Le Process Mining est de plus en plus utilisé pour découvrir et analyser les processus de soins de santé. Il est particulièrement puissant dans l’étude et l’amélioration des parcours cliniques des patients. Combiner les résultats du Process Mining et la simulation à évènements discrets est une approche intéressante pour découvrir, représenter et évaluer les parcours de soin et aussi pour améliorer l’organisation des services de santé. L’objectif de ce travail est de développer un cadre pour automatiser de telles études à partir de l’étape de prétraitement des données à utiliser dans les simulations. Cet article décrit l’utilisation de Python et du package PM4PY pour formater les données et découvrir les processus. Un modèle générique de simulation à événements discrets est développé pour servir de base à l’analyse et l’amélioration du flux de patients dans un centre de santé. Ce type de cadre enrichit le modèle de simulation classique avec des voies synthétiques basées sur de vrais patients et devrait faciliter l’accès aux données agrégées des patients et transposer les études sur des jeux de données tiers. »
Jules Le Lay, Julia Neveu, Benjamin Dalmas, et Vincent Augusto, « Automated Generation of Patient Population for Discrete-Event Simulation Using Process Mining », in 2022 Annual Modeling and Simulation Conference (ANNSIM), juill. 2022, p. 42‑53. doi: 10.23919/ANNSIM55834.2022.9859406.
