The posting
Projet porté par : Marwa Trabelsi - IMT Mines Albi Centre Génie Industriel (CGI) [email protected]
en collaboration avec Safa Layeb [email protected] et Franck Fontanili [email protected]
Partenaires IMT impliqués :
- Telecom Sud Paris, Département Electronique et Physique, Laboratoire Services répartis, Architectures,
Modélisation, Validation, Administration des Réseaux (SAMOVAR): Nel Samama [email protected]
- Mines Saint-Etienne : Centre Ingénierie Santé (CIS), Marius Huguet [email protected]
Sujet proposé (5-6 mois à partir de Février):
Acronyme : HOPAL : Hospital Process Automatic Learning
Titre long : Construction automatique de modèles de processus hospitaliers multi-flux par grands modèles de langage (LLM)
Description du projet :
L’étude du processus de prise en charge aux urgences est essentielle pour comprendre et résoudre le problème croissant de surcharge, qui touche de nombreux pays. Cette surcharge, souvent liée à un déséquilibre entre la demande de soins et les ressources disponibles, a des conséquences graves : retards de traitement, allongement des temps de triage, et même une augmentation de la mortalité. Elle révèle aussi des défis systémiques, comme l’accès difficile aux soins primaires, qui poussent les patients vers les urgences.
Optimiser l’utilisation des ressources humaines et matérielles permet non seulement de réduire les files d’attente, mais aussi d’améliorer la qualité des soins et l’efficacité globale du système. Enfin, analyser ces processus aide à identifier des solutions durables, comme une meilleure organisation ou une réallocation ciblée des moyens.
Ces processus laissent des traces numériques dans le système d'information hospitalier (SIH), mais leur modélisation reste aujourd'hui largement manuelle, coûteuse et rapidement obsolète.
Le process mining permet de découvrir des modèles de processus à partir de ces traces. Les techniques classiques de découverte atteignent toutefois leurs limites face à des logs hétérogènes, bruités et multi-flux.
Les grands modèles de langage (LLM) ouvrent une voie nouvelle : générer automatiquement des modèles de processus (BPMN, graphes de processus) directement à partir de traces organisationnelles, sans intervention humaine, et en produire une lecture compréhensible par les acteurs de terrain.
Par ailleurs, des travaux menés au CGI ont démontré la faisabilité de la prédiction de parcours patients par LLM. La question scientifique au cœur de ce stage est l'articulation de ces deux briques : comment relier la prédiction de parcours à la construction automatique de modèles, pour passer de modèles rétrospectifs (ce qui s'est passé) à des modèles prospectifs (ce qui va se passer) ?
Ce projet s’inscrit dans une dynamique inter-écoles IMT autour de l’IA explicable pour la santé publique. Les équipes CGI, CIS et SAMOVAR collaborent déjà via le projet TRACKING (Carnot M.I.N.E.S – CARINGS), avec des travaux sur la géolocalisation indoor au sein des urgences de l’Hôpital Le Corbusier de Firminy. Cette synergie s’est prolongée par un stage M2 en 2025, financé par le Fonds d’amorçage Santé, dédié au prototypage d’une application mobile de localisation indoor/outdoor des patients. Une thèse INTERCARNOT a été lancé dans la continuité avec la validation des deux instituts Carnot (M.I.N.E.S et TSN) et va démarrer en Octobre 2026.
Objectif du stage
L'objectif est de concevoir et prototyper un pipeline dans lequel un même module de construction automatique de modèles par LLM est alimenté par deux sources :
- Branche A (rétrospective) : les logs SIH réels, normalisés en event logs, produisent des modèles as-is des processus observés ;
- Branche B (prospective) : dans la suite des travaux réalisés, les parcours prédits par LLM sont sérialisés au même format de traces (activité, timestamp, ressource) via un adaptateur, et produisent des modèles to-be des processus à venir.
La comparaison des modèles as-is et to-be permet la détection d'écarts, l'anticipation des goulots d'étranglement et le support à la décision explicable, jusqu'à la simulation contrefactuelle (perturber les prédictions, reconstruire le modèle, observer l'impact).
Profil recherché
- Formation : M2 ou dernière année d'école d'ingénieur en informatique, science des données, IA ou génie industriel ;
- Compétences techniques : Python indispensable ; une expérience des LLM (fine-tuning, prompting, API)
- et/ou du process mining (pm4py) est un atout fort ;
- Qualités : rigueur scientifique, autonomie, goût pour le travail avec des données réelles imparfaites, intérêt pour le domaine hospitalier.
Références
Huguet M, Pehlivan C, Ballereau F, Dodane-Loyenet A, Fontanili F, Garaix T, Yordanov Y, Augusto V, Tazarourte K, Redjaline A. Indoor positioning systems provide insight into emergency department systems enabling proposal of designs to improve workflow. Commun Med (Lond). 2025 Mar 11;5(1):72.
Ayed SB, Layeb SB, Huguet M, Fontanili F, Samama N. Developing a Mobile Application and Dashboard for Proactive Management of Patient No- Shows via Geolocation and Dynamic Scheduling. In: 2025 IEEE International Conference on Advanced Healthcare Systems (ICAHS). IEEE; 2025 Dec. p. 1-5.
Trabelsi M, et al. TRACE4PM: Trace Related Analysis and Clustering for Process Modeling of Users Interactions in IS. In: RCIS 2025. Springer; 2025.
Rebmann A, et al. Evaluating the Ability of LLMs to Solve Semantics-Aware PM Tasks. In: ICPM 2024. IEEE; 2024.
Kourani H, Berti A, Schuster D, van der Aalst WMP. Process Modeling with Large Language Models. In: BPMDS/EMMSAD@CAiSE 2024. 2024. p. 229- 244.
