See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/263276663

Apport de la simulation dans les Centres de transfusion sanguine

Conference Paper · April 2014

CITATIONS READS

0 491

3 authors:

Idriss Bennis Janah Saadi

Ecole Normale Supérieure de l'Enseignement Technique - Mohammedia ENSEM - Université Hassan II Casablanca
15 PUBLICATIONS 20 CITATIONS 136 PUBLICATIONS 348 CITATIONS

SEE PROFILE SEE PROFILE

Adil Bellabdaoui
Ecole Nationale Supérieure d'Informatique et d'Analyse des Systèmes
61 PUBLICATIONS 304 CITATIONS

SEE PROFILE

All content following this page was uploaded by Idriss Bennis on 20 July 2014.

The user has requested enhancement of the downloaded file.

Apport de la simulation dans les Centres de
transfusion sanguine.

Cas du CRTS de Casablanca

Bennis Idriss, Janah Saadi* —, Adil Bellabdaoui**

*Laboratoire d’Informatique, Systèmes et Énergies Renouvelables (LISER) -

ENSEM Casablanca, Maroc, Email : janah.saadi@gmail.com,
bennisidriss@gmail.com
** Equipe TIME - Technologies d'Information et Management des Entreprises,
ENSIAS, Rabat, Maroc, Email : bellabdaoui@ensias.ma
RESUME. Cette étude a pour objectif de contribuer à une meilleure compréhension du
fonctionnement organisationnel d’un centre de transfusion sanguine au Maroc à travers
l’élaboration d’un modèle de simulation à événements discrets sous Arena. Les différents
modèles ainsi validés permettront de tester par la suite plusieurs scénarii d’amélioration et
permettre ainsi une meilleure prise de décision.
ABSTRACT: Contribute to a better understanding of organizational functioning of a blood
transfusion center in morocco through the development of a model for discrete event
simulation in arena this study aims. Different models and validated test will subsequently
several scenarios to improve and enable better decision making.
MOTS-CLES : Modélisation, Simulation, Transfusion sanguine, Arena
KEY WORDS: Modeling, Simulation, Blood transfusion, Arena

1. Introduction

La simulation à événements discrets est une technique de recherche

opérationnelle particulièrement bien adaptée aux systèmes hospitaliers, permettant
aux utilisateurs finaux de tester l’efficacité du système modélisé. Il est notamment
possible de proposer de nouveaux scénarii, de construire de nouveaux systèmes. En
effet les outils de simulation ont évolués au fil des années et aujourd’hui la plupart
proposent des bibliothèques de modèles de base et de fonctionnalités déjà
disponibles qu’il suffit de programmer et paramétrer ce qui rend facile leur
utilisation. Le principal avantage de cette technique réside dans l’opportunité de
modéliser des systèmes complexes tels que les systèmes hospitaliers, où les
méthodes analytiques deviennent trop compliquées, peu réalistes et difficiles à
2

mettre en œuvre.. Elle a été très largement utilisée dans la littérature pour la
résolution de problèmes d’organisation hospitalière depuis une vingtaine d’années
que ça soit pour le service des urgences [7 ; 8 ; 9 ; 10 ; 11], le bloc opératoire [3 ; 12
; 13 ; 14 ; 15], la chirurgie [4], les unités de soins [16], la prise en charge de la
maternité à domicile [5], L’imagerie [2] [20], la logistique hospitalière [2], la
logistique médicamenteuse [1 ; 18 ; 19], unité de soins de médecine digestive [17],
le service de stomatologie [19], le service d’ophtalmologie [20], et d’autres unités..
Il s’agit de la méthode la plus adéquate pour l’évaluation de performance des
scénarios proposés (sous réserve de la validation du modèle). La simulation à
évènements discrets s’applique aussi bien dans une optique de diagnostique que de
réingénierie.
La grande popularité de la simulation s’explique par les nombreux avantages
offerts par cette technique. On peut citer, entre autres, les avantages suivants :
Manipuler les échelles temporelles et les horizons, étudier les conditions d’opération
extrêmes du système et d’en évaluer les conséquences. D’autre part, il faut tenir
compte pendant toutes les étapes du processus de simulation, des particularités de
ces techniques qu’impliquent des contraintes pour l’analyste. En voici quelques-unes
:
- Un modèle n’est qu’une approximation du système réel plus au moins précise
selon les objectifs de modélisation.
- La modélisation adéquate du système inclut la tâche de bien caractériser les
données d’entrée afin d’obtenir des résultats satisfaisants. Or ces données ne sont
pas toujours disponibles.
- Selon le niveau de précision requis, une expérience de simulation prend un
temps considérable aussi bien pendant le développement du modèle, que pendant
l’exécution de la simulation.
- Au contraire si on prend peu de données (niveau de modélisation trop simple),
on sera confronté à une perte de l’information.
- Les outils ne produisent pas toujours des résultats corrects. Pour mettre au
point des modèles, il est souvent nécessaire d’utiliser deux modèles, un par outil de
simulation, pour qu’ils se valident l’un par l’autre.
Nous proposons dans la suite la simulation à l’aide du logiciel Arena© [6] du
fonctionnement du centre régional de Casablanca.

2. Présentation du centre régional de transfusion de Casablanca

Le centre régional de transfusion sanguine, CRTS de Casablanca présente la

particularité de ne pas dépendre hiérarchiquement et administrativement des
directions des hôpitaux et délégués des régions, il dispose également d’une
autonomie financière. Il est situé au sein de la ville économique, la plus importante
en termes de population ce qui induit forcément une demande très importante en

2
 Simulation des systèmes hospitaliers : Application à la transfusion sanguine 3

produits sanguins labiles PSL. A ce titre on constate qu’il assure à lui seul
pratiquement 29% de la demande de concentré de globules rouges CGR et assure
28% de la collecte nationale. Il est totalement informatisé et automatisé, à part le
laboratoire d’immuno-hématologie receveur. L’offre de soin publique et privée qui
s’élargie de plus en plus et la présence d’un service d’hématologie implique une
demande en PSL de plus en plus croissante au niveau de grand Casablanca. En 2011
par exemple la quantité de CGR livrée quotidiennement (lundi à samedi) était en
moyenne de 220 CGR/jour, aujourd’hui cette moyenne est autour de 250 CGR/jour.
Les donneurs qui se présentent au CRTS passent d’abord par l’accueil pour
s’enregistrer et ensuite passent à l’entretien médicale qui détermine si le donneur est
apte à donner, dans ce cas là la prochaine étape et la salle de prélèvement ou
l’opération de don se déroule. A la fin le donneur profite d’une collation avant de
quitter le centre pendant que le sang collecté est transféré pour être analysé et séparé
en PSL qui va être stocké en attendant d’être livré aux malades.

Figure I. Différents processus du CRTS de Casablanca

3. Simulation du centre régional de transfusion de Casablanca

Une étude sur le terrain, ainsi que plusieurs entretiens avec les responsables ont
permis d’établir et de valider les différents modèles logiques pour les services
suivants. Acceuil et enregistrement, Entretien Médical, Salle de prélèvement,
Laboratoire de Sérologie, Laboratoire d’Immuno-hématologie Donneurs (IHD),
Laboratoire de Production, Etiquetage, Livraison.
4

Figure II. Phase d’étiquetage des PSL au sein du CRTS

3.1 Données d’entrée

3.1.1 Loi d’arrivée des visiteurs et demandes de livraison

Les données relatives au nombre d’entrée en terme de visiteurs et de demande de
livraison ont été récupérées et traitées à l’aide du logiciel EasyFit©. Il permet de
tester l’adéquation d’une série de données par rapport à une distribution statistique, à
une loi d’entrée et calculer directement les paramètres relatifs à chaque distribution.
Le logiciel permet de comparer la corrélation avec plus de 55 distributions à l’aide
de trois tests Test de Khi deux, Test de Kolmogorov-Smirnov, Test d’Anderson-
Darling. Nous avons testé la corrélation des données collectées avec les distributions
prises en charge par Arena© et nous avons constaté qu’aucune de ces lois ne permet
de représenter la réalité. La seule loi qui s’approche de la réalité est la loi binomial
négative de paramètre n = 5 et p = 0,32542. Nous avons alors fait le choix de
paramétrer les entrées suivant un calendrier d’arrivée, en effet Arena© permet à
travers le module « Schedule » la programmation de la fréquence et le nombre
d’arrivée.
Nous avons programmé les arrivées par tranche de 30min pendant une durée de
10,5heures, ce qui correspond à un cycle de fonctionnement du CRTS. Le centre est
ouvert au public de 08h30 à 18h00 du lundi au samedi en continu, en dehors de ces
horaires la livraison continue pour les urgences, de 18h00 à 19h00, les dernières
demandes de livraison et opérations de dons continuent.

4
 Simulation des systèmes hospitaliers : Application à la transfusion sanguine 5

3.1.2 Loi d’arrivée des collectes mobiles, collecte banque du sang et demandes de
services hospitaliers
Les autres entrées de notre système sont les collectes mobiles, les collectes des
banques de sang BS, et les demandes de certains services hospitaliers, ces derniers
arrivent avec une cadence régulière et une quantité bien déterminée.
Suivant les statistiques fournies par le CRTS :
- La moyenne du nombre de CGR livrés par jour (Dimanche inclus) est : 171,28
- La moyenne du nombre de collecte fixe (CRTS) par jour : 161,73 Collecte/Jour
- La moyenne du nombre de collecte mobile et BS par jour : 53,88 Collecte/Jour
- La moyenne du niveau de stock de CGR est de : 1,5-2 Jours de consommation.

4. Validation du modèle

Afin de valider notre modèle, nous avons simulé le fonctionnement du CRTS sur
une période de 30 jours, on obtient les résultats suivants :
Données Réelles Données Simulation Différence
La moyenne du nombre de 171,28
171,73 0,26%
CGR livrés CGR/Jour
La moyenne du nombre de 161,73
163,29 0,95%
collecte fixe (CRTS) Collecte/Jour
La moyenne du nombre de 53,88
54,30 0,79%
collecte mobile et BS Collecte/Jour
La moyenne du niveau de 1.75 Jours de
1,76 0,57%
stock de CGR consommation

Tableau 1 : Comparaison des données de la réalité avec ceux de la simulation

Nous constatons alors que notre modèle peut être valide et représente la réalité
du centre de transfusion et l’état des entrées et sorties.

4.1 Indicateurs de performances

Nous avons déterminé en concertation avec la direction du centre, des
indicateurs de performance qui nous permettront d’évaluer la performance de notre
centre. La simulation de la situation existante sur une durée d’un mois nous permet
d’avoir des indicateurs par rapport au temps moyen d’attente dans les services en
contact avec les donneurs, la durée moyenne pour la préparation des différents PSL,
le pourcentage d’utilisation des différentes ressources humaines et matérielles.
On remarque que dans l’état actuel des choses les services qui sont les plus
sollicités et connaissent une certaine attente, sont ceux en contact avec le donneur ou
les demandes de livraison ainsi que le laboratoire de production, ce sont des services
6

totalement manuels et qui ne peuvent pas absorber une augmentation importante du

nombre d’entrée. Les autres services sont automatisés à l’exception de l’étiquetage,
ce qui explique le taux utilisation qui tourne autour de 50%.
Indicateurs de performances Simulation de l'existant
Temps moyen d'attente (Min)
Accueil 8,49
Laboratoire IHR 11,97
Entretien Médical 6,58
Salle Prélèvement 2,67
Niveau exacte de stock en CGR 440
Stock CGR en jours de consommation 1,76
Durée Moyenne de préparation des CGR (h) 8,62
Durée Moyenne de préparation des CPS (h) 8,78
Durée Moyenne de préparation des PFC (h) 8,93
Utilisation des ressources en %
Accueil 64
Bureau Médical 58
Salle de prélèvement 63
Infirmières 62
Divan de Transfusion 64
Laboratoire Sérologie 47
Biologiste Sérologie 53
Automate Distribution 10
Automate Dépistage 75
Laboratoire d'IHD 46
Biologiste Groupage 43
Automate Groupage 71
Laboratoire d'IHR 69
Biologiste IHR 69
Laboratoire de Production
Techniciens 63
Centrifugeuses 14
Presses 1
Etiquetage 19
Service Livraison 69
Tableau 2 : Indicateurs de performances de la situation actuelle du CRTS

6
 Simulation des systèmes hospitaliers : Application à la transfusion sanguine 7

5. Conclusion

Cette étude menée au CRTS de Casablanca a permis de mieux comprendre le

fonctionnent interne du centre et ces problématiques. A l’aide du simulateur Arena©
nous avons proposé un modèle de simulation assez proche de la réalité et qui a été
validé par les acteurs du terrain. Dès lors les possibilités d’exploitation de ce modèle
sont très diverses à commencer par l’étude des différentes hypothèses ou scénarii
d’amélioration ainsi que leurs impact sur la situation actuelle
[1] F. Ouzayd, J. Saadi, J. Benhra, Proposed a simulation models in medicine drugs
circuit with UML and Colored Petri Net: case Moroccan hospital system,
I.R.E.M.O.S., Vol. 5. n. 1, pp. 489-496, 2012.
[2] F. Mebrek. Outils d’aide à la décision basés sur la simulation pour la logistique
hospitalière, application à un nouvel hôpital. Thèse de doctorat 2008 Université Blaise
Pascal - Clermont-Ferrand II
[3] E. Marcon, S. Kharraja, N. Smolski, B. Luquet, & J. Viale., 'Determining the Number
of Beds in the Postanesthesia Care Unit: A Computer Simulation Flow Approach',
Anesthesia & Analgesia 96, 1415-1423. 2003.
[4] C. Vasilakis, L. Kuramoto: “Comparing two methods of scheduling outpatient clinic
appointments using simulation experiments”. Clinical & Investigative Medicine,
28:368–370, 2005
[5] NG. Nidhal Rezg, T. Monteiro, E. Emmanuel. Dimensionnement par simulation d’une
structure de prise en charge de la maternité a domicile. MOSIM’10 - 10 au 12 mai
2010 - Hammamet – Tunisie.
[6] A. M. Law et W. D. Kelton: Simulation Modeling and Analysis. McGraw-Hill, 2004a.
[7] M.A .El Oualidi, J. Saadi, L. El Hiki, A. Artiba, A. Bellabdaoui. Modélisation et
simulation du flux des patients au service des urgences. Cas de l’hôpital Ibn
Rochd à Casablanca (Maroc). GISEH 2010.
[8] S.B. Achour, O. Hugli, B. Yersin, P. Wieser. Evaluation d’un modèle de simulation
des urgences lors de la mise en place d’une voie rapide. GISEH 2010.
[9] N. Dehas, J. Aissani, S. Adjabi, et H. Abderrahmani. Evaluation des Performances
d’un Système de Santé: Cas de l’Hôpital Khellil Amrane (Béjaïa). Actes de la
Conférence Francophone en Gestion et Ingénierie des Systèmes Hospitaliers GISEH
06, Luxembourg, Septembre. 2006.
[10] B. Glaa, S. Hammadi et C. Tahon : Modeling the emergency path handling and
emergency department simulation. Dans Proceedings of the IEEE Conference on
Systems, Man, and Cybernetics, p. 4585–4590, 2006.
[11] W. Tao, A. Guinet, et S. Meyran. Modélisation et simulation du processus de passage
des patients aux urgences à l’aide d’ARIS: Étude de cas au SAU du Centre
Hospitalier Saint Joseph et Saint Luc. Actes de la Conférence Francophone en Gestion
et Ingénierie des Systèmes Hospitaliers GISEH06, Luxembourg, Septembre. 2006.
 8

[12] P. H. Millard, M. Mackay, C. Vasilakis and G. Christodoulou: Measuring and

modelling surgical bed usage. Annals of the Royal College of Surgeons of England,
82:75–82, 2000.
[13] A. Dussauchoy, C. Combes, F. Gouin et G. Botti : Simulation de l’activité d’un bloc
opératoire en utilisant des données recueillies au niveau d’un département
d’anesthésie. Dans Actes de la conférence GISEH, 2003.
[14] F. J. Ramis, J. L. Palma et F. F. Baesler: The use of simulation for process
improvement at an ambulatory surgery center. Dans Proceedings of the 2001 Winter
Simulation Conference, 2001.
[15] D.C. Tyler, C.A. Pasquariello and C.-H. Chen: Determining optimum operating room
utilization. Anesth Analg, 96:1114–1121, 2003.
[16] V. Gascon, M. Bélanger, K. Hébert. Analyse du processus de prélèvement dans un
centre hospitalier. GISEH 2010.
[17] B. Aleksy, A. Barrier, M. Chabrol, M. Gourgand, S. Rodier. Modélisation des
systèmes hospitaliers : du générique au spécifique. Application à une unité de soins de
médecine digestive. GISEH 2010.
[18] JC. Huet, J. Chopineau, V. Pinon, I. Grémeau, M. Gourgand, JL. Paris, K. Kouiss.
Proposition d’un outil d’aide à la décision pour l’organisation du circuit du
médicament. GISEH 2010.
[19] ]K. Belkadi, A. Tnaguy. Modélisation et simulation d’unités et services de soins de
l’HMRUO d’Oran – Algérie. GISEH 2010.
[20] M. Moussa, K. Belkadi. Simulation de flux dans un service d’imagerie de
l’HMRUO , 2ème Conférence internationale SIIE-2009, 12-14 février 2009,
Hammamet, Tunisie.

View publication stats