Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Supply chain management in Health and Social Services Network / Réseau de la santé et des services sociaux (RSSS) involves complex processes where anomalies (price variations, delivery delays, abnormal returns) can undermine efficiency, transparency, and care safety. This thesis proposes an integrated Artificial Intelligence (AI)-based anomaly detection approach using real SAP data from the Integrated University Health and Social Services Center of Saguenay-Lac-Saint-Jean / Centre intégré universitaire de santé et de services sociaux du Saguenay-Lac-Saint-Jean (CIUSSS-SLSJ). Due to institutional confidentiality constraints, the underlying SAP datasets and implementation code cannot be publicly released; only aggregated results and methodological details are reported. The work is structured around two article-style preprints intended for future submission. The first presents a pipeline in a pandas environment that combines unsupervised Machine Learning (ML) algorithms [Isolation Forest (IF), One-Class Support Vector Machine (OC-SVM), Local Outlier Factor (LOF), Robust Covariance (RC) in Elliptic Envelope (EE)], Bayesian hyperparameter optimization, and domain-adapted post-processing filters. The results suggest that pairing AI-based methods with domain-adapted filters can improve both accuracy and operational relevance for anomaly detection in CIUSSS-SLSJ supply chain data. The second article focuses on portability by re-implementing the pipeline in Apache Spark and examining the reproducibility of the results of the first article in a distributed environment. Overall, the proposed system aims to improve alert quality, particularly by reducing false positives to better identify actionable outliers, and to support future integration into centralized Enterprise Resource Planning (ERP) environments. The findings indicate that an AI-driven pipeline can make alerts more actionable when domain-specific post-processing filters are treated as first-class design elements alongside hyperparameter tuning. The work contributes to the healthcare anomaly detection literature and outlines practical pathways to strengthen CIUSSS-SLSJ procurement operations, with potential relevance to other RSSS institutions subject to further multi-site validation. The quantitative findings are promising for this case study, but technical challenges related to algorithms and data partitioning are highlighted. This conclusion is limited by the singleinstitution scope and a semi-supervised evaluation setting. Performance metrics were derived from binary labels provided by a single Administrative Process Specialist from CIUSSS-SLSJ, reflecting alignment with that expert’s interpretation of risk rather than an objective institutional reference. Future work should include multi-expert labelling and inter-rater agreement analysis to estimate label uncertainty and reduce dependence on a single expert’s mental model.

La gestion des chaînes d’approvisionnement dans le réseau de la santé et des services sociaux (RSSS) mobilise des processus complexes où des anomalies (variations de prix, retards de livraison, retours inhabituels) peuvent nuire à l’efficacité, à la transparence et à la sécurité des soins. Ce mémoire propose une approche intégrée de détection d’anomalies basée sur l’intelligence artificielle (IA), à partir de données réelles issues du système SAP du Centre intégré universitaire de santé et services sociaux du Saguenay–Lac-Saint-Jean(CIUSSS-SLSJ). En raison de contraintes de confidentialité institutionnelle, les jeux de données SAP et le code ne peuvent pas être rendus publics; seuls des résultats agrégés et les détails méthodologiques sont présentés. Le travail est structuré en deux manuscrits de type article (préprints) destinés à une soumission ultérieure. Le premier article décrit un pipeline dans un environnement pandas combinant des algorithmes non supervisés [Isolation Forest, One-Class Support Vector Machine, Local Outlier Factor, Robust Covariance utilisée dans une Envelope Elliptique (EE)], une optimisation bayésienne des hyperparamètres et des filtres de post-traitement adaptés au domaine. Les résultats suggèrent que l’association de méthodes IA et de filtres spécifiques au domaine améliore la précision et la pertinence opérationnelle de la détection d’anomalies dans les données d’approvisionnement du CIUSSS-SLSJ. Le second article traite de la portabilité vers Apache Spark en réimplantant le pipeline et en évaluant la reproductibilité des résultats en environnement distribué. Les performances demeurent robustes, tout en mettant en évidence des défis techniques liés aux algorithmes et au partitionnement des données. Globalement, le système vise à améliorer la qualité des alertes, notamment en réduisant les faux positifs afin d’identifier des écarts plus actionnables, et à préparer une intégration future dans des environnements ERP centralisés. Les résultats soutiennent qu’un pipeline piloté par l’IA peut rendre les alertes plus exploitables, notamment grâce à l’intégration des filtres de post-traitement comme éléments de conception clés. Le travail contribue à la littérature sur la détection d’anomalies en santé et propose des pistes pour renforcer l’efficacité des activités d’approvisionnement du CIUSSS-SLSJ, avec un potentiel de transfert vers d’autres organisations du RSSS sous réserve de validations multi-établissements. Cette conclusion demeure limitée par le caractère mono-institutionnel de l’étude et par un cadre d’évaluation semi-supervisé. Les métriques reposent sur des étiquettes binaires fournies par un seul spécialiste en procédés administratifs du CIUSSS-SLSJ, ce qui réduit la généralisabilité des scores. Pour les travaux futurs, une validation multi-experts et une mesure d’accord inter-juges sont recommandées pour renforcer la robustesse des conclusions.