Durée de préparation des produits stériles dangereux avec un système de gravimétrie

Je vous ai déjà parlé deux fois de systèmes de flot de travail pour la préparation des produits stériles contrôlés par gravimétrie. La première étude avait démontré une réduction du temps de préparation des produits stériles avec ce système et une bonne capacité à intercepter les erreurs de préparation. La deuxième avait aussi démontré une bonne capacité d’interception des erreurs de préparation. Dans les deux études, cependant, on notait des problèmes avec la précision pour les petits volumes, où il devenait nécessaire d’augmenter la marge de tolérance à de grands niveaux pour pallier au manque de précision.

Une nouvelle étude parue dans l’AJHP a comparé de manière pré-post les temps de préparation des médicaments intégrés dans le flot de travail du système ainsi que la satisfaction des pharmaciens et assistant-techniques face à ce système. Je parlerai ici uniquement des données sur le temps, je vous laisse lire l’article pour les données par rapport à la satisfaction.

L’étude a eu lieu dans un centre tertiaire américain de 805 lits situé en Caroline du Nord, avec des patients adultes et pédiatriques. Deux des auteurs ont reçu des honoraires de consultants de la part du manufacturier du système évalué. L’étude concernait uniquement les médicaments stériles dangereux. En période pré, les assistant techniques devaient indiquer le temps de début et de fin de préparation des produits sur des cartons, et les pharmaciens devaient faire de même pour le temps de début et de fin de validation. En période post, les temps étaient collectés à partir du système de préparation. Il y a ici une lacune importante de l’étude puisque la méthode de collecte aurait pu être standardisée en pré et en post. Les auteurs ont cependant fait un effort pour exclure les médicaments qui n’étaient pas préparés en pré ou en post, afin que le jeu de données comprenne des médicaments comparables dans les deux périodes.

643 préparations ont été incluses à la période pré et 728 à la période post. La période post incluait les jours 77 à 90 de la phase post implantation afin de limiter l’effet d’une courbe d’apprentissage du système sur le temps observé. Le temps médian était de 445 secondes en pré et 359 secondes en post pour la préparation, une différence statistiquement significative (p<0,001). Pour la vérification, le temps était de 45 secondes en pré et 19 secondes en post, aussi une différence significative (p<0,01).

Les auteurs présentent également des données sur l’exactitude des préparations réalisées, mais il n’y a pas de données pour la période pré, ce qui rend l’exercice un peu futile. On mentionne de nouveau les limites du système pour les préparations à petit volume, en mentionnant qu’une tolérance de ± 25% est nécessaire pour prendre en compte la marge d’erreur du volume des seringues et la précision de l’oeil.

L’étude conclut en mentionnant que le système de préparation assistée est plus rapide qu’une préparation manuelle pour les produits stériles dangereux. Néanmoins, puisque la méthode de calcul de la durée de préparation n’était pas la même en pré et en post, et que les étapes incluses dans une préparation manuelle varient largement de centre en centre, en fonction du personnel disponible et de la configuration de l’espace physique, je crois qu’un centre implantant une telle technologie devrait effectuer lui-même une étude similaire pour bien valider l’impact sur le temps de préparation.

Impact de la documentation incomplète des allergies sur le délai de validation des ordonnances d’antibiotiques

Cette article rapporte une étude rétrospective réalisée dans un centre hospitalier situé à Philadelphie. Il n’y a pas d’autres détails fournis sur le centre en question. L’objectif de l’étude était de vérifier s’il existait une relation entre la rédaction d’une ordonnance d’antibiotique alors que les informations d’allergies étaient incomplètes, et le temps nécessaire pour valider cette ordonnance. Les ordonnances du d’octobre 2017 ont été incluses. Les auteurs ont aussi vérifié si la documentation complète des allergies était reliés aux interventions réalisées par les pharmaciens lors de la validation d’ordonnances.

138 ordonnances ont été incluses. 98 (71%) incluaient les détails des allergies. Les ordonnances avec détails d’allergies ont été validées 21 minutes plus rapidement (12 minutes par rapport à 33 minutes, p=0,02). Les pharmaciens ont dû intervenir à propos des allergies pour 19,4% des ordonnances incluant les détails d’allergies, comparativement à 35% des ordonnances sans détails d’allergies. Lorsqu’une ordonnance n’incluait pas le détail des allergies et nécessitait une intervention, le délai pour la validation était encore plus élevé, soit 82 minutes plus long.

Cette étude vient illustrer avec des données objectives un effet que tous les pharmaciens vivent quotidiennement: une ordonnances incomplète est toujours plus longue à valider, car il revient malheureusement au pharmacien d’obtenir l’information manquante alors que les intervenants pouvant la fournir (médecin, résident, infirmière) sont parfois non disponibles, difficiles à rejoindre ou carrément partis. En ce qui a trait aux allergies, les systèmes d’ordonnance électronique devraient permettre une documentation complète et signaler l’absence d’information pour les ordonnances qui le nécessitent.

Révision d’ordonnances pré-rédigées assistée par machine learning

Un article paru au début du mois dans le JAMIA a attiré mon attention. Le titre laisse entendre que les auteurs ont élaboré un processus de révision d’ordonnances pré-rédigées assisté par machine learning. Ma propre expérience m’a montré que ce processus est généralement long et complexe, même pour des ordonnances pré-rédigées apparemment simples. J’étais donc bien intéressé à voir ce que ces chercheurs ont fait. J’ai été un peu déçu…

L’objectif de l’étude est vaguement décrit. Les auteurs ont comparé six approches de révision d’une seule ordonnance pré-rédigée dans leur institution. L’ordonnance en question est celle de demande d’analyses de laboratoire le matin, un exemple très simple. Les approches comparées étaient individuellement:

  • Par les connaissances cliniques
  • Par les statistiques populationnelles
  • Par machine learning

Et les auteurs arrivent à 6 méthodes en combinant celles-ci. La variable dépendante était la charge de travail définie par le nombre de clics de souris nécessaires lors de la rédaction de l’ordonnance (une mesure assez discutable). Les données sur l’utilisation de cette ordonnance ont été extraites de septembre 2014 à octobre 2015 du dossier électronique de l’institution (plus ou moins décrite, mais on comprend de l’affiliation des auteurs que c’est un hôpital situé à New York), et incluaient 998 946 instances d’ordonnance pour 37 924 patients, ainsi que 3561 ordonnances d’analyses de laboratoire additionnelles placées dans un intervalle de 10 minutes avant ou après l’ordonnance pré-rédigée.

L’apport du machine learning dans le processus de révision était essentiellement de déterminer si chaque analyse de laboratoire devait être sélectionnée par défaut ou non dans l’ordonnance révisée, ce pourquoi je disais être déçu. En effet, cette technique ne semble pas avoir été appliquée à la sélection du contenu de l’ordonnance.

L’approche de machine learning semble valide mais est peu décrite, je crois comprendre que les auteurs ont utilisé une approche de régression logistique sans réseaux de neurones, autrement dit un modèle plutôt simple. Les résultats sont décrits de façon un peu confuse avec chaque combinaison de facteurs nommée de M1 à M6. Il en ressort que de combiner la révision du contenu sur la base des connaissances cliniques et de la sélection par défaut avec machine learning était l’approche la plus efficace et a permis de diminuer le nombre de clics nécessaires à la rédaction d’une ordonnance d’environ 25%.

Je crois que l’objectif de l’article, soit de réviser l’ordonnance pré-rédigée de manière à réduire la charge de travail, est louable, mais que l’approche de diminution du nombre de clics va nécessairement mener à l’optimisation du modèle en fonction des pratiques les plus populaires, qui ne sont pas nécessairement les plus souhaitables. Par exemple, si les cliniciens ont tendance à cocher une analyse de laboratoire fréquemment, mais que ce n’est pas une pratique optimale (par exemple mesurer trop souvent les électrolytes), le modèle va optimiser pour sélectionner cette option par défaut pour réduire les clics alors qu’il est peut-être préférable cliniquement de ne pas faire cela.

Pour cette raison, je trouve que l’article est un peu décevant, et que la « cible » du modèle de machine learning devrait être un paramètre offrant un bénéfice clinique, plutôt qu’une mesure intermédiaire dont l’optimisation peut produire des effets cliniques imprévisibles.

 

Processus de mise à jour des préparations magistrales orales dans un réseau d’hôpitaux

Il y a deux ans, je vous parlais d’une initiative de standardisation des préparations magistrales qui avait lieu au Michigan, afin de limiter les concentrations et les formulations des magistrales orales préparées par les pharmacies de cet état. J’avais d’ailleurs assisté à une présentation d’un pharmacien ayant participé à cette initiative au congrès du PPAG de 2017.

Un nouvel article est paru cette semaine dans l’AJHP à propos de cette initiative, cette fois de la part de pharmaciens hospitaliers d’un groupe d’hôpitaux du Michigan. L’article rapporte la démarche de l’organisation pour intégrer ces recommandations aux préparations magistrales faites par son département de pharmacie.

Un groupe de 4 pharmaciens, un interne en pharmacie et des étudiants de 4è année ont révisé de manière systématique les préparations magistrales en place dans les établissements du groupe et les ont comparées aux informations tirées de 7 références, dont notamment l’USP et d’autres références spécialisées sur les préparations magistrales. À la suite de cette révision, des réunions ont été tenues pour proposer des modifications aux préparations.

175 formulations ont été revues, et 136 modifications ont été proposées. La modification la plus fréquente était un changement dans les conditions d’entreposage (44%) ou dans la durée de stabilité (39%) pour se conformer aux normes de pratiques ou aux données les plus récentes. Notons des modifications à la composition des préparations, en particulier le retrait de « sirop de fraise » de type alimentaire comme véhicule de suspension à la place de véhicules utilisés plus couramment dans 22% des cas. Les auteurs justifient ce retrait par l’élimination du colorant rouge du sirop, lequel est un allergène potentiel.  Soulignons que ce genre d’additif inhabituel peut aussi causer toutes sortes de problème lors de transition de soins, notamment le congé de l’hôpital vers la maison, lorsqu’une pharmacie communautaire ne peut pas obtenir aisément le même ingrédient.

Les auteurs mentionnent également avoir éliminé plusieurs formulations afin de ne garder qu’une seule concentration par produit, avec quelques exceptions pour les patients de néonatologie, avec un étiquetage indiquant la concentration inhabituelle. D’autres modifications incluent l’ajout de la nomenclature TALLman (encore très populaire malgré les doutes quant à son efficacité), les informations sur la stabilité hors du réfrigérateur (toujours pratique) et la possibilité de faire la préparation avec des véhicules sans sucre. Des formulations alternatives ont aussi été gardées pour pallier à d’éventuelles ruptures d’approvisionnement. L’article décrit également la méthode suivie pour déployer ces modifications dans les opérations des centres concernés.

L’article démontre qu’il est tout à fait possible de standardiser les concentrations de préparations magistrales orales à travers une organisation, même avec plusieurs centres. J’aimerais bien sûr avoir des données sur l’impact pratique de cette initiative. Y a-t-il eu une réduction des erreurs de préparation lors des transitions de l’hôpital vers la communauté ou lors du changement de pharmacie ? Ce serait l’élément le plus important à démontrer.

 

Données sur la distribution et la préparation des médicaments en 2017 dans les hôpitaux américains

Cet article décrit les résultats du sondage annuel de l’ASHP pour 2017, à propos de la distribution des médicaments et de leur administration. Cet article complète les données de 2016 et 2015 sur d’autre sujets, cependant certaines données se recoupent.

Les résultats de cette année sont particulièrement intéressants, puisqu’ils ciblent spécifiquement reliés à l’utilisation de la technologie dans la distribution des médicaments et leur préparation.

La même méthode que d’habitude pour ce sondage a été utilisée, avec un échantillonnage parmi l’ensemble des hôpitaux éligibles. Le taux de réponse était de 14,4%, ce qui est plus bas que pour 2016 et 2015.

Voici quelques données tirées de ce sondage:

Distribution des médicaments

  • 43% des pharmacies d’établissement sont ouvertes 24 heures, dont 90% dans les hôpitaux de 200-299 lits et 98-100% des les hôpitaux de plus de 300 lits. À noter que le pourcentage d’hôpitaux où les ordonnances ne sont pas revues la nuit ou bien où un pharmacien de garde est disponible la nuit a diminué à 16%.
  • La distribution des médicaments est maintenant majoritairement décentralisée avec 70% des hôpitaux qui utilisent les cabinets automatisés comme moyen principal de distribution pour les doses d’entretien (c’est-à-dire pas seulement les premières doses !). La distribution centralisée en doses unitaires comme on la pratique au Québec est en diminution constante avec seulement 21% des hôpitaux américains, et moins de 10% des hôpitaux de plus de 300 lits. La distribution centralisée avec un robot est utilisée dans 8% des hôpitaux au total, mais 20-25% des hôpitaux de plus de 300 lits.
  • Un carrousel est utilisé dans la pharmacie durant le processus de dispensation dans 21,7% des hôpitaux, mais dans 90% des hôpitaux de plus de 600 lits. Les systèmes de traçabilité des médicaments sont utilisés dans environ 10% des hôpitaux et les robots de livraison dans 1% des hôpitaux.
  • 61,9% des hôpitaux utilisent le code-barres pour la vérification des doses durant la dispensation, et 85-100% des hôpitaux de plus de 300 lits l’utilisent durant le remplissage des cabinets automatisés.

Préparation des médicaments

  • 93% des hôpitaux ont des concentrations standardisées pour les médicaments en perfusion intraveineuse destinés aux adultes, comparativement à 65% pour les médicaments en perfusion intraveineuse destinés aux enfants, mais ce pourcentage est plus élevé dans les plus gros hôpitaux.
  • Les concentrations des préparations magistrales liquides orales sont standardisées dans 55% des hôpitaux. Fait intéressant, les doses des médicaments en liquides oraux sont standardisées dans 49% des hôpitaux.
  • Les ingrédients des préparations stériles sont vérifiés par code-barres dans 39-67% des hôpitaux de plus de 300 lits.
  • La gravimétrie est utilisée dans environ 20% des hôpitaux de plus de 300 lits pour les préparations stériles.
  • Un logiciel de gestion du flot de travail des préparations stériles est utilisé dans 23-38% des hôpitaux de plus de 300 lits, et une proportion similaire de ces hôpitaux utilisent des photos ou des vidéos pour documenter ces préparations.
  • La nutrition parentérale en poches commerciales pré-mélangées est utilisée dans 44,8% des hôpitaux, cependant près de 50% des hôpitaux de plus de 300 lits utilisent une pompe automatisée pour la préparation sur place ou ont recours à un sous-traitant pour ces préparations.
  • Des tests sur les produits préparés sont menés afin d’en augmenter la durée de stabilité comparativement aux dates limites d’utilisation de base de l’USP <797> dans 10-15% des hôpitaux de 300-600 lits, mais dans 43% des hôpitaux de plus de 600 lits. À noter aussi que très peu d’hôpitaux font des préparations stériles à haut risque selon l’USP <797>, sauf pour 38% des hôpitaux de plus de 600 lits.
  • Les méthodes de surveillance environnementale, de contrôle du personnel et de manipulation des médicaments dangereux sont aussi décrits dans l’article.

L’article décrit également les mesures en place pour prévenir le détournement de substances contrôlées et donne des données sur le nombre de pharmaciens et de techniciens à l’emploi par taille d’hôpitaux.

Les auteurs soulignent certaines tendances dans la discussion. Je retiens ce qu’ils mettent en évidence comme des choses importantes à suivre pour l’évolution des opérations en pharmacie d’établissement, notamment: la révision d’ordonnances 24 heures sur 24, l’augmentation de l’utilisation des cabinets automatisés comme méthode de distribution de médicaments et le passage à une distribution décentralisée utilisant ces appareils, ainsi que l’utilisation du code-barres comme méthode de vérification des médicaments.

Prescription électronique incluant l’indication

Un article paru dans l’AJHP de juin 2018 revient sur la prescription électronique incluant l’indication, sujet ayant fait l’objet d’un éditorial du NEJM en 2016, et qui réapparaît périodiquement dans les revues systématiques portant sur les améliorations possibles à la prescription électronique.

Cet article est le résultat du travail d’un groupe de recherche sur la prescription électronique extrêmement actif, celui du Brigham and Women’s Hospital de Boston et a fait l’objet d’un épisode du podcast AJHP Voices. L’article décrit les éléments qui sont ressortis de panels de parties prenantes (stakeholders) dans le cadre d’un travail plus large visant à inclure l’indication dans les ordonnances.

Le texte est plutôt long mais deux éléments centraux ont attiré mon attention. Le premier est la description des principes et des bénéfices attendus:

  • Le groupe recommande, du point de vue du design des logiciels, de commencer la prescription par l’indication plutôt que par le médicament comme c’est le cas actuellement, même dans les systèmes incluant déjà l’indication. Ceci a l’avantage de permettre une aide à la décision dans la sélection du médicament lui-même et de proposer automatiquement des doses spécifiques à l’indication.
  • Un avantage immense de ce changement serait la prévention de beaucoup d’erreurs de mauvais choix de médicament, puisque la disponibilité systématique de l’indication permettrait de valider que le médicament est bien valide pour l’indication choisie.
  • Cela aiderait les patients à prendre en charge leur traitement en établissant clairement à quoi sert chaque médicament, ce qui n’est pas toujours évident, et permettrait aux patients eux-mêmes de détecter des erreurs lorsque l’indication inscrite serait inattendue ou inexacte.

Les auteurs soulignent que la littérature supporte l’utilité de l’ajout de l’indication pour détecter les erreurs, notamment pour les pharmaciens.

Le groupe a aussi mis en évidence certains enjeux liés à ce changement:

  • Cela soulève quand même certaines questions liées à la confidentialité, par exemple si une indication sensible ou confidentielle se retrouve imprimée sur des documents ou des étiquettes.
  • Cela suppose qu’il faille définir ce qu’est une indication par rapport à un symptôme, ce qui n’est pas toujours évident pour les traitements empiriques lorsqu’un diagnostic précis n’est pas établi.
  • Les systèmes devront prendre en charge les cas où des médicaments ont plusieurs indications.
  • Cela peut entraîner des problèmes lors de prescription hors indication ou face aux critères de remboursement, et pourrait être utilisé à mauvais escient dans certains cas.

Revue systématique sur les erreurs causées par la prescription électronique

Une revue systématique, parue fin 2017 dans le International Journal of Medical Informatics, s’est intéressée aux erreurs médicamenteuses causées par la prescription électronique et à leurs mécanismes. Les données de cette revue viennent compléter d’autres que j’ai déjà présentées, dont deux par un autre groupe de chercheurs chez l’adulte et en pédiatrie.

Les chercheurs ont effectué une revue de Medline, Embase, du registre Cochrane et d’autres références de 1982 à août 2017 selon divers mots-clés. Ensuite, les articles sélectionnées ont été revus et filtrés selon une méthode systématique et appuyée sur des lignes directrices. Les auteurs ont cherché à conserver uniquement les études ayant évalué quantitativement les erreurs, avec une analyse explicite du rôle de la prescription électronique, et avec une description de la typologie de l’erreur. Les études qualitatives, ciblant un seul type spécifique d’erreurs, ciblant des logiciels spécialisés comme pour la chimiothérapie, et les études de simulation, ont été exclues.

2086 articles ont été identifiés et 14 ont été inclus dans l’analyse. 7 étaient des études prospectives, 3 rétrospectives et 4 étaient des analyses de bases de données d’événements indésirables. 7 venaient de l’Europe, 4 des États-Unis, 2 d’Australie et 1 de Singapour. Les études était de qualité assez bonne, avec la moitié rapportant plus de 7 critères de haute qualité sur 14.

Les erreurs les plus fréquemment rapportées étaient des erreurs  de dose ou de sélection de médicaments. Les mécanismes rapportés étaient:

  • Liées à l’ergonomie:
    • Sélection erronée dans un menu déroulant
    • Erreur de frappe
    • Entrave à la vision de la prescription complète
    • Plus d’un prescripteur dans la même ordonnance
  • Liées aux alertes:
    • Absence d’alerte ou mauvaise configuration
    • Contournement d’alertes liée à la désensibilisation (alert fatigue)
  • Liée aux particularités du système
    • Obligation de spécifier une date de fin même pour traitements chroniques
    • Incapacité d’inscrire une ordonnance complexe (par exemple sevrage de corticostéroïdes)
  • Mauvais paramétrage du système
    • Paramètres par défaut inadéquats
  • Mauvais usage du système
    • Texte libre contradictoire avec champs dédiés pour la même information
    • Modification erronée d’une prescription existante
    • Absence de rappels pour ordonnances importantes
    • Incapacité de consulter l’information nécessaire lors de la prescription
    • Fonctionnalités du logiciel mal adaptées (par exemple option de dire qu’un patient prend ses médicaments lui-même alors que ce n’est pas le cas, ordonnance conditionnelle mal configurée)

Les points soulevés dans cet article recoupent largement ceux dont j’ai parlés dans des blogues précédents, comme quoi la littérature commence à faire ressortir des points cruciaux pour prévenir les erreurs de prescription électronique. Cependant, je trouve que les auteurs se concentrent un peu trop sur des fonctionnalités très spécifiques à des systèmes précis. Par exemple, ils discutent longuement d’une boîte pour indiquer qu’un patient prend un médicament lui-même, alors que ceci n’est pas inhérent à la prescription électronique elle-même, mais plutôt à un système particulier où cette option est mal conçue.

Cependant, je trouve que l’article est quand même très bon et que les points qui y sont soulevés devraient faire partie de ce qui est évalué pour prévenir les erreurs lors de l’implantation de la prescription électronique.