Evaluation et simulation du bloc opératoire : Cas de

l’INO

F. BENNIS, M. AMGHAR, N. SBITI W. CHAOUKI

Laboratoire Automatique et Informatique Industrielle
EMI, Université Mohammed V Agdal
Rabat, Maroc
bennisfirdaous@gmail.com,amghar@hotmail.com,
n_sbiti@hotmail.fr
Institut National d’oncologie, INO
Centre Hospitalier Ibn Sina, CHIS, Rabat Instituts
Rabat, Maroc
wchaouki@yahoo.fr
Abstract— The operating room is a strategic sector in the
hospital. It is on the one hand, a complex system that uses
diversified and expensive human and material resources. On the
other hand, it is a stochastic system given the uncertainties that
arise the different stages of the trajectory of the patient. The
objective of our work is to evaluate the performance of the
operating room of the National Institute of Oncology (INO). For
this, we use the ASDI methodology based on two models:
knowledge model and action model. We use UML to specify the
knowledge model and we simulate the model with ARENA to
implement the action model. We will give to the hospital
management a realistic estimation of the behavior of the system
and evaluate performance to obtain the factors of its
optimization.
Keywords-component; operating room, performance evaluation,
simulation, ASDI, optimization
I. INTRODUCTION
Les blocs opératoires sont actuellement au cœur de la
problématique de l’optimisation des ressources et l’amélioration
de la qualité des services dans les établissements hospitaliers vu
l’importance des moyens matériels et humains alloués à leurs
fonctionnements. Les restrictions budgétaires et le nombre
croissant des patients auprès des services des blocs opératoires
constituent les contraintes majeures de leur gestion raisonnable.
Les responsables des blocs opératoires sont appelés à répondre
de façon optimale à ces besoins. De ce fait, il est indéniable que
l’optimisation des dépenses et des ressources allouées aux dits
blocs est devenue une nécessité.
Le bloc opératoire est constitué d'un ensemble de locaux
spécifiques :
 salles d’opérations,
 salles de surveillance postopératoire (SSPI),
 Annexes logistiques.
Le processus opératoire est composé de trios phases de gestion :
 Gestion préopératoires : Depuis les consultations
jusqu’à l’hospitalisation
 Gestion per-opératoire : Elle s’étend de l’admission
jusqu’à la sortie du bloc.
 Gestion postopératoire : Depuis le retour du bloc
jusqu’ à la sortie de l’hôpital. (Fig 1)
Figure 1 : Processus opératoire
Le présent travail consiste à évaluer les performances du bloc
opératoire de l’Institut National d’Oncologie. Nous établissons
le modèle de connaissance général via le diagramme de cas
d’utilisation d’UML et nous réalisons une simulation via
ARENA, qui permettra de dimensionner et de tester des
modèles d’organisation établis afin d’en vérifier de manière
objective l’efficience grâce à des indicateurs de performance
dont les valeurs sont renseignées par la simulation.
Le plan proposé pour la présentation de cet article est le
suivant : Après l’introduction, la partie II donne un aperçu sur la
méthodologie de modélisation que nous utilisons. La partie III
présente une description de la structure et du fonctionnement de
l’INO. La partie IV présente le modèle de connaissance. La
partie V présente le modèle d’action et qui montre l’évaluation
de performance du bloc à l’aide de l’outil ARENA. Enfin, dans
la dernière partie, nous concluons et établissons un ensemble de
perspectives de notre travail de recherche.
II. APPRCHE CHOISIE
Nous utilisons la méthodologie ASDI pour l’évaluation des
performances du bloc opératoire.
La méthodologie ASDI (Analyse, Spécification, design et
Implémentation) a été proposé dans [1, 2] pour la conception et
l’implémentation d’un modèle de simulation. ASDI peut être
utilisé pour un système en phase d’exploitation, ou pour un
système en cours de conception [4](dans notre cas, il s’agit d’un
système existant qui est le bloc opératoire de l’INO).Cette
méthodologie a été adaptée au système hospitalier par les
auteurs dont [4, 5, 6, 7].
La méthodologie ASDI est basée sur deux modèles : Un modèle
de connaissance et un modèle d’action (FIG 2).
 Le modèle de connaissance est une formalisation de la
structure et des opérations du système grâce à un
langage naturel ou graphique.
 Le modèle d'action est une traduction du modèle de
connaissance dans un formalisme mathématique ou
dans un langage de programmation permettant
l'évaluation des critères de performance choisis. [8]
 Figure 2 : Processus de modélisation d’un système
ASDI consiste à séparer le modèle de connaissance du modèle
d’action afin de ne pas dépendre d’un langage de
programmation particulier. [9]
Notre démarche est la suivante : Nous utilisons le modèle de
connaissance sous UML qui nous permet dans une première
étape de formaliser graphiquement les éléments du bloc et les
processus. Puis nous passons à la deuxième étape qui consiste à
établir un modèle d’action que nous implémentons à l’aide de
l’outil de simulation Rockwell ARENA 9.
III. DESCRIPTION DE LA STRUCTURE ET DU FONCTIONEMENT
DE L’INO
Le bloc opératoire est composé d’un ensemble de locaux (salles
d’opérations, SSPI et d’annexes logistiques). Le bloc opératoire
assure en permanence :
• La préparation médicale du patient aux actes opératoires par
l'équipe opératoire.
• La réalisation des actes opératoires.
• La surveillance post-interventionnelle jusqu'au rétablissement
définitif des fonctions vitales (sauf transfert du patient).
• La préparation des interventions conformément aux règles
d'hygiène en vigueur.
• La préparation et la distribution des médicaments et matériels
nécessaires à la réalisation des actes ainsi que le stockage
nécessaire à leur disponibilité.
Plusieurs types de chirurgie carcinologique s’effectuent au sein
du bloc opératoire (FIG 3).
Figure 3 : Type de chirurgie carcinologique
La trajectoire du patient à l’INO est le suivant :
Les patients qui feront une chirurgie sont : soit pris en charge en
détresse, soit planifié. Dans ce cas, si la première date opératoire
proposée apparaît trop éloignée, il est possible d’ajouter le
patient sur une liste d’attente. Le patient est prévenu de cette
modalité d’inscription et en accepte les contraintes. La date
opératoire du patient pourra être ainsi avancée pour combler une
place disponible lors de l’établissement du programme
opératoire par la cellule de programmation.
IV. MODELE DE CONNAISSANCE
Le modèle de connaissance est permet de modéliser la structure
et des opérations du système en utilisant un langage naturel ou
graphique.
Nous utilisons le diagramme de cas d’utilisation d’UML qui
décrit les grandes fonctions du système du point de vue des
acteurs.
Unified Modeling Language (UML) est né, comme son nom
l’indique, du regroupement de trois techniques de modélisation
objet, la méthode Booch, Object Modeling Technique (OMT) et
Objectory (OOSE) Process, respectivement développées par
Grady Booch, James Rumbaugh et Ivar Jacobson [12] .
La figure 4 représente le diagramme de cas d’utilisation du bloc
opératoire. Le processus se compose de quatre phases de
gestions:
 La gestion préopératoire ;
 La programmation ;
 La gestion per opératoire ;
 La gestion postopératoire.
Notre système interagit avec plusieurs acteurs notamment :
Le patient qui commence le processus dans le système en
demandant une consultation chirurgicale et le finit en payant la
facture.
Le processus programmation qui fait appel à plusieurs acteurs :
Staff technique des services : un staff technique de chirurgiens
en présence de médecin réanimateur s’organise de façon
hebdomadaire au niveau de chaque service de chirurgie.
La cellule de programmation est composé de médecins,
superviseur de soins du bloc, infirmier chef du bloc et infirmier
anesthésiste du bloc. La programmation des opérations
s’effectue une semaine à l’avance et est validée par cette cellule.

La cellule de supervision quant a elle est constitué de : infirmier

chef du bloc, le superviseur des salles de blocs responsable de la
mise en œuvre de la programmation et le médecin anesthésiste
présent au bloc ou d’astreinte.

Une équipe de bio nettoyage réalise le bio nettoyage relatif à la

prise en charge directe du patient dans les salles
d’interventions : bio nettoyage préalable à la prise en charge des
patients en début de journée, inter patient en cours de journée et
terminal en fin de journée.

Une équipe logistique composée d’agents qui assurent la

logistique de transfert des patients du service de chirurgie au
bloc opératoire avec l’intervention ne peut se réaliser que su le
patient est bien transféré au bloc opératoire.

Figure 4 : Diagramme de cas d’utilisation

V. MODELE D’ACTION

Le bloc opératoire de l’INO est simulé par ARENA 09 avec une

réplication correspondante à une durée de simulation de 10H.

La simulation nous permet de :

Fournir des estimations réalistes :

 Du comportement attendu du système
 Des variations à l’intérieur du système

Evaluer les effets de la modification

 Du nombre de ressources
 Des flux des patients
  De l’organisation du processus Lors d’un premier scénario, la simulation avec ARENA (Fig
5) avec des durées constantes a validé le modèle avec un taux
Le dimensionnement des ressources humaines au niveau du bloc de traitement de 100%. Pour une simulation qui commence
opératoire est le suivant : par trois à huit patients, le même nombre de patient sortent du
processus, le temps total du processus est de l’ordre de 5.99
H (le taux d’utilisation des salles de 0.28% à 0.78% qui est
Table 1 : Dimensionnement des ressources humaines plus proche du système réel).

catégorie Effectif Le deuxième scénario consiste à utiliser des durées aléatoires

modélisées par des lois de distribution (triangulaire et
chirurgien 7 uniforme)dont les paramètres ont été déterminé en
coopération avec le personnel de l’hôpital. (Tableau 3)
Infirmier polyvalent 7
Le nombre d’intervention chirurgicale peut être modélisé par
Infirmier anesthésiste 5
une loi triangulaire (3, 8, 10).
Médecin anesthésiste 1+3 résidents La durée moyenne de séjour préopératoire : DMS (en
jour) peut être modélisé par une loi triangulaire (7.5, 13, 14).
Brancardier 2 Cette DMS préopératoire est bien trop importante et reflète
une utilisation inappropriée des capacités d’hospitalisation
des services de chirurgie pour des bilans préopératoires qui
Le dimensionnement des salles est le suivant : devraient être réalisés à titre ambulatoire.
Table 2 : Dimensionnement Du bloc opératoire En 2010, INO a une capacité litière de 173 lits avec 40409
catégorie Nombre journées d’hospitalisation et un taux d’occupation moyen de
64.18% et une durée moyenne de séjour de 13.68.
Salles d’opération 3
p at ie nt preparer le trans ferer patient
Le nombre d’interventions chirurgicales programmées est
SSPI p ro gr amm es patient 3 lits au bloc de l’ordre de 1195 interventions.
0
0 0
Le nombre de malades pris en charge pour le cancer a
atteint 4570 en 2010.
Pour valider les données, nous
T rans ferer
pat ient ver s la
avons
ins taller utilisés des constantes
patient
preparer
loc alement la
:
s ur lit intervention
s al le partie a operer

0 0 0 Table 3 : Loi de distribution des activités du processus

realis er le realis er l
opératoire
operer le patient
c hamptage induc tion

0 0 0
Activité Distribution
préparer le patient Trian (5,12,20)
s urveiller le assigner lit de
Nombr e pa ti en ts
ope re patient reveil transférer patient au bloc Trian (5,12,15)
Transférer patient vers la salle Unif (2,5)
0
installer patient sur lit intervention Unif (2,5)
liberer la salle patient opere
avc e s alle libere
reveil S SP I préparer localement la partie à
0 opérer Trian (2,5,10)
réaliser le champtage Trian (3,5,10)
liberer equipe c alc uler temps
anesthesie liberer SSPI patient réaliser l induction Trian (3,8,15)
opérer le patient Trian (30,120,300)
s ortie patient du surveiller le patient Trian (5,20,30)
bloc
0 réveil SSPI Trian (30,60,120)

Nous remarquons alors que le taux d’utilisation des

ressources chirurgicales réalisés à augmenté par rapport
au premier scénario. Toutefois le nombre d’opération a
diminué : six patients opéré mais seulement quatre
patients ont complété le processus jusqu'au réveil SSP.
Figure 5 : Modèle de simulation sous ARENA (Voir Table 4)
 Table 4 : Taux d’utilisation des ressources
Scenario 1 Scénario 2 Lors de la simulation du troisième scenario, Nous constatons
anesthesiste 0,68 0,76 que le nombre de patients opéré est atteint 9 patients que le
brancardier 0,08 0,09 taux d’utilisation des salles est de 85%. (Figure 8)
chirurgien 0,23 0,31
infimier de service 0,03 0,04
Infirmeire bloc 0,44 0,50
infirmier 0,55 0,61
anesthesiste
la salle 0,78 0,95
lit de reveil 0,25 0,21

Nous modifions l’organisation du modèle initial, car, nous

remarquons que les temps d’opération sont très variables
selon le type d’opération effectué. Nous constatons
Figure 8 : Taux d’utilisation des ressources
qu’une grande partie est relative au cancer de sein dont le
temps d’opération est en moyenne de 90 min alors que 0 True
Dans le troisième scénario, nous constatons aussi que la file
les autres opérations peuvent arriver à 7H d’opération. patient
programmes
0
Decide 4
d’attente est grande pour le transfert à la salle nécessitant
Nous effectuons alors un deuxième modèle de simulation 0 False la libération d’une salle d’opération, et l’induction
ou’ nous séparons les opérations du cancer de sein des nécessitant un anesthésiste. La salle et l’anesthésiste
autres opérations chirurgicales. (voir figure 7) AUTRE TYPE
PATIENT
patient de sein constituent des ressources goulots. (figure 7)

transferer le transferer le
preparer le patient patient vers la
patient au bloc salle transferer patient transferer patient
p re parer pati ent au bloc vers la salle
0 0 0
0 0 0

installer patient preparer realiser le

sur lit intervention localement la champtage preparer
partie a operer installer le patient realiser
sur lit intervention localement la champtage
partie operer
0 0 0
0 0 0

realiser l operer le patient

induction
realiser induction operer patient
0 0
0 0

Nombre patients
opere

surveiller le l i b e re r l a s a l l e
patient a s s ig n e r lit d e
re v e i l

patient opere avce reveil SSPI

salle libere l i b e re r e q u i p e
a n e s th e s i e

calculer temps sortie patient du

l i b e re r S S P I patient bloc
0

Figure 9 : Temps globale des activités

(queue+fonctionnement)

Pour remédier à cette problématique, nous étudions dans un

quatrième scénario, le temps inter arrivée entre les
patients pour diminuer le temps d’attente. Nous
Figure 7 : Modèle de simulation amélioré sur ARENA remarquons que si le temps inter arrivée du patient
augmente le temps de la file d’attente diminue mais que
le nombre d’opération diminue. Le scénarion optimal est
donné avec 50 min de temps inter passager ou nous
avons opéré 10 patients.
 chirurgie sein Autre
chirurgie
Transferer patient 1.06 1.67
vers la salle
realiser l induction 0.04 0.06
Conclusions
Le présent travail permet d’évaluer les performances du bloc
opératoire de l’Institut nationale d’oncologie en utilisant
la méthodologie ASDI. Un diagramme de connaissance a
été effectué via UML et une simulation via ARENA est
réalisée pour établir le modèle d’action.
Nous avons pu extraire les résultats suivants :
 Dans un bloc de trois salles d’opérations dont le
temps de l’activité opérer patient varie de 30 min à
300min, 8 intervention est le nombre optimal
d’interventions qui peut s’effectuer dans la journée.
 La salle et l’anesthésiste constitue des ressources
goulots dans le processus opératoire.
 Une réorganisation des flux de patients en dédiant
une salle à la chirurgie du sein et les autres salles
aux autres thérapies permettra d’arriver à 10
interventions par jour.
 Avec des interventions séparées le délai d’attente
diminue considérablement pour la chirurgie du sein.
Perspective
Nos perspectives consiste à optimiser la gestion du bloc
opératoire de point de vue planification et
ordonnancement. Notre approche consiste à étudier les
aléas qui surgissent le bloc opératoire, en particulier la
durée opératoire qui crée des situations de débordement,
des annulations et des files d’attente des patients. Nous
modéliserons tout d’abord notre système de données en
utilisant les réseaux bayésiens constituent un outil de
modélisation des connaissances incertaines et l’analyse
floue pour la prise en compte de ces durés d’intervention
chirurgicale définis de façon imprécise et puis nous
résolvons le problème en utilisons des modèles
mathématique et des méta-heuristiques.
REFERENCES
[1] Gourmand, M. and P. Kellert, 1991. Conception d’un
environnement de modélisation des systèmes de production.
3émé congrès international de génie industriel, Tours.
[2] Gourgand, M., F. Mebrek and A. Tanguy. “Modelling and
simulation of the pharmacy of a new hospital“.
Proceedings 21st European Conference on Modelling and
Simulation, 2007.
[3] Combes, C., 1994. Un environnement de modélisation pour les
systèmes hospitaliers. Doctorat thesis, Blaise Pascal University,
Clermont-Ferrand.
[4] Combes C., A modelling environment for hospital systems,
PhD Thesis, University Blaise Pascal,Clermont-Ferrand, 1994.
[5] Gourgand M., Mebrek F. and Tanguy A., Hospital logistic
modelling and simulation case study: brancardage. ESM05,
Porto, Portugal, 24-26 October 2005.
[6] Gourgand M., Mebrek F. and Tanguy A., Modelling methodology
and simulation of a hospital laundry. ESM'2006, October 23-25,
Toulouse, France.
[7] Gourgand M., Mebrek F. and Tanguy A., Modelling and
simulation of the pharmacy of a new hospital. ECMS 2007,
Prague, Czech republic.
[8] K. Belkadi & A. Tanguy, “Modeling and Simulation Of The
Ophthalmology Service For RMUHO,” in Proc. of the 12th
WSEAS International Conference On Automatic Control,
Modeling & Simulation, 2010, pp. 278 – 286.
[9] N Zahaf, L Dekhici, Simulation Approach for staffing the UHCO
Maternity's Operating Theatre, Australian Journal of Basic and
Applied Sciences, 5(11): 1838-1842, 2011 ISSN 1991-8178
[10] Augusto V. Modélisation, analyse et pilotage de flux en milieu
hospitalier à l’aide d’UML et des réseaux de Pétri. Thèse HDR,
Ecole Nationale Supérieure des Mines de Saint-Etienne, 2008.
[11] Pedgen C.D. and D.A. Davis. Arena: a SIMAN/Cinema-based
hierarchical modeling system. Proceedings of the 24th conference
on Winter simulation, 390-399,1992.
[12] Glassey, O. and J.-L Chappelet, 2002, Comparaison de trois
techniques de modélisation de processus: ADONIS,
OSSAD et UML. Working paper, Lausanne: IDHEAP.