Mohamed Maazoun

Stage De Fin d Études @Chc Groupe Santé

Albi, FR

IMT Mines Albi – Centre Génie Industriel | Groupe santé CHC Liège (Belgique)J’ai conçu et déployé des pipelines d’apprentissage automatique avancés dédiés à l’optimisation prédictive des durées opératoires et à la modélisation séquentielle des parcours patients dans un environnement hospitalier complexe. Objectifs clés - Développement de modèles supervisés (CatBoost, XGBoost, ensembles stacking, LSTM) pour prédire avec précision les durées opératoires, accompagnés d’intervalles de confiance calibrés à 90 % via régression quantile- Structuration d’un pipeline CRISP-DM intégrant l’analyse de corrélation multivariée (Pearson, Spearman, ANOVA), la sélection de features cliniques, et l’évaluation croisée multi-clusters- Segmentation non supervisée des disciplines chirurgicales via OPTICS, avec spécialisation de modèles intra-cluster, menant à une réduction de la RMSE de 19,2 à 11,3 minutes (−41 %)- Développement d’un modèle LSTM multiclasse pour prédire la prochaine unité de séjour hospitalier avec une précision moyenne de 77 % en validation croisée (3-fold)- Construction d’un démonstrateur interactif (Streamlit) pour la simulation multi-scénarios des plannings opératoires. Stack technologique :Python (Pandas, Scikit-learn, CatBoost, XGBoost, TensorFlow, PyTorch), PostgreSQL, Streamli, FlexSim (modélisation de flux hospitaliers). Résultats clés - Amélioration significative des performances de prédiction (RMSE −41 %)- Intervalle prédictif robuste : 92 % de couverture effective- Présentation des résultats au symposium GDR MaDICS 2025 (article scientifique + poster)- Ouverture vers l’implémentation d’un jumeau numérique hospitalier en collaboration avec les équipes DSI et les planificateurs. Impact - Rationalisation algorithmique des processus opératoires, réduction des inefficiences (retards, sous-utilisation des salles), et intégration de l’IA dans la gouvernance hospitalière pour une prise de décision data-driven.