L'IA au service de l'appariement entre donneurs de sang et besoins hospitaliers

Contexte et objectifs

Notre client est une organisation qui gère la collecte et la distribution de produits sanguins aux hôpitaux d'une région, dans un contexte marqué par plusieurs tensions simultanées :

• une demande hospitalière fluctuante, en partie liée à l'évolution des pratiques de soins, qui exige une gestion des stocks plus dynamique ;

• une hausse de la demande en plasma de plus de 5 % par an, qui nécessite de renforcer le recrutement et la fidélisation des donneurs ;

• la diversité et la rareté des groupes sanguins, qui rendent difficile la garantie de disponibilité pour tous les types (en particulier les plus rares).

Au cœur du problème se posait une question en apparence simple : quel donneur contacter, pour quel type de don, pour mieux aligner l'offre sur la demande réelle ?

L'objectif était d'explorer si l'IA pouvait apporter une réponse concrète à cette question, en construisant un proof of concept capable de prédire, pour chaque donneur et chaque type de don, la probabilité qu'il réponde positivement à une sollicitation. La solution devait également tenir compte des niveaux de stock en temps réel et de la nécessité de préserver la disponibilité des groupes sanguins rares.

Approche

1. Comprendre le processus de collecte

Le projet a commencé par une immersion dans le fonctionnement réel de la sollicitation des donneurs : quels facteurs influencent la probabilité qu'un donneur réponde, et comment évoluent les stocks de chaque produit sanguin dans le temps.

Ce travail de compréhension était aussi important que la modélisation qui a suivi : prédire le comportement des donneurs impliquait d'abord de saisir les contraintes réelles derrière chaque décision de contact.

2. Construire les modèles de prédiction

Pour chaque produit sanguin (sang total, plaquettes, plasma), Agilytic a développé un modèle dédié estimant la probabilité de réponse positive de chaque donneur à une sollicitation. Plutôt que de traiter tous les donneurs de la même façon, ces modèles peuvent être réentraînés au fil du temps à mesure que de nouvelles données arrivent, afin de rester alignés avec l'évolution réelle des comportements.

Le projet posait également un défi important du point de vue du RGPD et de la protection des données, compte tenu du caractère sensible des informations sur les donneurs. La protection de la vie privée a donc été intégrée à la démarche dès le départ : les travaux se sont appuyés sur des données anonymisées et des méthodes respectueuses de la confidentialité.

3. Traduire les prédictions en actions

Savoir qui est susceptible de répondre ne suffit pas. Agilytic a ajouté une couche d'optimisation sous contraintes par-dessus les modèles de prédiction, pour générer des listes d'appel priorisées conciliant probabilité de réponse et besoins opérationnels réels. Cela comprenait les niveaux de stock actuels, avec une attention particulière au maintien de la disponibilité des groupes sanguins rares, même lorsque les chances de réponse sont plus faibles.

Résultats

Le projet a abouti à un proof of concept fonctionnel, démontrant comment l'IA peut soutenir l'un des équilibres les plus délicats de l'organisation : maintenir la disponibilité des bons produits sanguins sans sur-solliciter les donneurs.

Les livrables principaux comprenaient :

• des modèles de prédiction pour chaque type de produit sanguin, estimant la probabilité de réponse individuelle de chaque donneur ;

• le code sous-jacent permettant de réentraîner ces modèles dans le temps, pour que les prédictions restent pertinentes à mesure que les comportements évoluent ;

• un moteur d'optimisation sous contraintes transformant ces prédictions en listes d'appel priorisées et directement actionnables.

L'approche a été validée par des tests terrain, allant au-delà d'un proof of concept purement théorique.

Les travaux ont également eu un écho plus large : ils ont été relayés dans la presse et présentés lors d'une conférence, témoignant de la pertinence du projet face à un défi auquel de nombreux services de transfusion sont confrontés.