique a
permis une gestion du risque obstétrical pendant la grossesse en mettant en place un suivi
prédictif de l’évolution du risque tenant compte des paramètres tels que : hypertension
artérielle, prééclampsie, diabète gestationnel, menace d’accouchement prématuré, risque
hémorragique pendant la grossesse et l’accouchement. Ainsi, grâce à l’utilisation d’un
algorithme associé à un « passeport grossesse » connecté, si un risque de pathologie est
dépisté́ , « Efelya » met en place des protocoles de surveillance, disponible en français,
anglais, hindi, espagnol.
En effet, dans les maternités ne bénéficiant pas d ‘outil IA intégré au risque, comme le
montre l’étude Cheickna Badiaga au Mali, la DDR (date propable d’accouchement) n’était
pas connue en général car seulement 20% des sage-femmes connaissaient la DDR des
patientes. Ce taux est de 7,9 % dans l’étude de FOMBA S (2013) et de 11% dans l’étude
GOITA N (2006). Alors que dans notre cas à travers l’évaluation de la présentation fœtale
pour chaque gestante la DDR est connue dans 56,3%.
Aussi, la recherche des risques à travers l’IA contribue a une meilleure prévention et
PEC, car c’est un élément d’appréciation du pronostic vital de la mère et du fœtus.
Dans la littérature africaine l’enregistrement des gestantes a risque est à un taux très
faible soit 21 % selon Cheickna Badiaga (2008) au Mali et Tiembré I, et al (2010). Nous
avons enregistré 61,1% des gestantes ayant été classées dans un groupe à risque (ATCD de
mort-nés, femmes de petite taille, HTA, faible poids de la femme, primipare âgée, grande
multiparité, utérus cicatriciels.) ce taux est inférieur à ceux de GOITA N (2006) et de
KONATE S (2002) qui étaient respectivement de 46% et 22,5%.
Ce résultat peut être expliqué par une négligence de certains facteurs de risque par les
praticiennes. Des efforts considérables sont à fournir dans ce domaine
Notre étude a révélé que les indicateurs les plus évoqués, étaient ceux présentant une
pertinence pour la performance structuro-fonctionnelle, à savoir :
• Présence du personnel
Cet aspect n’avait pas été intégré dans les outils IA qui ont été développés jusqu’ici. Donc il
pourrait permettre à rendre plus efficace les taches.
● La plupart des CPN soit réalisée en moins d’une heure (56,3% des cas).
● La majorité des délivrances durait entre 20 et 30 min (43,8% des cas), avec une durée
Cette situation prouve que l’apport de IA est bénéfique et important pour palier certaines
complications, voire difficultés.
Un autre travail effectué par le Dr. MOUKRIM en 2019 à Marseille au travers d’une
recherche quantitative sur la favorabilité des médecins et des sage-femmes à l’utilisation de
l’IA dans leur discipline montrait qu’un grand nombre des personnes interrogés pensaient que
cette technologie aurait une influence positive sur la pratique de la médecine en générale, ce
qui fait que 3 soignants /8 l’utilisait, car son implication dans la réalisation des taches
notamment en termes de performances diagnostiques, de gestion d’incertitudes diagnostiques
et d’élaboration de stratégies thérapeutiques n’est plus à démontrer. Ainsi, selon David
Gruson, spécialiste des politiques de santé publique et fondateur de l’initiative académique et
citoyenne Ethik-IA, le déploiement de ces nouvelles technologies pourraient bien être un
remède contre les déserts médicaux.
IV.3. AUTRES APPORTS DE L’IA DANS L’ATTEINTE DE LA PERFORMANCE
DU SERVICE
6. Satisfaction de la patiente
L’étude met exergue le fait que la majorité des patientes affirmait que le personnel
soignant était respectueux des règles d’hygiènes et d’asepsie dans 63,6% des cas. Aussi, pour
certaines d’entre-elles (31,8%) le personnel en plus de cela était à l’écoute et attentionné.
En ce qui concerne la conduite des tâches, notre travail a montré que la quasi-totalité des
patientes avait eu leur souci prise en compte entièrement. Ce qui fessaient que 56,8% des
patientes avaient jugé le traitement rassurant, et que 70,4% patientes affirmaient que la
prestation était excellente ou bonne.
La HAS a réalisé une analyse exploratoire des verbatims, en 2021-2022, grâce à une
intelligence artificielle (IA). Il s’agit de la première au niveau national. Elle a principalement
aidé dans l’identification des thématiques qui préoccupent le plus souvent les patient (e)s. Un
rapport national concernant les résultats a été publié en octobre 2022. Plus précisément, les
données proviennent des enquêtes e-Satis Chirurgie Ambulatoire et e-Satis +48h Médecine
Chirurgie Obstétrique.
contact humain ;
● Une qualité hôtelière plus personnalisée et en meilleure adéquation avec les besoins
du patient.
De plus l’étude de Bourgin M (2023), réalisée en France à travers une revue de la littérature a
synthétisé en septembre 2021 23 études de méthodologies variées (quantitatif, qualitatif et
mixte) sur l’avis des patients au sujet de l’IA en médecine. L’avis global était plutôt favorable
car 96% de satisfaction notamment pour le dépistage de la rétinopathie était le fait
d’implication de l’IA, mais des faiblesses ou craintes sont notées, dont certaines reviennent
dans cette thèse : la perte de contact physique, de communication verbale, l’absence
d’empathie, le risque de dépendance à la technologie pour les médecins.
Selon Portnoff AY, et al (2018), les patients étaient aussi sensibles à la nécessité d’une
validation scientifique. Finalement, la position majoritaire était que l’IA devait être supervisée
par le médecin, en qui les patients avaient confiance. En cas d’erreur diagnostique ou de prise
en charge, il existait un flou sur l’entité considérée comme responsable (clinicien ou
concepteur de l’IA). Les patients exprimaient aussi le besoin d’être informés sur l’IA, ce qui
contraste avec le manque de discussion autour de l’IA entre les médecins interviewés dans la
thèse et leurs patients (problème de temps dans la consultation).
Nos résultats témoignent que 11 membres du personnel sur 16 (68,8 %) étaient motivés
dans l’exécution des taches en l’absence de rupture de matériels. Alors qu’en présence de
rupture de matériels seulement 18,7% d’entre-eux avaient présenté une démotivation.
Aussi, la majorité des soignants qui étaient motivés, n’avaient pas trouvé les délais
d’exécution long (11 soignants sur les 16 interrogés), ni trouvé leur affectation mauvaise ; ce
qui témoignait de leur motivation dans l’exécution de ces taches à plus de 80%.
On peut dire que la qualité des assignations de tâches telle que garantie par l’IA motive
le personnel soignant. De surcroît, 85,8 % des soignants (12 /16) qui n’avaient pas trouvé le
partage de prime inéquitable, étaient motivés et prompts dans la réalisation des tâches.
Selon une étude Kulkarni A, et al (2019), l’IA implique des changements au niveau
du travail du cadre soignant (médecins et infirmières) et assure une meilleure prise en charge
des patients, grâce à la motivation qu’elle provoque chez l’utilisateur. Celui-ci fournit moins
d’efforts dans la recherche, elle ne se substitue pas nécessairement à l’intervention humaine
mais augmente les capacités du cadre médical. On parle d’ailleurs à l’heure actuelle
d’‘‘intelligence augmentée’’
Pour Flora Briswalter (2023) l’IA contribue au gain de temps, car focus sur le cœur de
métier, elle favorise une meilleure compréhension du parcours de soin, une augmentation de
la patientèle. C’est d’ailleurs en ce sens que Juxta s’est allié avec son partenaire Allisone,
spécialiste de l’analyse intelligente des radios dentaires, pour intégrer l’IA à sa solution
DESMOS et offrir à ses clients une plus grande performance au quotidien.
CONCLUSION
La grossesse est un état qui peut être associé à des complications, et entrainer des
décès. De nos jours en Afrique en générale et précisément en Côte d’Ivoire, la mortalité
maternelle est un problème de santé publique. Ainsi, la demande en soins s’accroit pouvant
provoquer des ruptures de parcours de soins ou des hospitalisations non programmées dans
certaines zones rurales et sous dotées en ressources médicales.
Depuis ces 10 dernières années, la production scientifique sur l’usage des nouvelles
technologies dans le domaine de la santé est de plus en plus abondante. Mais elle ne prend pas
en compte (ou très peu) la femme enceinte. Or, dans la plupart des pays en voie de
développement, ces femmes vivent souvent dans une zone à faible densité médicale. Du coup,
notre système de soins à besoin de muter pour subvenir à leurs prises en charge adéquate. Les
nouvelles technologies peuvent apporter des solutions mais pas à n’importe quel prix. Dans le
domaine de la santé, la sécurité du patient doit être avant tout protégée (tant au niveau de sa
santé qu’au niveau de ses données de santé).
L’intégration de l’aspect organisationnel, fonctionnel et qualité à l’IA est important, elle peut
contribuer au fait que :
• La plupart des CPN soient réalisées en moins d’une heure (56,3% des cas).
• La majorité des délivrances duraient entre 20 et 30 min (43,8% des cas), avec une
durée moyenne de 45,6 min, avec des extrêmes de 18 min et de 3h 30 min
• la majorité des patientes affirmait que le personnel soignant était respectueux des
règles d’hygiènes et d’asepsie dans 63,6% des cas. Aussi, pour certaines d’entre-elles (31,8%)
le personnel en plus de cela était à l’écoute et attentionné. Pour finir, l’on retient que l’IA
contribue donc à la promptitude et à la motivation dans la prise en charge et la prévention des
complications pré-per et post partum : gage d’une performance escomptée, car les charges de
travail sont très réduites ce qui évite les erreurs médicales.
RECOMMANDATIONS
Au terme de notre travail, nous formulons des recommandations afin de mieux adapter
l’implémentation de l’IA dans les services de maternité vu son importance. Nos
recommandations
- Assurer une bonne autonomisation des gestantes en les informant sur l’évolution de leur
grossesse et les risques encourus via les outils développés.
- Développer une culture du partage des données dans les industries de santé notamment la
protection maternelle et infantile : les programmes de formations internes devraient inclure
des formations sur le recueil, la structuration et le partage des données
- Développer des indicateurs et des métriques permettant de démontrer aux entreprises des
industries de santé de la reproduction l’intérêt des solutions d’IA
-Informer et éduquer les professionnels de santé sur l’IA en santé et les solutions proposées
Des gestantes
A MOYEN TERME
A l‘endroit de l’HGT
-Equiper le service de la maternité pour une meilleure prise en charge des gestantes et
parturientes.
-Créer un cadre permanent d’échange entre les sages-femmes et les autorités administratives
de la commune
-Respecter les Rendez-vous et suivre les conseils prodigués par les sages-femmes lors des
CPN.
-Briser la barrière de méfiance entre la population et les sages-femmes par l’organisation des
séances de causeries débats à l’initiative des responsables du centre.
RÉFÉRENCES
A.N.A.E.S. et la Conférence nationale des présidents des unions régionales des médecins
libéraux « 10 questions sur l’évaluation des pratiques professionnelles ». 2001
Aamir KM, Sarfraz L, Ramzan M, Bilal M, Shafi J, Attique M. A Fuzzy Rule-Based System
for Classification of Diabetes. Sensors. 3 déc 2021;21(23):8095.
Ali L, Khan SU, et al. A Feature-Driven Decision Support System for Heart Failure
Prediction Based on χ 2 Statistical Model and Gaussian Naive Bayes. Comput Math Methods
Med. 20 nov 2019;2019:1-8
André, A. 2019. Comment l’Intelligence Artificielle se met au service de la santé [en ligne].
Disponible sur : https://youtu.be/vA9db-sTFdQ, consulté le 11/04/2020
Good fellow I, Bengio Y, Courville A. Deep learning book. [En ligne]. Site disponible sur :
H., Lee, J., 2020. COVID-19 Pneumonia diagnosis using a simple 2D deep learning
framework
Hitchcock, H., 2020. Tele-ICUs: A Bright Spot in COVID-19 Crisis [en ligne]. Disponible sur
https://sickbay.michealthcare.com/blog/tele-icus-a-bright-spot-in-covid-19-crisis, consulté le
09/09/2020.
Hsu, J., 2019. How using a medical startup’s AI “symptom checker” could go very wrong [en
ligne]. Disponible sur https://qz.com/1766418/how-using-babylon-healths-ai-symptom-
checker-could-go-wrong/, consulté le 09/09/2020.
IGAS (2008), Rapport sur le contrôle des mesures prises dans le cadre du contrat de retour à
l’équilibre financier (CREF) par des hôpitaux « perdants » à la TAA » - Rapport définitif
présenté par Thierry Breton, Christophe Lannelongue et Hervé Léost - Rapport IGAS n°2007,
Janvier.
ISBN : 2212571224
John Kimberly et Etienne Minvielle « The quality imperative : Measurement and management
of quality in heathcare ». Editions imperial college press. 2000
Julia L. (2019) : L’intelligence artificielle n’existe pas. FIRST Editions. Edi8. 2019.
Ko, H., Chung, H., Kang, W.S., Kim, K.W., Shin, Y., Kang, S.J., Lee, J.H., Kim, Y.J., Kim,
N.Y., Jung,
Laure Belot (2018) : https://www.lemonde.fr/afrique/article/2018/06/18/un-robot-pour-
repondre-aux-questions-des-futures-mamans-camerounaises_5317077_3212.html
Leatherman S. (2002), « Utiliser les indicateurs de performance pour améliorer les systèmes
de santé » OCDE, Être à la hauteur : Mesurer et améliorer la performance des systèmes de
santé dans les pays de l’OCDE, Paris.
Lee SJ, Yu SH, Kim Y, Kim JK, Hong JH, Kim CS, et al. Prediction System for Prostate
Cancer Recurrence Using Machine Learning. Appl Sci. 16 févr 2020;10(4):1333
Mamadou Traoré et al (201) : Audit des décès maternels dans les établissements de santé.
IRD Éditions INSTITUT DE RECHERCHE POUR LE DÉVELOPPEMENT. IRD/J.
Montmarche – Collecte d’informations chez la femme enceinte dans le cadre d’une étude au
Bénin
Marshall M., Shekelle P., Brook R. et Leatherman S. (2000), “Dying to know; Public Release
of Information about Quality of health Care”, co-édition de The Nuffield Trust (Londres) et
RAND, (Santa Monica, CA), Nuffield Trust Series, No. 12, Juillet.
Middleton, K., Butt, M., Hammerla, N., Hamblin, S., Mehta, K., Parsa, A., 2016. Sorting out
Morin E., 2008, « Efficacité organisationnelle, sens du travail et santé des personnes », www.
fondation-travailsantementale. qc. ca/ site_fondation_2008/ morin. Pdf.
Nutley S. et Smith P.C. (1998), “League tables for performance improvement in health care”,
J. of Health Serv. Res. Policy, vol. 3, n°1, p. 50-57, Janvier.
Qvist P., Rasmussen L., Bonnevie B., Gjørup T. (2004), “Repeated measurements of generic
indicators: a Danish national program to benchmark and improve quality of care”, Int J Qual
Health Care, Vol. 16, No. 2, p. 141-148.
RadLogics Inc., 2020. AI based detection and the COVID-19 pandemic [en ligne]. Disponible
sur: https://www.radlogics.com/coronavirus/, consulté le 01/08/2020
Roder, S., 2019. Guide pratique de l’intelligence artificielle dans l’entreprise. Paris : Eyrolles.
symptoms: design and evaluation of the ‘babylon check’ automated triage system, Computer
Science. 6, 1-5
Veillard J., Champagne F., Klazinga N., Kazandjian V. Arah O.A. Guisset A.L. (2005), “A
performance assessment framework for hospitals: the WHO regional office for Europe PATH
project”, Int J Qual Health Care; Vol. 17, No. 6, p. 487-496.
with a single chest CT image: model development and validation. J Med Int Res. 22 (6), 10-
35
Chawki Mrazguia1, Hassine Abouda et al (Prévalence du burn out chez les sages-femmes du
grand Tunis. Research | Volume 6, Article 3, 24 Sep 2021 | 10.11604/pamj-oh.2021.6.3.26545
Faye A (2018) ; Satisfaction au travail des sages femmes et qualité des soins obstétricaux :
une étude au Sénégal. Université de Montréal. Département de médecine sociale et préventive
/Ecole de santé publique. Thèse /n°56
MALTERRE Clara (2019) : La qualité de vie au travail des sages-femmes: quels DIARRA
M.G (2005) : Evaluation de la qualité des soins dans la maternité du centre de santé de la
référence de la commune V du District de Bamako. These médecine Bamako 2005 ; n° 56 ;
p31.
Elberg, P.B., Electronic patient records and innovation in health care services. International
Journal of Medical Informatics, 2010. 64(2-3): p. 201-205.
Smith, J.B. and C. Hunt, Caring, Communicating, and Managing with Technology, in
Leading and Managing in Canadian Nursing, P.S. Yoder- Wise and L.G. Grant, Editors. 2014,
Elsevier.
Frisch, N. and L.M. Currie, Nursing Informatics: A Growing Field of Science and Practice, in
Realities of Canadian nursing professional, practice, and power issues, C. McDonald and M.
McIntyre, Editors. 2019, Wolters Kluwer: Philadelphia, USA
Badiaga C. Evaluation de la qualité des CPN a la Maternité du CSRéf de Kati, thèse de
Médecine (2008).
Notoriété et image de l’Intelligence Artificielle auprès des Français et des salariés [Internet].
IFOP. [cité 20 juin 2020]. Disponible sur: https://www.ifop.com/publication/notoriete-et-
image-de-lintelligence artificielle- auprès-des-français-et-des-salaries
David Gruson, IA et emploi en santé : quoi de neuf docteur ? [Internet]. Institut Montaigne.
[cité 1 oct 2021]. Disponible sur: https://www.institutmontaigne.org/publications/ia-et-
emploi-en- sante-quoi-de-neuf-docteu
2018;426(5):5-26.
HAS. Projet de grille d’analyse pour l'évaluation de dispositifs médicaux avec intelligence
artificielle. Dispositifs médicaux. 2020. [Consulté le 27 mai 2021]. https://www.has-
sante.fr/jcms/p_3118247/fr/projet-de-grille-d-analyse-pour-l-evaluation-de-dispositifs-
medicaux-avec- intelligence-artificiell
Questionnaire
Dans le cadre de notre mémoire de fin d’année, nous souhaiterions vous interroger : L’IMPACT DE
L’IA DANS LA PERFORMANCE DES SERVICES DE MATERNITES. Ce questionnaire est
anonyme et ne demande que 10 minutes de votre temps.
……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………
…………………………………………………………………………………..
……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………
Oui Non
……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………
20.Les retards au poste et les présences aux séminaires de formation
sont-ils mieux suivis ? Oui Non
21.La majorité des parturientes sont-elles satisfaites ? Oui Non
IV. Les difficultés rencontrées par le personnel soignant
22.Quelles sont les difficultés que vous rencontré dans l’usage de
l’outil ?
Manque de formation
Autres :……………………………………………………………………………
Autre : ……………………………..
7. Les membres du personnel étaient-ils suffisamment à votre écoute ?
Oui Non Ne sais pas
Bruit 0 1 2 3 4 5
Chaleur 0 1 2 3 4 5
Lumière 0 1 2 3 4 5
Manque d’intimité 0 1 2 3 4 5
Attente longue 0 1 2 3 4 5
Confort de l’installation 0 1 2 3 4 5
Autre ………………. 0 1 2 3 4 5
11.Les infirmiers du service vous ont -ils aidés dans l’observance des
recommandations ? :
OUI NON Pas de réponse
12.Les règles d’hygiène et asepsie sont t-elles observées ?
OUI NON
PRESIDENT DU COMITE
DE GESTION
DIRECTION
COMMISSION CONSEIL
MEDICALE COMITE DE COMITE D’ETABLISSEMENT
CONSULTATIVE MEDICAMENTS D’HYGIENE
COMITE DE
GESTION
DIRECTEUR