Développement d'algorithmes d'Intelligence Artificielle dans le domaine de la santé

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Ayoub EL BAZZAZI, soutiendra une thèse de Doctorat intitulée : «Développement d'algorithmes d'Intelligence Artificielle dans le domaine de la santé».

La soutenance publique aura lieu le Vendredi 03 Juillet 2026 à 09h30 à l’Amphi de Conférence, à la Faculté des Sciences et Techniques de Béni Mellal, devant le jury composé de :

• Monsieur Lekbir AFRAITES : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Président.

• Monsieur Mustapha OUJAOURA : Maître de Conférences Habilité, École Nationale des Sciences Appliquées, Université Cadi Ayyad,  Safi, Rapporteur;

• Monsieur Mohamed BASLAM: Professeur, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur;

• Monsieur Rachid  EL AYACHI : Professeur, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur Yousef EL MOURABIT : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur; 

• Monsieur Cherki DAOUI : Professeur, Faculté des sciences et techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse ;

Résumé: 

Cette thèse s’inscrit dans le domaine du développement d’algorithmes d’Intelligence Artificielle appliqués dans le domaine de la santé. L’évolution rapide des technologies médicales et l’augmentation de la complexité des systèmes hospitaliers nécessitent aujourd’hui des approches intelligentes capables d’assurer l’optimisation des ressources, l’aide à la décision et la sécurité des systèmes critiques. Cependant, les environnements médicaux modernes sont caractérisés par des contraintes temporelles, des incertitudes dynamiques et des exigences élevées en matière de fiabilité et de sûreté. Ces défis rendent insuffisantes plusieurs approches classiques de modélisation et de contrôle.

Afin de répondre à ces problématiques, cette thèse propose plusieurs contributions basées sur l’intégration des techniques d’Intelligence Artificielle, des Réseaux de Petri et des modèles décisionnels probabilistes.

La première contribution porte sur la modélisation et l’analyse des flux hospitaliers durant la pandémie de COVID-19. Dans une première étape déterministe, un Réseau de Petri Temporisé est proposé afin de modéliser le parcours des patients et d’optimiser l’attribution des ressources médicales à travers l’analyse du graphe d’accessibilité et l’utilisation de l’algorithme de Dijkstra pour l’identification des chemins optimaux. Dans une seconde étape stochastique, le modèle est transformé en une Chaîne de Markov à temps discret afin de simuler le comportement dynamique du système hospitalier. Une méthode de simulation basée sur les techniques Monte-Carlo par Chaines de Markov (MCMC) est utilisée pour analyser l’évolution probabiliste du système et anticiper les situations critiques liées à la saturation des ressources médicales.

La deuxième contribution concerne le développement d’un système intelligent de contrôle pour fauteuil roulant autonome. Cette approche hybride combine plusieurs techniques d’Intelligence Artificielle, notamment les réseaux de neurones artificiels, l’apprentissage par renforcement et la logique floue, afin d’assurer l’adaptation dynamique du système face aux perturbations et aux variations de l’environnement. En complément, un Réseau de Petri Coloré et Temporisé est utilisé afin de garantir la sûreté et la vérification formelle du comportement du système.

La troisième contribution propose une architecture intelligente dédiée à l’optimisation de l’allocation des ressources en robotique médicale. Cette approche repose sur une chaîne décisionnelle intégrant la Régression Linéaire Multiple (MLR), les Processus de Décision Markoviens (MDP) et les Réseaux de Petri afin d’améliorer la prise de décision, l’optimisation des ressources médicales et la vérification formelle des flux dans des environnements complexes et dynamiques. Les résultats obtenus montrent l’efficacité des modèles proposés en termes de précision, de stabilité et d’optimisation des performances.

Les travaux réalisés dans cette thèse démontrent l’importance de l’intégration des techniques d’Intelligence Artificielle dans le domaine de la santé, particulièrement pour la modélisation, l’analyse et l’optimisation des systèmes médicaux intelligents.

Mots clés: Intelligence Artificielle, Systèmes de santé, Réseaux de Petri, Chaînes de Markov, Simulation MCMC, Processus de Décision Markoviens, Réseaux de neurones artificiels, Apprentissage par renforcement, Logique floue, Robotique médicale.