DEDICACE

A notre père N’GUSSAN BELLA REMY

« On ne finit jamais d’étudier » nos sœurs et moi connaissions ces paroles, car tu ne te lassais
de nous les dire.

Nous te remercions pour tout le sacrifice.

Que le tout puissant te garde longtemps pour savourer les fruits de ton labeur.

A notre maman TROU CECILE épse N’GUESSAN,

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.

A nos frères et sœurs

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 la direction de l’École Supérieure Libre des Sciences Commerciales

Appliquées, en particulier, Monsieur le Directrice Xavier Auzanneau,

• Au corps enseignant de l’ESLSCA Business School Paris

• A la direction de l’Hôpital General d’Abidjan -Treichville

• Au personnel du service de maternité de l’Hôpital General d’Abidjan -

Treichville

Au Grand Missionnaire Jokeirrocher,

Recevez en ce travail, toute notre reconnaissance pour votre sens d’écoute et de

rigueur, pour votre dynamisme dans la gestion humaine et les nombreux
sacrifices consentis pendant notre formation.

A Mr Tra Bi, Infiniment merci pour votre disponibilité et pour tout l’énergie
dépensée pour mon soutien.

Au Docteur KOFFI MOUROUFIÉ ALBERT, notre directeur de mémoire

Nous vous remercions pour votre disponibilité. Votre soutien et encouragement,

nous ont été d’une grande utilité dans l’élaboration de notre mémoire de fin de
cycle.

Auprès de vous, nous avons beaucoup appris. Ce travail est le vôtre.

A M. Kouassi Auguste, Votre simplicité et votre rigueur dans le travail nous

ont été d’une grande utilité.

Que Dieu vous garde.

SOMMAIRE
DEDICACE I

REMERCIEMENT II

SOMMAIRE 3

LISTE DES SIGLES ET ABREVIATIONS 5

LISTE DES TABLEAUX 6

LISTE DES FIGURES 8

INTRODUCTION 10

CHAPITRE I : CADRE THEORIQUE DE L’ETUDE 15

CHAPITRE II : MATERIELS ET METHODES D’ETUDE 34

CHAPITRE III : RESULTATS 45

CHAPITRE IV : COMMENTAIRES ET DISCUSSION 66

CONCLUSION 73

RECOMMANDATIONS 74

RÉFÉRENCES 76
LISTE DES SIGLES ET
ABREVIATIONS
ACP : Analyse en Composante Principale

ANAES : Agence Nationale d'Accréditation et d'Evaluation de la Santé

ANDEM : Agence Nationale pour le Développement de l'Evaluation Médicale

APSoReN : Amélioration du Parcours de Soins de la patiente traumatisé par une grossesse en

développement d’un modèle d’intelligence artificielle en Réseau de Neurones appliqué à des
jeux de données massives

ASI : Association Suisse d’Infirmiers

CEDEAO : Communauté Économique des États d'Afrique de l'Ouest ...

CHU : Centre Hospitalier Universitaire

CNIL : Commission Nationale de l'Informatique et des Libertés

COVID-19 : CORONAVIRUS 2019

CPN : Consultation Prénatale

CUDA: Compute Unified Device Architecture

DCP : Données à Caractère Personnel

DDR : Date des Dernières Règles

DEPS : Direction Des Etablissements Prives Et Des Professions Sanitaires

DL : Deep Learning

DME : Dossier Médical Électronique

DREES : Direction de la Recherche, des Études, de l'Évaluation et des Statistique

ECG: Electrocardiogramme

GPU: Graphics Processing Unit

HAS : Haute Autorité de la Santé

HGT : Hôpital Général de Treichville

IA : Intelligence Artificielle

IDE : Infirmier Diplômé d’Etat

IGAS : Inspection Générale des Affaires Sociales

INESSS : Institut National d’Excellence en Santé et Services Sociaux.

INSERM: Institut National de la Santé et de la Recherche Médicale

2
km : Kilomètre carré

MANOVA : Analyse de Variance Multivariée

MSHP : Ministère de la Santé, et de l’Hygiène Publique

MYCIN : un système à base de connaissances capable de diagnostiquer des infections

bactériennes et de proposer des traitements.

OCDE : Organisation de Coopération et de Développement Économiques

OMD : Objectifs du Millénaire pour le Développement

OMS : Organisation Mondiale de la Santé

PMA : Paquet Minimum d’Activité

RGPH : Recensement Général de la Population et de l'Habitat

SADM: Systèmes Informatiques d'aide à la Décision Médicale

SNARC : Stochastic Neural Analog Reinforcement Calculator

TIC : Technologie de l’information et de la communication

LISTE DES TABLEAUX
Tableau I: Eléments conceptuels de performance 31
Tableau II: Répartition des soignants selon leur niveau en TIC 47
Tableau III: Fréquence des réponses des soignants concernant les indicateurs intégré à l'IA 48
Tableau IV: Fréquence des réponses des soignants relative aux indicateurs organo-
fonctionnels intégré à l'IA 48
Tableau V: Répartition des réponses du personnel soignant relative à l'évaluation des facteurs
pronostiques ET le devenir de la patiente 52
Tableau VI: Analyse de la disponibilité du matériel dans la motivation du personnel soignant
57
Tableau VII : Analyse de la rapidité d'exécution des taches dans la motivation du personnel
soignant 58
Tableau VIII: Analyse de la qualité des affectations du personnel soignant dans la motivation
du personnel soignant 59
Tableau IX: Analyse de la qualité du partage des primes dans la motivation du personnel
soignant 60
Tableau X: Analyse de la promptitude du personnel soignant 61
Tableau XI: Fréquence des réponses des prestataires de soins relatifs aux difficultés 63
LISTE DES FIGURES
Figure 1: Représentation de l’algorithme d’IA RADLogics similaire à l’IA CT Imaging
Analytics l’IA CT Imaging Analytics Solution calculant le ratio volume affecté/ volume total
pulmonaire (score corona) sur des images de scanners de patients atteints de la COVID-19 au
cours du temps (Radlogics Inc.,2020) 23
Figure 2:Cycle d’amélioration de la performance de Nutley et Smith (1998) 30
Figure 3: Localisation du site d'étude 35
Figure 4: Répartition du personnel soignant selon le genre 45
Figure 5: Répartition du personnel soignant selon la tranche d’âge 46
Figure 6: Répartition du personnel soignant selon la profession 47
Figure 7: Répartition du personnel soignant selon l'ancienneté professionnelle 48
Figure 8: Répartition des soignants selon la durée de réalisation d'une CPN 52
Figure 9: Répartition des réponses du personnel soignant relative à la durée de la
délivrance53
Figure 10: Répartition des réponses des patientes relatives à la prise en compte des soucis 56
Figure 11: Répartition des réponses des patientes concernant la qualité du traitement 57
Figure 12: Répartition des réponses des patientes concernant la qualité de la prestation 58

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.

L’intelligence artificielle permet en plus de cela, d’augmenter les capacités de

raisonnement des médecins et des sages-femmes afin de mieux prendre en charge leurs
patientes. Elle est particulièrement utile pour analyser des images médicales complexes ainsi
que les masses de données associées aux populations de patients que le cerveau humain ne
peut appréhender dans leur totalité.

Cependant, même si les applications sont nombreuses, il reste néanmoins encore

beaucoup de travail pour que l’intelligence artificielle entre dans la pratique courante des
médecins, des infirmiers, des patients et des chercheurs. (HAS, 2018).

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).

Ainsi, selon l’OMS (2020), chaque année :

- Plus d’un demi-million de femmes meurent de causes liées à la grossesse.

- 10,6 millions d’enfants décèdent dont 40% pendant le 1er mois.

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)

Parfois l’intelligence artificielle, et le développement des sciences médicales, la

grossesse et l’accouchement devraient poser moins de problèmes pour la femme qui est la
cible des services de maternité. Malheureusement, surtout dans les pays en voie de
développement tels que le nôtre, la grossesse constitue encore un problème de santé publique
à cause des conditions socio-économiques défavorables de nos femmes enceintes, et du
plateau technique dépourvu dans la majorité des cas, d’outils dotés d’intelligence artificielle.

En Côte d’Ivoire, le risque de mortalité était de 1 sur 12 femmes en âge de

reproduction et celui de la mortalité néonatale était de 31 pour 1000 (Agbo, 2017). Les
complications lors de la grossesse ou de l’accouchement étaient observées chez 15 femmes
sur 75. (Agbo, 2017)

Ainsi, au cours des deux dernières décennies, la communauté internationale a

manifesté à plusieurs reprises son engagement à réduire les taux de mortalité maternelle et les
complications dont les femmes sont sujets dans les services de maternité. Cette préoccupation
a atteint son paroxysme lors du sommet du millénaire pour le développement en 2020, où les
dirigeants du monde se sont engagés à améliorer la santé de la mère et de l'enfant. En effet,
deux des huit objectifs du millénaire pour le développement (OMD) à savoir l'objectif 4 et 5
sont consacrés à cette problématique.

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 ?

De cette question principale, découle les questions subsidiaires telles que :

● Quelle est l’influence de l’IA sur la réalisation des prestations de soins ?

● Quels sont les tâches et les critères de risque manifestés par les patientes que l’on

pourrait intégrer lors de l’implémentation des applications ?

● 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.

De cet objectif sont déclinés les objectifs spécifiques suivants :

⮚ Définir les caractéristiques socio- professionnelles du personnel soignant

⮚ Identifier les critères d’évaluation liés aux risques de complications ou de mortalités

chez les gestantes

 ⮚ Recenser l’ensemble des tâches intégrable à l’IA, toute en évaluant le lien entre les

facteurs liés à leur organisation, la motivation du personnel et la satisfaction des

patientes

⮚ Décrire les pratiques d’usage liées au traitement de la patiente et à la motivation du

personnel de santé

⮚ Analyser l’apport réel d’un outil doté d’IA au service de maternité

⮚ Recenser les difficultés rencontrées par le personnel soignant et faire des propositions

Ces différents objectifs se proposent de vérifier les hypothèses suivantes :

• le personnel soignant dispose d’une connaissance mitigée de l’intelligence artificielle

• la définition des critères de risque est un moyen de prévention par excellence

• la mise en place d’outil intelligent et du système intelligent d’alerte rend efficace le

personnel dans la conduite des soins pour le bonheur et la satisfaction de la clientèle

Notre travail s’articule autour de deux parties en plus de l’introduction et de la

conclusion. Nous avons d’une part le cadre théorique et méthodologique et d’autre part les
résultats et les recommandations afin d’améliorer la situation.
 PREMIERE PARTIE

CADRE THEORIQUE ET
METHODOLOGIQUE DE L’ETUDE
CHAPITRE I : CADRE THEORIQUE DE L’ETUDE
I. JUSTIFICATION DU CHOIX DU SUJET

I-1 Motivation personnelle

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.

Ainsi, le personnel médical se retrouvant débordé, la planification orchestrée prenait un

coup.

✔ Comment pouvons-nous communiquer avec le patient à ce moment-là et s’assurer

d’effectuer un travail de qualité et performant ?

✔ De quelle façon devons-nous nous informer de son état de santé ?

✔ Où commence-t-elle réellement la prise en soin et par qui ?

✔ Comment recueillir, rassurer et écouter le patient ; établir un dialogue, pallier le risque

de mortalité ?

✔ Et comment s’assurer d’une rentabilité coût-efficacité dans notre prestation ?

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).

Malheureusement dans nos pays en voie de développement, la grossesse constitue encore

un problème de santé publique à cause des conditions socio-économiques défavorables. Elle
peut engendrer des complications graves pour la vie de la mère et de l’enfant (GOITA N,
2006).

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 hémorragies 39% ;

- L’HTA et ses complications telle que l’éclampsie) 19% ;

- Les RU (Ruptures Utérines) 15% ;

- Les infections 14% ;

-Les GEU 8% ;

- Les avortements provoqués 5% ;

- Les dystocies ;

- Les causes indirectes de mortalité maternelle tels que l’anémie, le paludisme ;

Notre étude va nous permettre :

-D’amener le personnel du service de maternité au respect de l’environnement de

l’intervention par la maitrise de l’outil doté d’une intelligence artificielle

-De monter aux intervenants comment l’usage des outils technologiques garantit une réussite
des interventions, donc la qualité de la prestation : médecine performante

- De faire prendre conscience aux patients et personnel qu’un changement de comportement

contribue à une meilleure prise en charge et à un travail de qualité souhaité

- D’intégrer les bonnes pratiques de techniques lors des interventions au service de maternité

I-3 Intérêt d’ordre scientifique

Cette étude permettra de faire prendre conscience de l’importance de l’usage de l’intelligence

artificielle dans l’amélioration de la performance des services de santé en général et de façon
particulière des services de maternité.

Plus de la moitié du personnel médical déclare vouloir effectuer des travaux

remarquables et respectueux des normes. Ceci est particulièrement important dans les centres
de santé car dans la manipulation des actes, 90% du personnel médical provoque des
complications liées aux actions. (Karabay et al., 2007).

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

II.1. L’INTELLIGENCE ARTIFICIELLE EN MEDECINE

1.1. Histoire de l’intelligence artificielle
Le terme intelligence artificielle est apparu en 1956 lors d’un séminaire d’été à
Dartmouth aux Etats-Unis d’Amérique et c’est à John McCarthy qu’on attribue la paternité du
nom de cette nouvelle discipline (Goodfellow I, et al, 2018). Cependant Warren McCulloch
et Walter Pitts ont été les précurseurs des travaux portant sur l’IA (Goodfellow I, et al,
2018). Ils se sont inspirés des connaissances sur la physiologie et le fonctionnement des
neurones dans le cerveau, de l’analyse formelle de la logique propositionnelle de Russell et
Whitehead, et de la théorie du calcul de Turing (Russel S, 2010). Un modèle de neurones
artificiels a été donc défini en 1943 par McCulloch et Pitts. En 1957, Frank Rosenblatt inventa
le perceptron, un algorithme d’apprentissage qui simulait le fonctionnement d’un neurone.
L’objectif premier du perceptron était de classifier des images. (Russel S, 2010).

Une période de désintérêt et de désengagement financier intervient au début des

années 1970, à la suite des échecs de l’IA à l’époque de tenir ses promesses dans le domaine
du langage, de la traduction automatique. Les chercheurs ont nommé cette période « l’hiver
de l’IA », en anglais « AI Winter ». Après une lueur d’espoir avec l’essor des premiers
ordinateurs personnels et une puissance de calcul plus importante disponible, l’IA connaît son
deuxième « hiver » à la fin des années 1980. C’est l’apparition d’Internet et la quantité
massive de données créées dans son sillage au milieu des années 1990 qui a remis l’IA sur le
devant de la scène. En 2001, l’apparition des premières cartes graphiques dédiées (GPU pour
Graphics Processing Units) pour la gestion de l’affichage des écrans a parallèlement permis
d’augmenter la puissance de calcul des ordinateurs. En effet, les scientifiques ont par exemple
pu effectuer des calculs matriciels à l’aide de ces processeurs graphiques programmables.
L’accès à ces ressources de calcul a été facilité par la mise à disposition de la bibliothèque
CUDA par le fabricant Nvidia (Julia L, 2019). D’autres dates avec une portée symbolique
importante sont résumées ci-dessous :

➢ 1951: SNARC (Stochastic Neural Analog Reinforcement Calculator), Marvin

Minsky construit avec un étudiant de Princeton la première machine neuronale avec 40
« synapses ».
➢ 1966: premier robot mobile Shakey the robot.
➢ 1972 : reconnaissance vocale, premier appareil commercialisé après 20 ans de recherche.
➢ 1975 : MYCIN ; système expert d’aide à l’identification des infections aigües et de
recommandation des traitements antibiotiques. ( Le Cun Y, 2019)
➢ 1989 : reconnaissance d’image à partir des travaux de Yann Le Cun.
1.2. Définition
« L’IA est la science et l’ingénierie de fabrication de machines intelligentes, en particulier les
programmes informatiques intelligents. » Alan Turing (1912-1954).

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.

1.3. L’Intelligence Artificielle en santé

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).

1.4. L’IA en science de la reproduction

a. Entrée de l’IA dans le secteur de la santé de la reproduction : vers une maternité
sans risques

Le médecin-gynécologue et la sage-femme sont les premiers personnels de santé à s’être

intéressés à l’IA dans les années 1960-1970 au travers d’applications de type système expert
d’aide au diagnostic. Ces applications sont construites en confrontant les données de la
patiente (données génomiques, paramètres biochimiques et hématologiques, microbiome,
régime alimentaire, comportement sexuel et activité physique etc.) à une masse de données
issues d’autres patientes et à des bases de connaissances, de façon à établir une marche à
suivre thérapeutique précoce, précise et individualisée (André, 2019). Les données médicales
issues des CPN et des consultations gynécologiques sont transformées en connaissances afin
de mieux accompagner les praticiens lors de la prise en charge de leurs clientes. « On parle de
personnel de santé augmenté. Néanmoins l’humain reste au cœur du processus et surtout il en
garde le contrôle » (Fernández, 2020).

Mais pour que l’IA puisse s’appliquer en médecine de reproduction, de manière

individualisée et précise, de grandes quantités de données médicales doivent pouvoir être
collectées, sélectionnées et analysées.

b. Collecte des données des patientes

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).

La collecte et l’analyse de données permettent de traiter précocement certaines

pathologies et complications, de faire des économies d’intrants, d’optimiser le travail, de se
comparer (benchmarking) et de faire émerger les pratiques les plus performantes (Siné, 2019).

c. Regroupement des données en santé

La coordination des personnels de santé dans l’organisation de collectes et le

regroupement de données médicales en vue de leur exploitation sont reconnus aujourd’hui
comme des éléments essentiels de la qualité de la prise en charge médicale individuelle. C’est
en ce sens qu’en médecine humaine précisément en santé de la reproduction, la ministre
française des Solidarités et de la Santé a annoncé la création officielle le 1er décembre 2019
d’une plateforme de données de santé (Health Data Hub), plateforme sécurisée de partage
entre producteurs et utilisateurs de données de santé (CNIL, 2020 ; www.health-data-
hub.fr).

L’objectif est d’organiser le travail collaboratif et d’assurer juridiquement qu’aucune

information ne soit reprise à titre privé. En effet, les informations peuvent être utilisées par
tous, mais personne ne peut s’en attribuer la propriété. Les enjeux majeurs sont, pour les
acteurs qui s’en servent, de stocker et de rendre exploitables ou visualisables les données
médicales.

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).

1.5. Apport de l’IA dans l’atteinte d’une performance

● IA aide au diagnostic médical rapide chez un individu

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 titre d’exemple CT Imaging Analytics Solution (ALIBABA, Chine) possède des

algorithmes de DL qui pourraient, d’après des images de tomodensimétrie, évaluer la
probabilité de différents types de pneumonie dont celle associée à la COVID-19
(Coronavirus Disease 2019) des femmes enceintes (avec une sensibilité et une spécificité de
98 %, F1-score de 97 %) et calculer un « score corona » (ratio du volume pulmonaire affecté
par rapport à l’ensemble du volume pulmonaire) (Figure 1). Le mécanisme de DL ne dure que
20 secondes au maximum (ce qui le rend 60 fois plus rapide que la lecture par l’Homme) et
détecte des anomalies de l’ordre du pixel (Ko et al., 2020).
 Figure 1: Représentation de l’algorithme d’IA RADLogics similaire à l’IA CT Imaging
Analytics l’IA CT Imaging Analytics Solution calculant le ratio volume affecté/ volume total
pulmonaire (score corona) sur des images de scanners de patients atteints de la COVID-19 au
cours du temps (Radlogics Inc.,2020)
 ● IA aide au triage des patientes

La création d'interfaces conversationnelles nommées chatbot et basées sur l'IA peut

automatiser le dépistage des patientes et faciliter la navigation dans les soins de manière
individualisée (triage).

Le mastodonte de cette catégorie est Babylon Health (Etats-Unis) avec son

application d’IA Babylon - Healthcheck, video appointments & more qui, mise au point avec
l’aide de médecins, et de sage-femmes, interprète les symptômes d'une utilisatrice afin de lui
fournir le diagnostic le plus probable et de lui donner des conseils individualisés sur les
mesures à prendre (programmation d'une consultation vidéo avec un médecin ou une sage-
femme, renseignement auprès d’un pharmacien, intervention d’une infirmière etc.). Pour cela,
l’utilisatrice doit sélectionner une partie du corps et répondre à une série de questions à choix
multiples. L’algorithme « collecte » alors les choix, élimine les résultats non adéquats et
propose le diagnostic le plus probable et les mesures à prendre en priorité (Middleton et al.,
2016).

La technologie sous-jacente est un algorithme de DL utilisant un graphique de

connaissances. Ce graphique fonctionne comme une encyclopédie numérique de médecine de
la reproduction. Il permet d’établir des relations entre diverses pathologies, complications,
symptômes et facteurs de risque. Le DL permet d’interpréter rapidement les messages des
patientes du chatbot et accélère la tâche de collecte de toutes les combinaisons possibles de
symptômes, de maladies et de facteurs de risque qui pourraient correspondre à chaque cas de
patiente (Hsu, 2019).

● IA aide à la prise en charge individualisée

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.

Le CHU de Toulouse et le Collective Thinking, société française spécialisée en IA,

allient leurs expertises autour du projet APSoReN (Amélioration du Parcours de Soins de la
patiente traumatisé par une grossesse en développement d’un modèle d’intelligence artificielle
en Réseau de Neurones appliqué à des jeux de données massives) pour analyser le contenu
textuel de dossiers médicaux de patientes traumatisés (CHU Toulouse et Collective
Thinking, 2020). Le traumatisme post partum est une pathologie grave à fort enjeu de santé
publique avec 150 000 nouveaux cas/an en France dont 20 % garderont des séquelles. Le
parcours de soin de ces patientes est assez complexe car n’ayant pas de tout temps conscience
de leurs troubles (anosognosie), ils peuvent échapper au parcours de soin durant plusieurs
années. (Santé publique France, 2019).

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).

● IA aide à la consultation à distance : télésanté

L’épidémie de la COVID-19 a considérablement accéléré l'adoption de la télésanté,

c’est-à-dire la prestation de services cliniques aux patients à distance plutôt qu'en personne à
l'aide d'outils numériques. L’IA offre aux praticiens la possibilité d’être disponibles auprès de
leurs clientes 24 heures sur 24, 7 jours sur 7 ainsi que l’accès à des services spécialisés
(lecture de radiographies, de tracés d’électrocardiogramme (ECG), de lames d’examens
cytologiques, écographie etc.) (André, 2019).

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.

Actuellement il est difficile de dépister une fibrillation auriculaire intermittente sur un

tracé d'ECG, puisque l'examen peut être réalisé à un moment où la fréquence cardiaque est
normale. Une surveillance longue et coûteuse via l’implantation d’un appareil est nécessaire.
Environ 450 000 tracés collectés entre 1993 et 2017 et réalisés durant 10 secondes lors d’un
rythme sinusal normal avec ou sans fibrillation atriale ont été analysés et ont permis à
l’algorithme de DL d’Eko d’établir une signature ECG des fibrillations atriales intermittentes.
 ● IA aide à la précision et à l’individualisation des soins hospitalier

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).

II.2. DE LA PERFORMANCE DES SERVICE DE SANTE

II.1. Notion de performance et de qualité de soins

a. Notion de qualité de soins

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.

La qualité des soins techniques consiste à appliquer des sciences et technologies

médicales de manière à arriver au maximum des bénéfices pour la santé sans augmenter pour
autant de risques. Le niveau de qualité est alors la mesure par laquelle les soins fournis
permettent d’arriver à l’équilibre le plus favorable de risques et bénéfices « (DONABEDIAN)
» Pour les Américains, La qualité des soins recouvre cinq composantes :

= L'efficacité médicale.

= La conformité aux normes scientifiques admises par les plus hautes autorités en la matière.

= L'adéquation entre l'offre de prestation et les besoins des malades.

= La sûreté (minimum de risques pour le malade).

= 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 ».

b. La qualité des accouchements :

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 ;

- reconnaître et prendre en charge les complications notamment prendre les mesures

nécessaires pour sauver la vie de la mère et de l’enfant ;

- 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.

Pour ce qui concerne l’approche de la performance, John Kimberly et Etienne

Minvielle (2000) dans leur livre « Measurement and management of Quality in healthcare »
affirment, en introduction de leur livre que le monde hospitalier ne peut plus rester à l’écart du
mouvement de la performance qualitative et doit s’adapter et rendre des comptes à la société.
« This confrontation raises the question of national priorités ».

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. »

II.2. L’évaluation de la performance des services de santé

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.

Nutley et Smith en 1998 ont proposé un cycle de mesure et d’amélioration de la performance

(Figure 2.) dans lequel le cadre conceptuel de la performance et donc sa mesure diffèrent
selon les systèmes de santé : systèmes dominés par un régime d’assurance maladie privée et
soins assurés par des prestataires privés (Etats Unis), systèmes dominés par un régime de
sécurité sociale, les soins étant assurés par des prestataires privés et publics (plusieurs pays
européens, Canada), systèmes financés par l’impôt, les soins étant assurés par des prestataires
publics (Royaume Uni, pays nordiques)

Les indicateurs de performance servent à remplir quatre fonctions essentielles : faciliter

l’exercice d’un contrôle, permettre aux instances réglementaires d’observer de façon continue
les systèmes et services de santé, influer sur le comportement des professionnels et des
organismes au niveau tant macro-économique (population) que micro-économique (patients)
et définir l’action à mener (Leatherman S., 2001 et 2002).

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 )

La diminution de l’asymétrie d’information entre professionnels de santé et patients

qui en résulte, alliée à une position renforcée des patients dans le système de soins incitent les
professionnels de santé à la responsabilisation et à la production d’une médecine de qualité
afin de conserver leur réputation vis-à-vis des usagers (Ghadi et Naiditch, 2001). Ainsi, la
divulgation publique des indicateurs de performance sous forme de tableaux de bords ou de
palmarès (sur les sites Internet gouvernementaux ou dans la presse) vise non seulement à la
transparence et au renforcement de la place du patient par son éducation et son information
mais aussi tente de responsabiliser le consommateur et les prestataires de santé (Marshall et
al., 2000)

Si les indicateurs de performance sont des outils de réglementation, de gouvernance, de

responsabilisation, ils concourent aussi à l’amélioration des connaissances des professionnels
sur leurs pratiques et par le biais de comparaison à des référentiels validés ou entre
professionnels, à l’amélioration de leurs compétences (Leatherman S., 2001, 2002). Les
modèles de performance hospitalière varient cependant selon les systèmes de santé et selon
les cadres conceptuels de la performance qui leur sont propres.

Figure 2 : Cycle d’amélioration de la performance de Nutley et Smith (1998)

 III. CADRE CONCEPTUEL
Les tâches dévolues au personnel soignant exerçant dans une maternité obéissent à un certain
nombre de critères. C’est dans ce sens que l’association suisse d’infirmiers (ASI) affirment
que « la sage-femme est une infirmière diplômée spécialement formée pour travailler dans
une équipe gynéco-obstétricienne. Elle travaille sous la responsabilité du médecin
gynécologue et les soins relèvent de sa compétence ».

L’ASI a défini le domaine d’activité du personnel soignant de la maternité de la manière

suivante :

- La prise de contact et la prise en charge de la patiente

- L’entretien et le maniement du matériel, des appareils et instruments utilises en salle

d’accouchement et en néonatalogie ainsi que la préparation des médicaments et produits
anesthésiques

- l’organisation des consultations prénatales et des vaccinations

- L’exécution et la surveillance du travail de la parturiente sous la responsabilité du

médecin gynécologue

- La pratique des gestes d’urgence et de soins

- La surveillance et les soins aux malades.

En de telles pratiques, selon D. Baubeau de la DREES, la notion de performance est

plus large que celle de qualité. Elle se préoccupe de savoir ce qu’est un « bon hôpital » (même
si à l’heure actuelle, cette notion n’a pas de réponse claire). La performance englobe
l’obtention de résultats et la satisfaction des patients.

C’est la mesure de la capacité d’un établissement de santé d’atteindre des objectifs ;

d’après G. de Pouvourville de l’INSERM, la performance hospitalière est « un concept qui
renvoie, fondamentalement, à l’atteinte d’objectifs ».

Ainsi, l’assurance d’un travail performant et de qualité par le personnel soignant,

s’annonce primordial pour assurer une bonne pratique avec les différentes techniques utilisées
de nos jours.

Selon cette mission globale, la sage-femme et le médecin gynécologue tiennent une

place importante et jouent un rôle prépondérant en tant que professionnel de la santé ; par
l’évaluation continue des besoins fondamentaux des bénéficiaires de ses prestations. Il doit
particulièrement veiller afin d’éviter la survenue des accidents ou incidents pouvant
provoquer des dépenses supplémentaires, des complications voire la mort.

Ainsi, dans la démarche scientifique des soins infirmiers Suzanne KEROUAC avait-elle
défini trois paradigmes.

● Le paradigme de l’intégration :

Dans ce paradigme, l’acte médical vise à contribuer à la préservation de la santé d’une

personne dans toute sa dimension physique, mentale, et sociale. Il tient donc compte des
différentes perceptions qui émanent des situations, répond au principe de la relation d’aide et
au concept de la santé selon l’OMS (1946).

● Le paradigme de la transformation :

Ce concept contribue à la satisfaction du bien-être, tel qu’exprimée par la personne

elle-même. Ici le personnel soignant assiste la personne ou le groupe dans sa/leur prise en
charge de la santé dans une atmosphère requise, et permettant son épanouissement et sa
motivation.

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.

Il répond au principe de prendre soin de Florence Nightingale : « fournir au patient le

meilleur environnement possible, pour que les forces de la nature permettent la guérison ou le
maintien de la santé ». Il nécessite une intervention infirmière qui est soit dirigée sur le patient
ou sur l’environnement sans la présence du patient. Cette intervention vise à détruire les
microbes et prévenir les infections.

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 :

Temps horaire de travail Hygiène du milieu

Charge de travail Propreté des locaux

Disponibilité du matériel et équipement Eclairage des locaux

Répartition des tâches Hygiène du milieu

Affectation aux services Relations interpersonnelles

Etat de satisfaction des usagers Collaboration avec l'autorité hiérarchique

Implication dans la prise de décision

Tableau I : Eléments conceptuels de performance

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

II.1.1 Milieu d’étude

La Côte d’Ivoire est un pays d’Afrique de l’Ouest, membre de l’Union Africaine. D’une
superficie de 322 462 km2, elle est limitée au nord par le Mali et le Burkina Faso, à l’ouest
par le Liberia et la Guinée, à l’est par le Ghana et au sud par l’océan Atlantique. La
population est estimée à 32 671 331 habitants en 2021. La Côte d’Ivoire a pour capitale
politique et administrative Yamoussoukro (Abidjan demeurant capitale économique), pour
langue officielle le français et pour monnaie, le franc CFA. Le pays fait partie de la
CEDEAO.

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.

Elle est limitée :

• À l'est par les communes de Marcory et de Koumassi,

• Au nord par celles du Plateau et de Cocody,

• Au sud par la commune de Port-Bouët

• Et à l'ouest par la lagune Ébrié.

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 :

• La Formation Sanitaire Urbain Jean Delafosse……

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.

• Le Dispensaire Urbain du Pont Houphouët Boigny….

Construit en 1952 et situé face à la cité policière de Treichville près du Pont Houphouët
Boigny à Abidjan, ce centre dispose de :

1. Une salle de mise en Observation d’une capacité de trois (03) lits

2. Un service de Médecine Générale

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

L’HGT est l’établissement sanitaire de référence de la commune. Sa mission consiste à mettre

en œuvre le PMA (le paquet minimum d’activité). Ce PMA tient compte des besoins de la
population, des priorités de santé existante localement et du rapport cout-efficacité des
interventions de santé.

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

L’HGT dispose de services de soins, de services médico-techniques, de services généraux et

de services Administratifs et Financiers. (Annexe)

 Services de soins

Ce sont : La Médecine Générale ; La Gynécologie obstétrique (la maternité CPN et la

Gynécologie) ; La Pédiatrie ; L’Odontologie (le cabinet dentaire) ; L’ORL ;
L’Ophtalmologie, Cardiologie, Dermatologie, Psychiatrie (Hygiène mentale), Nutrition,
Service Social (Vaccination)

 Services médico-technique

Il s’agit : D’un laboratoire d’analyses médicales ; D’une pharmacie interne ; D’un service
d’imagerie médicale (échographie seulement).

 Services Administratifs et Financiers

Il s’agit : De la Direction ; d’un service administratif et financier. Il est chargé de la gestion

des moyens humains, technique et financiers mis à la disposition de l’Hôpital. Il comprend :

• Le bureau des entrées ;

• Le bureau des affaires sociales ;

• Le service économique et du patrimoine.

● . 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.

II.1.3. CHAMPS D’ETUDE

Elle est composée de : Unité CPN (consultation prénatale), Unité accouchement, suite de
couche, Unité planning familial et consultation prénatale, Unité de vaccination, L’unité
accouchement, suite de couche est dirigée par les sages-femmes major et son adjointe, toutes
deux assistées par 13 autres sages-femmes et une aide-soignante.

Les sages-femmes font un système de rotation par service. Tous les jours le travail est
organisé de la manière suivante :

A 8 heures l’aide-soignante prend les constantes des parturientes,

A 8 heures 30 : les séances d’examen

A 9 heures : commencent les prestations proprement dites. Elles font en moyenne 10

accouchements par jour.
II.2. METHODES
L'approche méthodologique suivie pour la réalisation de notre travail a été basée sur trois
approches fondamentales.

1.1. Type d'étude

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.

1.2. Lieu et période d'étude

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.

1.3. Population cible

La population d'enquête était constituée de tout le personnel permanent exerçant au sein de la

maternité de l’hôpital général de Treichville et des personnes ou patientes ayant fréquenté ce
service durant notre enquête.

1.4. Critères de sélection

-Critères d’inclusion

Pour être admis comme répondant aux critères d'inclusion, on devait :

● Être personnel permanent de la maternité de l’hôpital et être une patiente ayant reçu

des soins dans ce service

● Être présent pendant la période d'enquête ;

● Consentir à répondre à nos questions

- Critère d'exclusion dans l'étude

La personne faisant objet d'exclusion dans l'étude répond au critère suivant :

Être personnel permanent de l’hôpital mais absent au moment d'enquête.

Être patiente et souffrant d’une affection de l’ouïe ou du langage

 1.5. Détermination de l'échantillon

● Méthode

Nous avons procédé par un échantillonnage exploratoire non probabiliste. Il a consisté à

inclure dans notre étude les sujets au fur et à mesure qu’ils se présentaient jusqu’à l’atteinte de
la taille de l’échantillon définie.

● 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

Il s’agit d’un échantillon constitué de 3 médecins, 1 gynécologue, 7 sages-femmes, et 4 aide-

soignant(e)s.

Et de 44 patientes prises en charge au sein du service de maternité de l’hôpital général de

Treichville, pendant la réalisation de notre étude.

1.6. Technique et outil de collecte des données

 Pour recueillir les données nécessaires à la réalisation de notre enquête, nous avons posé
des questions et élaborer deux outils qui sont le questionnaire à l’endroit du personnel
soignant et le guide d’entretien adressé aux patientes. (Voir annexe)
 1.6.1. Validation

Elle s’est faite en deux étapes :

✓ Mise en forme des outils de collecte des données

Le questionnaire et le guide d’entretien ont été soumis à l’appréciation de nos

encadreurs, en vue de corriger les imperfections en tenant compte de l’adéquation entre les
questions et les objectifs de l’étude ainsi que de leur formulation.

✓ 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.

1.6.2. Déroulement de l’enquête

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.

1.7. Traitement et analyse des données

• 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).

• Analyse des données

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

La présente enquête a été précédée de quelques démarches administratives. Nous

avons obtenu une autorisation du directeur de l’hôpital général de Treichville. Qui lui a
délivré un document pour accord et d’en informer le personnel soignant. Par la suite le
document a été présenté au chef de service de la maternité.

1.9. Limites et difficultés

1.9.1. Limites de l’étude

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.

Toutefois il faut noter que nous rencontré difficultés telles que :

- La réticence des enquêtés

- L’insuffisance de temps

- La pandémie de la COVID-19

- Le manque de données statistiques fiables dans le service

RESULTATS ET DISCUSSION
CHAPITRE III : RESULTATS

III.1. CARACTERISTIQUES SOCIOPROFESSIONNELLES DU PERSONNEL

SOIGNANT
1. Sexe
n=16

25%

MASCULIN
FEMININ

75%

Figure 4 : Répartition du personnel soignant selon le genre

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

Moyenne = 38,48 Min = 20 Max = 58

Figure 5 : Répartition du personnel soignant selon la tranche d’âge

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%

10% 6.3% 6.3%

5%

0%
IDE Sage-femme Medecin Gynécologue Aide -
généraliste soignant (e)

Figure 6: Répartition du personnel soignant selon la profession

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%

Figure 7: Répartition du personnel soignant selon l'ancienneté professionnelle

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

Tableau II: Répartition des soignants selon leur niveau en TIC

n=16
Niveau en TIC Effectif Proportion (%)
Expert 3 18,8
Bon 1 6,3
Moyen 7 43,8
Faible 3 18,8
Aucun 2 12,5
Total 16 100

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

Paramètres/indicateurs Fréquence Proportion (%)

TA 12 75%
Complications à type HPP ou rupture utérine 11 68,8%
Age de la parturiente 9 56,3%
Utérus cicatriciel 9 56,3%
Grossesse unique ou multiple 9 56,3%
Présentation fœtale 9 56,3%
Parité 8 50%
Appréciation du globe de l'utérus 8 50%
Control des lochies 7 43,8%
Utilisation d'ocytocine 7 43,8%
Température 6 37,5%
Décision de voies d'accouchement 6 37,5%
Age maternel 5 31,3%
Respect CPN 4 25%
Etat de conscience 4 25%
Etat émotionnel 3 18,8%
Vérifier l'absence d'émission de selles par le 3 18,8%
vagin

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

Indicateurs organo-fonctionnels Fréquence Proportion (%)

Présence du personnel 11 68,8%

Respect des horaires 10 62,5%

L’établissement dispose du matériel et des fournitures de bases 10 62,5%

essentielles pour les soins et la détection des complications
Respect de l'intimité et de la confidentialité 8 50%

Protocole de taches 4 25%

Délai d'attente 4 25%

Participation séminaire 3 18,8%

Etat de satisfaction de la patiente 3 18,8%

Note de conduite de CPN 2 12,5%

Les indicateurs présentant une pertinence pour la performance structuro-fonctionnelle était

évoqué à savoir :

● Présence du personnel

● Respect des horaires

● L’établissement dispose du matériel et des fournitures de bases essentielles pour les

soins et la détection des complications

● Respect de l'intimité et de la confidentialité

III.3. APPORT DES INDICATEURS D’EVALUATION DE L’IA DANS LA
PERFORMANCE DU SERVICE
8. Pratiques d'usage liés au traitement de la patiente et à la motivation du personnel
de santé

● Durée de conduite d’une CPN

n=16

40% 37.5%
35%

30%
25.0%
25%

20% 18.8% 18.8%

% cit.
15%

10%

5%

0%
Moins de 30 30 min 1h >1h
min

Figure 8: Répartition des soignants selon la durée de réalisation d'une CPN

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

Figure 9: Répartition des réponses du personnel soignant relative à la durée de la délivrance

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

Tableau V : Répartition des réponses du personnel soignant relative à l'évaluation des

facteurs pronostiques ET le devenir de la patiente

Variables Oui Non Total

n % n %
Evaluation des facteurs 13 81,3 3 18,7 16
pronostics

Présence de parturiente décédée 3 18,7 13 81,3 15

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

● Respect de la patiente, des règles d’hygiène et d’asepsie

n=44

Air attentif/respect des règles d'hygiène et asepsie Oui Non Total

Oui 14 (31,8) 4 (9,1) 18 (40,9)

Non 14 (31,8) 12 (27,3) 26 (59,1)

Total 28 (63,6) 16 (36,4) 44 (100)

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%

10% 5.9% 8.2%

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

Figure 11 : Répartition des réponses des patientes concernant la qualité du traitement

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

Tableau VI : Analyse de la disponibilité du matériel dans la motivation du personnel soignant

Motivation du personnel soignant /la Pas des Beaucoup de ruptures TOTAL

disponibilité du matériel avec IA ruptures
Oui 11 (68,8) 0 (0) 11 (68,8)

Non 2 (15,4) 3 (18,7) 5 (31,2)

TOTAL 13 (81,3) 3 (18,7) 16 (100)

*Khi 2= 2,4 p= 0,012

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

Motivation du personnel Plus long Long Normal Court Plus TOTAL

soignant / durée court
d’exécution
Oui 1 (0,7) 2 (14,3) 5 (35,7) 1(13,6) 5 (35,7) 14 (87,5)
Non 0 (0) 1 (4,5) 0(0) 1 (8) 0 (0) 2 (12,5)
TOTAL 1 (0,7) 3 (18,8) 5 (35,7) 2 (21,6) 5 (35,7) 16 (100)

*Khi 2= 5,3 p=0,25

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

Tableau VIII : Analyse de la qualité des affectations du personnel soignant dans la

motivation du personnel soignant

Motivation Très Bonne Ni bonne Mauvaise Très TOTAL

/l'opérationnalisation bonne Ni mauvaise
et affectation du mauvaise
personnel soignant
Oui 4 (28,6) 3 (21,5) 6 (42,8) 1 (7,1) 0 (0) 14 (87,5)
Non 0 (0) 1 (7,1) 0 (0) 0 (0) 1 2 (12,5)
TOTAL 4 (28,6) 4 (28,6) 6 (42,8) 1 (7,1) 1 (7,1) 16 (100)
*khi 2 =9,1 p=0,06

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

Tableau IX : Analyse de la qualité du partage des primes dans la motivation du personnel

soignant

Motivation/ Très Equitable Inéquitable Aucune TOTAL

partage des primes équitable idée
Oui 7 (50) 5 (35,8) 1 (7,1) 1 (7,1) 14 (87,5)
Non 0 (0) 0 (0) 1 (6,2) 1 (6,3) 2 (12,5)
TOTAL 7(50) 5 (35,8) 2 (7,1) 2 (7,1) 16 (100)
*khi 2= 6,9 p=0,08

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

Tableau X : Analyse de la promptitude du personnel soignant

Motivation /Promptitude de Oui Non TOTAL

l'évidence des complications
Oui 10 (62,5) 4 (25) 14 (87,5)
Non 1(6,3) 1 (6,2) 2 (12,5)
TOTAL 11 (68,8) 5 (31,2) 16 (100)
*Khi 2= 4 p= 0,06

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

Motivation / les utérus Oui Non TOTAL

cicatricielles sont répertoriés
Oui 12 (75) 2 (12,5) 14 (87,5)
Non 0 (0) 2 (12,5) 2 (12,5)
TOTAL 12 (75) 4 (25) 16 (100)
*Khi 2= 6,9 p=0,01

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

Difficultés Fréquence Proportion (%) .

Manque de formation 13 81,3%
Manque d'intrants 8 50%
Manque de temps 4 25%
Saisie difficile 3 18,8%
Difficultés d'accès aux données 3 18,8%
Burguet 2 12,5%

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

IV.1. CARACTERISTIQUES SOCIOPROFESSIONNELLES DU PERSONNEL

SOIGNANT
1. Sexe et âge

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.

2. Qualification et ancienneté professionnelle

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

L’étude témoigne que la plupart des paramètres à risque tels que :

● Tension artérielle

● Hémorragie post-partum

● L’Age de la parturiente, l’utérus cicatricielle

● Le type de grossesse (unique ou multiple),

● La présentation fœtale,

● La parité,

● L’appréciation du globe de l'utérus etc)

Étaient pris en compte par la majorité du personnel soignant.

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

5. Indicateurs orga-fonctionnels intégrés à l’IA

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

• Respect des horaires

• La disponibilité du matériel et des fournitures de bases essentielles pour les soins et la

détection des complications

• Respect de l'intimité et de la confidentialité

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.

En effet, l’intégration de cet aspect a contribué au fait que :

● 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

moyenne de 45,6 min, avec des extrêmes de 18 min et de 3h 30 min

● La majorité des prestataires de soins procédait à l’évaluation des facteurs pronostiques

(81,3% des cas), ce qui occasionnait moins de décès soit 18,7%

Cette situation prouve que l’apport de IA est bénéfique et important pour palier certaines
complications, voire difficultés.

Selon Un Sondage IFOP (Institut d’Etudes Opinion et Marketing en France et à

l’International) réalisé en novembre 2020 sur la notoriété et l’image de l’intelligence
artificielle auprès des sages-femmes, met en évidence que 45 % d’entre elles pensent que l’IA
est indispensable car leurs résultats sont probants. Elles auraient donc conscience que son
développement est inéluctable en santé de la reproduction.

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.

Les résultats montrent que les personnes hospitalisées se préoccupent essentiellement de la

qualité des relations humaines. Ensuite, les trois autres thèmes qui reviennent le plus sont :

● Un parcours de prise en charge fluide, coordonné et rassurant ;

● Un professionnalisme reflété dans la qualité des informations communiquée et du

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).

7. Motivation du personnel soignant

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.

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. Et les charges de travail sont très
réduites ce qui évite les erreurs médicales.

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).

De ce fait, l’intelligence artificielle qui est une discipline complexe et en constante

évolution, de par son déploiement dans notre société pourrait permettre l’amélioration du
système de façon séduisante et permettrait une meilleure prise en charge des patientes.

Notre étude a montré que :

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 prestataires de soins procédait à l’évaluation des facteurs pronostiques

(81,3% des cas), ce qui occasionnait moins de décès soit 18,7%

• 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

A COURT TERME vont à l’endroit :

Du personnel de santé (Médecin, Sage-femme ; Matrone, Gérants des Dépôts de

pharmacie, Gardiens des centres).

- Renforcer l’interaction soignant-gestante ou parturiente par les séances de la CCC

(communication pour le changement de comportement)

- Faire la CPN selon les normes

- Assurer une bonne autonomisation des gestantes en les informant sur l’évolution de leur
grossesse et les risques encourus via les outils développés.

Des autorités sanitaires et politiques :

- Procéder à une supervision régulière au niveau des services de maternité par le

développement d’une base de données nationale

-Former le personnel à la maitrise des outils TIC et des IA

- 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

-Suivre régulièrement les états d’avancement de la grossesse, en respectant les rendez-vous et

en débutant dès l’absence des règles couplées de la confirmation par un test de grossesse
positif

-consulter les offres chatbots

- Appliquer strictement les conseils donnés par les sages-femmes.

A MOYEN TERME

A l‘endroit de l’HGT

- Prévoir au moins e-accueil pour les CPN.

-Rendre les services de CPN accessible à toutes les gestantes.

- Créer un cadre d’échange entre les gestantes et les sages-femmes.

- Faire la promotion des services de la maternité à travers les chatbots et l’IA

Des autorités sanitaires et politiques :

-Assurer la formation continue des sages-femmes pour une amélioration de la qualité de la

CPN

- Mettre en place une architecture informatique garantissant l’interopérabilité des systèmes et

du partage des données au sein des services de maternités

-Améliorer l’accès des femmes à l’éducation en augmentant le taux de scolarisation des

femmes par la promotion de l’alphabétisation

-Equiper le service de la maternité pour une meilleure prise en charge des gestantes et
parturientes.

- Recruter des ingénieurs en apprentissage automatique et/ou des développeurs informatique,

dans les services de maternité afin de conceptualiser des projets doté des algorithmes /
programmes

-Créer un cadre permanent d’échange entre les sages-femmes et les autorités administratives
de la commune

De la population et aux femmes enceintes :

-Favoriser la scolarisation des jeunes filles ;

-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

Barcellini, Flore. (2022) SpringerBriefs in Applied Sciences and Technology Managing

Future Challenges for Safety. DOI: 10.1007/978-3-031-07805-7_10

Chalmers B, Mangiaterra V, Porter R. WHO principles of perinatal care: the essential

antenatal, perinatal, and postpartum care course. Birth. 2018;28:202-7.

CHU Toulouse et Collective Thinking, 2020. L’intelligence artificielle au service de

l’amélioration des parcours de soins : le CHU de Toulouse et Collective Thinking lauréats de
l’appel à projets du Health Data Hub et du Grand Défi de la Bpi [en ligne]. Disponible sur
https://www.chu-toulouse.fr/IMG/pdf/cp_chut_collectivetk.pdf, consulté le 25/10/2020

DONABEDIAN A. The definition of quality: a conceptual exploration in quality assessment

and monitoring: The definition of quality and,,approaches to its assessment. Vol 1 Ann Arbor:
Health Administration Press; 1980. 3-28.

e Cun Y. Quand la machine apprend. Odile Jacob. 2019.

Ghadi V. et Naiditch M. (2001), « L’information de l’usager/consommateur sur la

performance du système de soins » - Revue bibliographique – DREES (Direction de la
recherche, des études, de l’évaluation et des statistiques) – Ministère de l’Emploi et de la
Solidarité - Série Études, N° 13, p. 6, Juin.

GOITA N. Evaluation de la qualité des consultations prénatales au centre de santé de

référence de la commune V du district de Bamako. Thèse de Médecine Bamako 2006-M-210.
GOITA N. Evaluation de la qualité des consultations prénatales au centre de santé de
référence de la commune V du district de Bamako. These de Medicine Bamako 2006-M-210.

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

Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. avr 2017;69:S36-40.

HAS (2005), Guide pour l’autodiagnostic des pratiques de management en établissement de

santé » - Direction de l’accréditation et de l’évaluation des pratiques professionnelles, p. 27-
29.

Hassenteufel P. et Palier B. (2000), « Construction européenne et politiques sociales », Paris ;

Montréal : l’Harmattan, Politique européenne, No. 2, p 29.

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.

https://www.deeplearningbook.org (page consultée le 13 septembre 2019)

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.

OMS (2021) : Éthique et gouvernance de l’intelligence artificielle pour la santé : orientations

de l’OMS. Résumé analytique [Ethics and governance of artificial intelligence for health:
WHO guidance. Executive ummary]. Genève, Organisation mondiale de la Santé, 2021.

OMS. Objectifs du Millénaire pour le développement – Indicateurs page principale dans

Internet; recensé le 16 fév. 2004. Genève, OMS, 2004

OMS. Objectifs du Millénaire pour le développement – Indicateurs age principale dans

Internet; recensé le 16 fév. 2004. Genève, OMS, 2004

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.

Russel S, Norvig P. Artificial Intelligence A modern Approach. Third Edition. Pearson

Education France. 2010.

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).

Tiembré I, Vroh Bi J.B, Tano O.A, Dogou-Wawayou B, Tagliante- Saracino J, Odehouri-

Koudou P et al. Évaluation de la qualité des consultations prénatales dans le district sanitaire
de Grand Bassam (Côte d'Ivoire). Santé publique 2010 ; 22(2) : 221-228.

FOMBA S. Qualité de la surveillance prénatale et de l’accouchement au centre de santé de

Magnambougou en commune VI du district de Bamako Avril –Juillet2002. Thèse de
Médecine Bamako 2003 N°64 203 P.

GOITA N. Evaluation de la qualité des consultations prénatales au centre de santé de

référence de la commune V du district de Bamako. Thèse de Médecine Bamako 2006-M-210

KONATE S. Qualité de la surveillance prénatale dans le Centre de santé de la commune II du

district de Bamako Thèse de Médecine Bamako 2002 N°33 56 P.

Florine Duplessis (2018) :

https://paroledesagesfemmes.com/parole-de-Sages-femmes/initiatives/lintelligence-
artificielle-pour-depister-les-grossesses-a-risque-dans-le-monde

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

Moukrim B. Intelligence artificielle en santé : espoirs et craintes des médecins généralistes et

des sage-femmes.[Thèse d'exercice]. Marseille : Aix-Marseille Université ; 2019

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

HAS (2020) https://www.buzzwebzine.fr/quand-lia-ameliore-la-satisfaction-des-patients-

hospitalises/

Portnoff AY, Soupizet JF. Intelligence artificielle : opportunités et risques. Futuribles.

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

Kulkarni A, Colotte V, Jouvet D. Layer adaptation for transfer of expressivity in speech

synthesis.

17 mai 2019. https://hal.inria.fr/hal-02177945

Flora Briswalter (2023) https://blog.juxta.fr/comment-ia-ameliore-performances-centre-sante

ANNEXES
Annexe 1 : Outils de collectes de données

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.

I. Caractéristiques socio professionnelles du personnel soignant

1. Sexe
Masculin Féminin
2. Votre âge (ans)
……………………………………………………………………………………
3. Qualification professionnelle
Infirmier généraliste Sage-femme Médecin généraliste
Pédiatre Aide-soignante
Autres : …………………………………………………………………………
4. Ancienneté professionnelle
Moins de 5 ans Plus de 5 ans
5. Comment se presente votre niveau en informatique
Expert BON Moyen faible Aucun
II. Les critères d’évaluation liées aux risques de complications ou de
mortalités chez les gestantes
6. Eléments d’indices imprégnés à l’application de lecteur de risque
de complications /mortalité

Âge maternel Indice de masse corporelle (IMC) Age de parturiente

Parité utérus cicatriciel Grossesse unique ou multiple

Présentation fœtale Déroulement de la dernière grossesse

Respect des CPN TA Température

Etat de conscience Douleur Etat émotionnel

Appréciation globe utérine Contrôle des lochies

Vérifier l'absence d'émission de selles par le vagin

Utilisation d’ocytocine Complications à type HHP ou rupture utérine

Décision de voie d’accouchement Suivi post partum

Contact de la patiente Envoi programmé SMS

7. Indicateurs organisationnels et fonctionnels intégré à

l’implémentation de l’outils

Présence du personnel soignant Participation au séminaire de formation

Protocol des taches Respect des horaires

Respect de l’intimité et de la confidentialité

L’établissement de santé dispose du matériel et des fournitures de base

essentiels pour les soins courants et la détection des complications

Etat de satisfaction de la patiente

Proportion de femmes admises en salle d’accouchement ayant signalé avoir été

prises en charge dès leur arrivée dans l’établissement de santé

Note de conduite des CPN

III. Pratiques d’usage qui peuvent être accélérées grâce à l’IA

8. Lors des CPN la consultation vous prend combien de temps avec
intervention de l’Outil ?

Moins de 30 min 30 min 1h >1H

 9. Les rappels des RDV par l’envoi simultané et automatique de SMS
sont-ils respectés par les destinataires ? Oui Non
10.Avant l’usage d’un tel outil parveniez-vous à éviter les
complications ? Oui Non
11.Si oui lesquelles ?

……………………………………………………………………………………
……………………………………………………………………………………

12.Le taux de CPN tardives a-t-il baissé ? Oui Non

13.Si non pourquoi ?

……………………………………………………………………………………
……………………………………………………………………………………
…………………………………………………………………………………..

14.Si non combien en avez-vous par mois ? : ………………………

15.Si oui donner une estimation du taux : ……………….%
16.Donner les types de complications qui persistent toujours malgré
l’intervention de l’outil

……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………

17.Avez-vous eu des parturientes décédées à l’accouchement ?

Oui Non

18.Si oui combien ? :……………………………………………….

19.Si oui quels sont les motifs de décès ?

……………………………………………………………………………………
……………………………………………………………………………………
……………………………………………………………………………………
 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 temps Saisie difficile Burguet

Difficultés d’accès aux données Manque d’intrants

Manque de formation

Autres :……………………………………………………………………………

Merci pour votre participation

 GUIDE D’ENTRETIEN DESTINE AUX PATIENTES

1. Quelle durée maximale effectuez-vous en salle d’attente ?

Moins 1 H 2-3 H 3 H et plus

2. Avez -vous effectué une consultation protocolisée ?

OUI NON

3. SI, oui combien de temps cela a-t-il pris ?

Moins 1 H 2-3 H 3 H et plus

4. Comment avez-vous jugé votre accueil ? Entourez le chiffre

correspondant : 0 (pas bon) à 5 (très bon) :
Salle d’accueil : 0 1 2 3 4 5 Ne sais pas

5. Et après avoir pris contact avec le personnel du service de maternité ?

Personnel infirmier : 0 1 2 3 4 5 Ne sais pas

Gynécologue : 0 1 2 3 4 5 Ne sais pas

Sage-femme : 0 1 2 3 4 5 Ne sais pas

6. Comment jugez-vous la qualité de votre accueil au service de

maternité ?
Rassurant Indifférent Angoissant

Autre : ……………………………..
 7. Les membres du personnel étaient-ils suffisamment à votre écoute ?
Oui Non Ne sais pas

8. Au service de maternité, avez-vous été gênés par certaines de ces

sensations ? Evaluez le niveau de gêne en entourant un chiffre entre : 0
(aucune) et 5 (très forte).
Froid 0 1 2 3 4 5

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

9. Arrivés en salle, d’accouchement ou lors de la CPN a-t-on pris en

compte tous vos soucis ?
Entièrement Modérée Faible Nulle

10.Si non nulle, votre souci a t’il été évaluée ?

OUI NON

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

13.Comment évaluez-vous la qualité de prestation avec le personnel

soignant ?
Excellente Bonne Moyenne Mauvaise

Très mauvaise Pas d’avis

…………………………………………..
Organigramme des organes statutaires de l’HGT en 2015

PRESIDENT DU COMITE
DE GESTION

DIRECTION

COMMISSION CONSEIL
MEDICALE COMITE DE COMITE D’ETABLISSEMENT
CONSULTATIVE MEDICAMENTS D’HYGIENE
 COMITE DE
GESTION

DIRECTEUR

SURVEILLANT MEDECIN CHEF GESTIONNAIRE

GENERAL

CHEFS DE RESPONSABLE RESPONSABLE DES RESPONSABLE

SOINS MEDICAUX ET SERVICES DU BUREAU DES MOYENS DU BUREAU
INFIRMIERS/SFDE MEDICAUX ET AFFAIRES GENERAUX DES ENTREES
MEDICO- SOCIALES
TECHNIQUES