Détection de noms de médicaments similaires

Détection de noms de médicaments similaires

Je parlais récemment d’affichage de noms de médicaments dans les systèmes informatiques. Les difficultés rencontrées avec cet affichage découlent en partie des noms de médicaments similaires, désignés en anglais par l’acronyme LASA (Look-alike, sound-alike). Un nouvel article dans le dernier AJHP discute de ce problème. Les auteurs ont développé un algorithme permettant d’identifier les erreurs potentielles liées à des paires de médicaments aux noms similaires. L’article se concentre sur la confusion entre la cyclosérine et la cyclosporine, deux médicaments précédemment identifiées comme ayant un nom similaire à risque de confusion et inclus sur la liste des « TALLman » de l’ISMP.

Un algorithme d’identification des paires de médicaments à risque a été développé à l’aide de 3 critères extraits du dossier électronique:

  1. Le médicament prescrit n’était pas justifié par un diagnostic actif.
  2. Un autre médicament au nom similaire (selon un certain seuil) existe.
  3. L’indication de cet autre médicament correspond à un diagnostic actif ou est présent dans l’historique de médicaments.

Afin d’exécuter cet algorithme, une banque d’indications des médicaments a été obtenue d’un fournisseur commercial, les données diagnostiques du dossier électronique ont été extraites (les codes ICD-9) et les 10 dernières années de prescriptions électroniques dans l’institution des auteurs ont été analysées en fonction de ces données. Un traitement extensif des données a été nécessaire pour réaliser l’analyse et est détaillé dans le texte. La similairité des noms de médicaments a été évaluée à l’aide de l’algorithme BI-SIM, un score de 0 à 1 caractérisant la similarité de deux chaînes de texte qui a déjà été étudié pour prédire le risque de confusion entre les médicaments. La paire cyclosporine/cyclosérine a un score de 0,83.

Toutes les prescriptions de cyclosérine de 2008 à 2014 ont été extraites. 16 ordonnances de cyclosérine ont été identifées, et les dossiers ont été revus manuellement. De celles-ci, 11 étaient des erreurs de confusion avec la cyclosporine. Dans 10 cas, la prescription a été faite mais changée par la suite. Dans un cas, il semble que le patient ait reçu de la cyclosérine, mais à la seule analyse du dossier cela demeurait incertain. Il est à souligner que ces deux médicaments étaient identifés par une nomenclature « TALLman » dans le dossier électronique, ce qui remet encre une fois en doute l’efficacité de cette mesure.

Les auteurs concluent en soulignant qu’une alerte basée sur l’indication aurait probablement permis d’éviter ces erreurs, en alertant le prescripteur au fait que la cyclosérine, un médicament pour la tuberculose, et rarement utilisé, n’était pas indiqué pour les patients en question. Cependant, ils mentionnent aussi qu’il est ardu de mettre en place un tel algorithme De leur propre expérience, une grande quantité de travail manuel a été nécessaire pour d’abord établir la liste d’indications par médicament à partir d’une banque de données commerciales, puis pour relier les diagnostics du dossier électronique à ces indications, sachant que les données extraites des dossiers électroniques sont hautement variables.

Variations dans la nomenclature des médicaments en prescription électronique

Variations dans la nomenclature des médicaments en prescription électronique

J’ai parlé il y a quelque temps de l’importance la nomenclature des médicaments dans les systèmes informatiques de santé, incluant les systèmes de pharmacie, les dossiers électroniques et la prescription électronique. Un article publié dans le dernier AJHP amène des données intéressantes sur cet enjeu. Il s’agit d’un article qui avait pour objectif de décrire la variabilité des noms de médicaments utilisés dans 10 systèmes de prescription électronique utilisés dans 6 organisations de santé américaines. Les logiciels évalués incluaient des systèmes locaux de même que des produits commerciaux. Des tests ont été développés par un pharmacien de l’équipe de recherche pour pour générer des alertes, en particulier pour les duplications. Des sessions à distance ont été menées avec les utilisateurs locaux du système de manière standardisée, afin de bien évaluer l’interaction normale des utilisateurs avec le système. De plus, dans un site en particulier, les données de 4 millions d’ordonnances émises entre 2011 et 2015 ont été extraites et analysées en détail.

Les auteurs ont observé une énorme variabilité dans la manière dont les médicaments étaient nommés et affichés dans les systèmes, par exemple l’affichage de médicaments en nom générique ou original, selon ce qui avait été prescrit, dans les listes de médicaments. Ça vaut la peine de lire le texte complet pour voir tous les exemples. L’analyse détaillée d’un site a montré que la plupart des prescriptions étaient faites en nom générique, sauf pour les produits combinés, pour lesquels 77,3% des prescriptions étaient faites en nom commercial.

Divers problèmes ont été notés, notamment la présence de 3137 duplications où le même médicament, avec la même posologie, avait été prescrit deux fois, une fois avec le nom générique et une fois avec le nom commercial, et l’alerte générée en réponse à cette duplication avait probablement été ignorée ou désactivée. L’affichage de noms multiple pour le même médicament, parfois dans le même écran, a été obervée. Enfin, la présence de noms « maison » incluant des modificateurs locaux (par exmple des indications, ou des restrictions) a été observée.

Les auteurs terminent en listant les principes émis par l’ISMP pour l’affichage des noms de médicaments:

  • Lister à la fois le nom générique et le nom commercial.
  • Inclure l’indication dans la prescription pour éviter les erreurs liées aux noms de médicaments similaires qui n’ont pas la même indication.
  • Différencier les noms de médicaments similaires à l’aide de modifications de police de caractères ou l’utilisation de majuscules [à souligner: la recherche tend plutôt à démontrer que le TALLman lettering a une efficacité douteuse, voir un article précédemment publié et un autre dans le même numéro de l’AJHP dont je parlerai plus tard].

Je trouve qu’il s’agit d’un bon article, mais il manque de preuves que les problèmes soulevés ont un impact réel. Je ne doute pas que ce soit un problème, encore faut-il le démontrer pour justifier des changements dans cette pratique. Néanmoins, malgré le peu de données probantes sur le sujet, il faut bien décider d’une manière d’afficher les noms de médicaments dans les systèmes, et il est tout à fait vrai que la nomenclature peut entraîner de la confusion et des erreurs. Il s’agit un sujet de recherche très intéressant.

Biais cognitif lié à l’aide à la décision

Biais cognitif lié à l’aide à la décision

Les systèmes d’aide à la décision gagnent en popularité avec l’informatisation croissante des dossiers médicaux, en particulier dans le contexte de la prescription électronique. Il existe également de tels outils intégrés aux systèmes d’information pharmacie, notamment pour la détection d’interactions médicamenteuses. Néanmoins, l’impact clinique de tels systèmes est sujet à débat, en particulier quand on constate à quel point les alertes générées peuvent être de pertinence clinique douteuse, ou bien lorsque des problèmes importants ne sont pas détectés.

Cette étude avait pour objectif d’évaluer la présence de biais cognitif induit par les systèmes d’aide à la décision, notamment l’omission de problèmes en absence d’alerte, les interventions inappropriées en présence d’alertes inexactes, et l’impact des interruptions et de la complexité des tâches sur ces éléments.

120 étudiants en médecine dans les deux dernières années de leur formation dans des universités australiennes ont participé à l’étude.  Chaque participant devait compléter des scénarios de simulation les exposant à neuf situations, soit une situation contrôle sans aide à la décision, une aide à la décision adéquate et une aide à la décision inadéquate, chacune en condition normale, en présence d’interruptions et en présence d’une tâche plus complexe. Durant chaque scénario, ils devaient prescrire des médicaments dans un logiciel simulé en présence d’un contexte clinique réaliste. Les scénarios ont été développés et révisés par plusieurs spécialistes, incluant des pharmaciens, afin de s’assurer que ceux-ci étaient adéquats. Notamment, les prescriptions à faire étaient représentatives des responsabilités des étudiants en médecine, et les erreurs à détecter étaient sans ambiguité et clairement à éviter. De plus, les participants étaient avisés que les alertes fournies par le système pouvaient être inexactes ou absentes.

4065 prescriptions ont été faites, comportant 1049 erreurs, incluant les non-prescriptions de médicaments requis. 70% de ces erreurs ont été induites par les scénarios, et 30% ont été jugées comme originant purement des participants. Tous les participants ont fait au moins une erreur.

Comparativement à la situation contrôle, l’aide à la décision adéquate a réduit les erreurs de prescription de 58,8%, alors que l’aide à la décision incorrecte a augmenté les erreurs de prescription de 86,6%. Fait intéressant, les interruptions et la complexité du scénario n’ont pas affecté significativement les biais cognitifs induits par l’aide à la décision. Les résultats complets sont bien plus détaillés, ça vaut la peine de lire le texte complet pour bien en comprendre toutes les nuances.

Les auteurs soulignent que les participants avaient de la difficulté à déterminer si les alertes d’aide à la décision étaient correctes ou non, et même si des omissions avaient lieu.

Je trouve l’article pertinent car il illuste comment l’aide à la décision peut avoir un impact positif si les alertes sont bien paramétrées et adéquates, et comment les effets de cette technologie peuvent être délétères en présence d’omissions ou d’alertes inadéquates. Bien sûr, la tâche de paramétrage d’un système d’aide à la décision est colossale. Bien souvent, la possibilité de personnaliser les alertes, d’en ajouter ou d’en désactiver est inexistante ou limitée, et le nombre d’alertes livrées avec le système est très grand, rendant la révision de celles-ci une par une irréaliste. Plusieurs articles ont décrit les problèmes liés à l’inclusion de nombreuses alertes pour des raisons légales ou administratives, et ont fait des recommandations pour filtrer ce contenu. Encore faut-il avoir les ressources et la capacité technique de le faire.

Revue systématique sur l’administration des médicaments assistée par code-barre

Revue systématique sur l’administration des médicaments assistée par code-barre

J’ai déjà parlé à plusieurs reprises de code-barre. Plusieurs articles récents décrivent les bénéfices de cette technologie pour aider à la traçabilité des médicaments tout au long de leur circuit en établissement de santé, pour améliorer la documentation de la vaccination, pour sécuriser le processus de préparation stérile des médicaments et pour remplacer la vérification contenant-contenu visuelle par le pharmacien, entre autres. Ce nouvel article est une revue systématique des effets de l’administration des médicaments assistée par code-barre (barcode medication administration), lorsqu’elle est combinée à la prescription électronique. au formulaire d’administration des médicaments électronique (eMAR) et à la dispensation des doses automatisée (par cabinets ou robots, par exemple). Toutes ensembles, ces technologies forment une boucle fermée allant de la prescription à l’administration, en anglais on parle de closed-loop medication administration system. Par boucle fermée on entend qu’il n’y a aucune retranscription de la prescription jusqu’à l’administration et que tout le processus est sécurisé électroniquement; cela suppose une interface avec le système pharmacie ou une intégration de celui-ci au même système que le reste, ce que bien des publications négligent malheureusement de décrire.

Une revue de littérature de Medline, PubMed et Embase entre 1992 à 2015 a été effectuée de manière systématique. 430 publications ont été identifiées, dont 393 ont été exclues sur la base du sujet ou des données rapportées. 30 autres ont été exclues car elles ne parlaient pas de code-barre dans le contexte d’une boucle fermée. Enfin, 2 autres ont été exclues car l’une n’était qu’un rapport préliminaire et l’autre ne comprenait pas de système avec prescription électronique. 5 articles ont donc ultimement été inclus, dont 3 avec un devis d’observation directe pour la collecte des données et 2 qui étaient basées sur des déclarations volontaires d’erreurs.

Globalement, 2 articles parmi les trois basées sur l’observation directe ont trouvé une diminution des erreurs non reliées au moment d’administration de 4,6% et 4,7% (en absolu), soit de 11,5 à 6,8% pour la première, et 8 à 3,4% pour la deuxième. Une augmentation de l’incidence de distractions (15,5 à 25,2%) et de l’administration sans explications au patient (10,9 à 14,9%) a été observée dans la deuxième étude, probablement en raison de la nécessité d’interaction avec le système informatique au moment de l’administration. La troisième étude a trouvé une diminution de 3,7% en absolu des erreurs de tous types, soit de de 7 à 4,3%. La première étude a également constaté une élimination complète des erreurs de transcription.

En ce qui a trait aux études basées sur des déclarations volontaires, la première a trouvé une augmentation des erreurs (20 erreurs par millions de doses contre 38), ce qui était probablement lié simplement à une meilleure détection, considérant une diminution relative de 75% des erreurs ayant touché le patient observée de manière concomitante. La dernière étude a quant à elle observé une différence non significative des erreurs de 2,89 par 10 000 doses contre 1,48.

Les auteurs soulignent que leur revue ne considérait que les études sur l’administration assistée par code-barre dans le contexte d’un circuit fermé avec prescription électronique, administration des médicaments informatisée et dispensation automatisée. Un autre article de revue paru en 2009 et cité par les auteurs évaluait le code-barre sans le contexte du circuit fermé, cependant cet article commence à dater un peu. Considérant l’état actuel du système de santé canadien (les auteurs sont de la Colombie-Britannique), il aurait été intéressant de présenter quelques données dans des systèmes sans prescription électronique ou avec des transcriptions à l’entrée ou à la sortie du système pharmacie.

Néanmoins, cet article est intéressant et permet de se faire une bonne idée des bénéfices attendus avec cette technologie.

Utilisation d’une bibliothèque d’ordonnances pré-rédigées dans un hôpital américain

Utilisation d’une bibliothèque d’ordonnances pré-rédigées dans un hôpital américain

Malgré plusieurs articles qui décrivent l’impact positif d’ordonnances pré-rédigées (order sets) utilisées seules ou comme partie d’un groupe d’interventions pour améliorer la prise en charge de divers problèmes, peu de publications détaillent les systèmes en place pour gérer et diffuser ces ordonnances.

L’article présenté ici est un « abrégé » (plutôt long) présenté au congrès de l’American Medical Informatics Association. Le texte complet est disponible gratuitement sur PubMed Central, ce qui est rare pour le contenu de l’AMIA.  L’article décrit la mise en place du logiciel Cerner EHR dans une organisation de soins de santé américaine située en Utah. L’organisation est énorme et englobe 22 hôpitaux, 1 hôpital pédiatrique, 185 cliniques externes, 18 cliniques communautaires et un plan d’assurance. Près de la moitié des résidents de l’Utah sont suivis dans cette organisation. Le logiciel mis en place permet le développement d’ordonnances pré-rédigées et permet à chaque prescripteur de développer des ordonnances personnalisées dérivées des modèles institutionnels. Suite à l’implantation du système, un tableau de bord d’indicateurs a été développé pour permettre l’analyse de l’utilisation des ordonnances pré-rédigées et pour fournir de la rétroaction à leurs auteurs. Les données d’utilisation de 12 mois, de février 2015 à février 2016, ont été extraites.

Les fonctionnalités du tableau de bord étaient entre autres:

  • Afficher les volumes d’utilisation de chaque ordonnance, découpés en utilisation du modèle de base et de variantes personnalisées.
  • Afficher l’utilisation d’une ordonnance en fonction du temps, découpé par version et par modèle.
  • Détailler les versions de chaque ordonnance, incluant les dates et heures de versions, les auteurs, ainsi que les différents changements dans chaque modèle standard et dans chaque version personnalisée.
  • L’évolution schématisée graphiquement des éléments individuels inclus dans l’ordonnance pré-rédigée, notamment ce qui a été ajouté, retiré ou modifié.

Dans les données d’une année qui ont été extraites, les auteurs ont constaté que 107 auteurs avaient développé plus de 1400 modèles standards d’ordonnances pré-rédigées, cependant moins de la moitié de ce qui avait été développé avait été réellement utilisé. Près de 300 000 instances d’utilisation ont été collectées. Ils ont constaté que différents départements avaient une approche très différente, par exemple le département de cardiologie ne permettait pas la personnalisation de ses modèles tandis que d’autres départements encourageaient cette pratique. Les utilisateurs avaient tendance à créer des modèles personnalisés des ordonnances pré-rédigées simplement pour en changer le nom à quelque chose qu’ils étaient plus susceptibles de retrouver facilement, plutôt qu’à en changer le contenu. En effet, 80% du volume d’ordonnances générées à partir de ces documents était conforme au contenu standard. Une fonctionnalité utile du logiciel était que les mises à jour du modèle standard étaient poussées aux modèles personnalisés, diminuant ainsi le risque d’utiliser une ordonnance désuète. Les auteurs considèrent que leur tableau de bord s’est avéré utile pour améliorer le développement des ordonnances pré-rédigées. Ils citent en exemple les ordonnances post-partum qui ont été modifiées suite à l’examen des données d’utilisation.

Il est cependant souligné que la non utilisation d’une grande quantité d’ordonnances pré-rédigées est préoccupante, car un formulaire non utilisé pourrait devenir désuet ou même diverger de nouvelles recommandations cliniques. Les auteurs suggèrent de considérer la suppression d’ordonnances pré-rédigées inactives pour un certain temps et pour réduire les ressources nécessaires au maintien de la bibliothèque.

Je trouve cet article intéressant car il décrit bien les problèmes vécus dans la gestion d’une grande bibliothèque d’ordonnances pré-rédigées, et il montre bien comment l’informatisation d’un tel processus peut avantageusement inclure un volet de collecte de données, d’indicateurs et d’analytique.

Nouvel article sur l’utilisation du DSQ pour les ordonnances initiales à l’urgence

Nouvel article sur l’utilisation du DSQ pour les ordonnances initiales à l’urgence

Cet article est le troisième à ma connaissance sur l’utilisation des données du DSQ pour la rédaction d’ordonnances dans le cadre du bilan comparatif des médicaments à l’admission. Le premier était dans le contexte de la pédiatrie et le deuxième en adulte. Dans ce deuxième article, on évaluait en particulier un nouvel outil de Cristal-Net permettant l’affichage des informations du DSQ directement dans le dossier clinique informatisé de manière à faciliter la represcription à l’urgence, souvent avant l’élaboration du MSTP et la réalisation du bilan comparatif.

Cette nouvelle étude a aussi été réalisée au CHU de Québec mais sur un site différent (à l’hôpital Enfant-Jésus plutôt qu’à l’Hôtel-Dieu) et après l’autre étude, soit du 6 au 31 juillet 2015. À cet hôpital, contrairement à celui de l’étude précédente, le processus de BCM en place antérieurement incluait la saisie des informations transmises par les pharmacies communautaires dans le système d’information pharmacie comme étape initiale pour la réalisation du BCM.

Les patients installés sur civière à l’urgence durant la période de collecte qui ont eu une ordonnance rédigée à partir de l’outil informatique du DSQ dans Cristal-Net et qui ont eu un profil pharmacologique de leur pharmacie communautaire versé au dossier ont été inclus, et ont été suivis jusqu’à la fin de leur hospitalisation. Les divergences ont été notées et catégorisées, et les problèmes d’utilisation de l’outil informatique ont été notés.

118 patients ont été inclus, dont 59 ont été admis. L’âge moyen était de 70±15,8 ans. 1617 médicaments ont été relevés sur les formulaires et 867 ont été represcrits, pour une moyenne de 7,3±4,5 médicaments prescrits par formulaire. 17 duplications ont été identifiées et 8 ordonnances ont été faites pour des médicaments non renouvelés depuis plus de 90 jours. 111 patients avec profil de pharmacie communautaire au dossier ont été inclus pour l’analyse des divergences, dont 58 admis. Fait intéressant, dans 46,6% des cas, le formulaire d’ordonnances a été imprimé après l’obtention du profil de pharmacie communautaire.

641 divergences ont été identifiées, dont 13,1% étaient intentionnelles et documentées, 70% intentionnelles et non documentées, et 16,8% non intentionnelles. En contraste, dans l’étude précédente, plus de la moitié des divergences intentionnelles étaient documentées. La majorité des divergences non intentionnelles concernaient des médicaments absents du DSQ. À la fin de l’étude, 42,4% des divergences intentionnelles non documentées ou non intentionnelles ont été résolues, dont 84,3% de celles-ci dans les 24 heures de l’admission. 42,2% des divergences ont été résolues par les équipes médicales, 4,4% par les urgentologiques et 53,3% par les pharmaciens.

Les auteurs notent que depuis la mise en place de ce processus, une justification est maintenant requise pour la prescription de médicaments à haut risque, afin de sécuriser le processus. Élément très important à souligner, 83,3% des divergences non intentionnelles ont été résolues suite à l’intervention des pharmaciens à la distribution dans cette étude (comparativement à 30,4% dans l’étude précédente), ce que les auteurs attribuent à une meilleure connaissance de l’outil que dans le précédent projet.

Je trouve cette étude intéressante car elle ajoute aux connaissances sur l’impact du DSQ en pratique comme outil de prescription lors de l’arrivée à l’urgence et lors de l’admission. Ce qui est clair, c’est que cet outil constitue un point de départ intéressant pour la réalisation du MSTP et du BCM, mais qu’il ne doit pas être utilisé seul et qu’il ne faut certainement pas s’y fier aveuglément. De plus, la vigilance des pharmaciens de la distribution, lors de la validation des ordonnances d’admission, est nécessaire pour l’identification d’éventuelles divergences.

Surveillance des antimicrobiens à l’aide d’une stratégie électronique

Surveillance des antimicrobiens à l’aide d’une stratégie électronique

Cet article décrit une stratégie de surveillance des antimicrobiens mise en place dans un hôpital de réadaptation français de 255 lits de courte durée et 108 lits de réadaptation ciblé sur les blessures à la moëlle épinière. Une équipe composée d’un pharmacien, d’un microbiologiste et d’un médecin spécialiste en maladies infectieuses a été mise en place pour surveiller la prescription d’antimicrobiens en ciblant certaines classes.

La stratégie de surveillance consistait en l’identification d’antimicrobiens de certaines classes prescrits pour plus d’une journée (par exemple piperacilline-tazobactam, carbapénèmes). Le prescripteur devait détailler l’indication dans le système de prescription électronique, puis effectuer un suivi au jour 3 de la prescription. Une requête d’extraction des données vers un chiffrier Excel a été mise en place, et permettait à l’équipe de surveillance d’effectuer un suivi des prescriptions. D’abord, un pharmacien vérifiait les doses prescrites et la présence d’interactions médicamenteuses, puis alertait le prescripteur selon la conformité de la prescription aux lignes directrices du centre. Ensuite, le microbiologiste validait la prescription en fonction des résultats de culture et de susceptibilité. Les prescriptions étaient classées en appropriées ou inappropriées pour une de trois raisons: l’absence de culture requise, la non susceptibilité à l’antibiotique prescrit, ou un spectre trop large. Les prescriptions jugées inappropriées et non cessées malgré l’alerte étaient transmises par courriel à l’infectiologue, qui effectuait une intervention directement auprès du prescripteur pour évaluer si la prescription était adéquate ou pour recommander une modification. Pour l’étude rapportée, les données de janvier 2012 à décembre 2014 ont été collectées.

2216 prescriptions ont été revues. Le microbiologiste a évalué 1224 (58.1%) prescriptions comme inappropriées, et de celles-ci 835 (68.2%) ont été modifiées sans intervention. 389 (31.8%) prescriptions ont mené à une alerte, pour lesquelles 293 interventions ont effectivement eu lieu. Dans 157 (53,6%) interventions, le traitement a été jugé adéquat en fin de compte, et dans 136 (46,4%), le traitement a été jugé inapproprié, puis modifié dans 132 de ces cas.

Le système décrit est relativement « low-tech », consistant en une simple extraction de données puis un suivi partagé à l’aide d’un chiffrier Excel. Ça a l’avantage d’offrir un suivi des antimicrobiens plus fin qu’à l’aide d’alertes complètement automatisées, mais il n’est pas clair si l’investissement de temps requis de la part de chacun des membres de l’équipe pour ce suivi manuel est vraiment rentable. Par ailleurs, dans le cadre de cette étude l’antibioprophylaxie chirurgicale et médicale était exclue, probablement en raison du volume, mais dans mon expérience beaucoup d’interventions de ce type sont nécessaires avec les prescriptions de prophylaxie.

Facteurs favorisant l’utilisation nationale des données de santé en Écosse

Facteurs favorisant l’utilisation nationale des données de santé en Écosse

Cet article un peu obscur provient d’Écosse, et décrit les résultats d’un focus group des parties prenantes de l’implantation d’un système national électronique pour la prescription et l’administration des médicaments dans cette région. L’objectif de cette discussion était de faire ressortir les éléments importants pour assurer la qualité des données nationales sur ce sujet, avec pour objectif ultime d’assister la prise de décision politique et administrative sur le système de santé. Ce contexte est certes un peu lourd, mais les thèmes dégagés me semblent intéressants et applicables à la situation québécoise où l’informatisation du système de santé est enclenchée.

Des participants occupant des positions senior dans le système de santé, et ayant des fonctions touchant à l’informatisation ont été approchées, notamment des représentants des médecins, pharmaciens et infirmières, des associations de patients, des fournisseurs et des dirigeants. Un guide des sujets de discussion a été remis aux participants, comportant quatre thèmes: les expériences internationales, l’expérience écossaise avec l’implantation d’un système de cancérologie, les besoins dans des secteurs à développer (contrôle de la douleur, surveillance des antimicrobiens), et les implications politiques et stratégiques. La discussion a été enregistrée, transcrite et analysée de manière qualitative.

36 personnes ont été approchées et 21 ont participé à la journée de discussion. Les idées principales dégagées sont en lien avec des facteurs à trois niveaux:

  • Niveau micro
    • La nécessité d’avoir des logiciels flexibles s’intégrant au flot de travail, potentiellement complexe, des utilisateurs.
    • La nécessité d’offrir une interface intuitive qui ne ralentit pas le travail.
    • La disponibilité de données de performance en feedback pour les utilisateurs.
    • Offrir aux utilisateurs la preuve que les données collectées fonctionnent pour l’amélioration du système.
  • Niveau meso
    • S’assurer que les ressources pour le maintien des infrastructures technologiques soient prévues.
    • Développer la capacité de gestion du changement et d’analyse de données nécessaire pour gérer cette information.
  • Niveau macro
    • Avoir une banque de données nationale pour permettre la collecte et l’analyse centralisée.
    • Prévoir une interopérabilité des systèmes à l’aide de standards technologiques.
    • Avoir des systèmes en place pour le feedback de données aux organisations locales.

La discussion de l’article est intéressante et présente des recommandations pour des stratégies nationales découlant de ces idées.

Je trouve cet article intéressant parce que les idées exprimées sont importantes, dans le sens où l’informatisation du système de santé amène un flot de nouvelles données électroniques qui n’étaient pas disponibles auparavant, du moins pas en cette quantité et avec autant de facilité. Les idées dégagées au niveau micro permettent de s’assurer que les données collectées par les utilisateurs soient de qualité, en leur offrant la preuve que celles-ci sont réellement utiles. Au niveau meso, on s’assure qu’il soit possible de collecter et analyser ces données efficacement et au niveau macro, on permet le traitement de ces données de manière centralisée.

 

Détection d’erreurs médicamenteuses par machine learning

Détection d’erreurs médicamenteuses par machine learning

Cette étude avait pour objectif de caractériser l’exactitude, la validité et l’utilité clinique d’alertes sur les médicaments établies par un logiciel utilisant le machine learning pour générer automatiquement des alertes à partir d’écarts par rapport à la norme. L’étude a été faite sur les données du Brigham and Women’s Hospital et du Massachusetts General Hospital aux États-Unis.

Le logiciel évalué était MedAware, un logiciel commercial. Ce logiciel utilise le machine learning pour créer 3 types d’alertes sur les médicaments:

  • Des données cliniques hors norme (par exemple prescription de contraceptif pour un enfant garçon).
  • Des données temporellement hors norme (par exemple une diminution des plaquettes chez un patient sous anticoagulant).
  • Un dosage hors norme (le dosage est à l’extrême de la distribution habituelle de dose pour ce médicament ou par rapport à l’histoire du patient).

Tous les patients ayant eu au moins une visite externe (les patients hospitalisés n’étaient pas inclus) entre le 1er janvier 2012 et le 31 décembre 2013 dans un de ces deux hôpitaux. Pour ces patients, les données rétrospectives de 5 ans ont été extraites. À noter, ces données étaient déjà encodées dans un dossier électronique de manière structurée, par exemple les données démographiques, les diagnostics, les listes de problèmes, les médicaments, les allergies, les signes vitaux et les résultats de laboratoires. Cependant, ces données comportaient bien sûr les failles habituelles des données cliniques, c’est-à-dire l’encodage de données en texte libre, dans les mauvais champs, de manière inconstante, etc.

Conformément aux principes du machine learning, les données ont été divisées en deux groupes, un groupe d’apprentissage et un groupe de test. Un échantillon de 300 dossiers a été utilisé pour une validation manuelle des alertes générées par le logiciel. Les paramètres évaluées étaient l’exactitude (l’alerte correspondait-elle réellement aux données encodées ?), la validité (l’alerte était elle adéquate compte tenu des données disponibles partout dans le dossier ?), et l’utilité clinique. Le codage de ces paramètres était effectué par consensus de l’équipe de recherche.

747 985 patients ont été inclus, ayant généré 15 692 alertes dans le groupe de 373 992 patients de test. 29,3% des alertes étaient liées aux données cliniques, 66,8% aux données temporelles et 3,9% au dosage. 23,8% des alertes n’étaient pas valides en raison de problèmes liées aux données, donc 76,2% des alertes étaient valides par rapport aux données encodées. De celles-ci, 56,2% étaient de valeur clinique élevée selon l’équipe de recherche et 18,8% de valeur moyenne.

Les auteurs soulignent dans la discussion la difficulté d’analyser un ensemble de données tiré d’un dossier électronique réel compte tenu de la grande variabilité dans la qualité, la disponibilité et l’encodage des données. La classification de la valeur clinique des alertes est aussi discutable car subjective. Néanmoins, le pourcentage d’alertes cliniquement utile est largement plus élevé que ce que l’on voit en pratique réelle, où la vaste majorité des alertes sont d’une utilité discutable. Il semble que le machine learning soit une avenue intéressante pour les systèmes d’aide à la décision du futur.

Accélérer l’administration d’antibiotiques en neutropénie fébrile à l’aide d’ordonnances pré-rédigées

Accélérer l’administration d’antibiotiques en neutropénie fébrile à l’aide d’ordonnances pré-rédigées

Il s’agit d’une étude rétrospective qui avait pour objectif de décrire le temps pour l’administration des antibiotiques en relation avec les issues cliniques chez des patients adultes d’hématologie dans un centre hospitalier situé au Kentucky. Une des issues secondaires de l’étude était le lien entre des ordonnances pré-rédigées et le temps d’administration.

Les données ont été collectées entre le 1er janvier 2010 et le 1er septembre 2014. Les patients inclus avaient un cancer hématologique ou une greffe de moelle osseuse, mais étaient exclus si le diagnostic d’admission était la neutropénie fébrile, pour ne conserver que les patients ayant développé cette complication durant leur hospitalisation, afin de bien caractériser le délai d’administration des antibiotiques. Les critères de diagnostic et le traitement recommandé dans le centre à l’étude sont décrits dans l’article. À noter, les principaux antibiotiques à administrer empiriquement étaient disponibles dans des cabinets automatisés sur les unités de soins.

Les issues cliniques défavorables considérées étaient un composite de la mortalité intra-hospitalière, de l’admission aux soins intensifs, et de l’initiation d’amines.

244 événements ont été inclus dans l’étude pour 216 patients, en moyenne âgés de 52,1 ans. 35 issues cliniques défavorables ont été identifiées. Le temps pour l’administration des antibiotiques était variable entre 10 et 1495 minutes, avec une médiane de 102 minutes en absence d’issues cliniques défavorables et 120 minutes si une issue défavorable était identifiée, une différence qui n’était pas significative (p=0,9277).

Plusieurs autres résultats cliniques sont présentés dans l’article. En ce qui a trait aux ordonnances pré-rédigées, les auteurs ont identifié leur utilisation dans 176 événements (72,1%). L’utilisation d’ordonnance pré-rédigée était liée à une réduction significative du temps pour l’administration des antibiotiques de 42,2%, p=0,0007, soit 96 minutes comparativement à 166 minutes. Cependant, ceci n’était pas lié à de meilleures issues cliniques.

Les auteurs discutent de ces observations, notamment du fait que l’absence de lien entre le délai d’administration et les issues cliniques défavorables peut s’expliquer par la nature rétrospective de l’étude et le fait que les patients ayant développé des complications n’étaient pas nécessairement comparables à ceux n’en ayant pas développé. Néanmoins, il est intéressant de constater que les ordonnances pré-rédigées semblent avoir un effet marqué sur le délai d’administration. En effet, celles-ci permettent probablement de débuter le traitement dès l’atteinte de critères diagnostics prédéterminés plutôt que de devoir attendre une évaluation médicale et la rédaction d’une ordonnance. Bien sûr, le tout dépend également de la disponibilité des doses d’antibiotiques pour administration rapide, ce qui doit être encadré d’une manière bien définie afin de s’assurer que le processus demeure sécuritaire.