Un tableau de bord de la charge de travail liée aux préparations de chimiothérapie

Cet article s’apparente à un rapport de cas. Il s’agit de la description de l’implantation d’un tableau de bord de la charge de travail liée aux préparations stériles de chimiothérapie dans la pharmacie d’un établissement de santé situé en Oregon. L’établissement est de niveau tertiaire et comporte 576 lits dans 3 installations. L’équipe de techniciens comprend 75 personnes dont 21 formées à la préparation stérile de chimiothérapie, travaillant sur 2 quarts de travail (jour et soir) au moment de l’intervention. La prémisse du développement de l’outil est qu’une augmentation de la charge de travail liée à l’expansion des activités d’oncologie de l’établissement avait été reliée à une augmentation du roulement de personnel (5 techniciens avaient quitté de décembre 2016 à juin 2017) et à une augmentation du temps de préparation des médicaments. Les administrateurs de la pharmacie ont donc mis en place cet outil de gestion pour documenter la charge de travail et obtenir des ressources additionnelles.

Un logiciel de flot de travail de préparations stériles a été mis en place dans la pharmacie en juin 2016. Il n’est pas très clair dans l’article quand le tableau de bord a été mis en place, mais on comprend que le temps moyen de préparation des médicaments a été calculé à 20 minutes (on assume à partir du logiciel de préparations) et que le travail « essentiel non productif » (pauses, nettoyage, remplissage, couverture de pauses, documentation) a été calculé à partir d’une documentation manuelle sur une période de temps qui n’est pas décrite dans l’article. Ceci a permis de documenter que le temps de travail total les jours de semaine était à 106% des heures budgétées par technicien, nécessitant de faire du temps supplémentaire et de ne pas prendre des pauses, contribuant ainsi au burnout de l’équipe. Le logiciel a aussi permis de documenter une augmentation de 400 préparations par mois entre juin 2016 et janvier 2017.

Les données obtenues ont permis l’ajout d’un équivalent temps-plein de technicien pour compenser l’augmentation de la charge de travail. De juillet 2017 à janvier 2018, la charge de travail moyenne était de 84% par technicien par rapport aux heures budgétées, et un seul technicien a quitté durant cette période.

Je trouve l’étude pertinente car elle démontre l’utilité d’une documentation solide de la charge de travail et de ses effets, ainsi que l’effet de l’ajout de ressources lorsque cela est nécessaire. Bien sûr, on ne s’attend pas à ce que ce soit aussi facile (ni même possible…) d’obtenir des ressources additionnelles face à un problème similaire dans le contexte québécois, mais l’idée est là, et il demeure utile de documenter ce genre de problème.

L’étude comporte plusieurs limites. Notamment, les auteurs ne semblent pas avoir pensé à utiliser leur logiciel de préparations stériles pour documenter le temps réel de préparation plutôt qu’utiliser un temps moyen. Dans la discussion, ils mentionnent que le temps de préparation doit être calculé dans chaque centre en fonction de la technologie utilisée mais il n’y a pas de mention d’utiliser les données directement du système. Je trouve cela curieux, serais-ce lié à une difficulté d’extraire les données de ce type de technologie ? Ou bien les auteurs n’avaient simplement pas les moyens de le faire ? Il me semble qu’un tel tableau de bord avec des données réelles serait bien plus parlant.

Revue systématique de l’effet de la prescription électronique sur les erreurs médicamenteuses

Je vous parlais au début 2019 d’une revue systématique sur les effets de la prescription électronique avec aide à la décision. Cette revue avait inclus des articles allant jusqu’à 2016. Une nouvelle revue systématique avec méta-analyse sur le même sujet a été publiée au mois d’août.

Les auteurs de cette nouvelle revue ont révisé la littérature de 2007 à 2017 (inclusivement) et ont inclus les études randomisées ou prospectives chez les patients hospitalisés, à l’urgence ou en soins de longue durée. Les études incluses devaient avoir comme intervention une « stratégie de prescription électronique », définie comme de l’aide à la décision seule ou de la prescription électronique avec ou sans aide à la décision, comparée à un contrôle sans intervention électronique. Je trouve que cette définition est très large, l’aide à la décision seule (« standalone ») est une chose très différente de la prescription électronique (« computerized provider order entry ») intégrée à un dossier électronique. Les études rétrospectives, comparant deux modalités électroniques, avec plusieurs interventions à la fois, ou ciblant les patients externes, ont été exclues. Les issues évaluées étaient les erreurs médicamenteuses et les événements indésirables touchant le patient (« patient harm »).

Une stratégie de recherche systématique, incluant la sélection des articles et l’extraction de leur contenu de façon indépendante par deux chercheurs, a été menée. Les recommandations GRADE ont été suivies pour coter les articles. En fonction de critères prédéterminés, certains articles ont été inclus dans une méta-analyse pour des issues choisies, avec évaluation de l’hétérogénéité et du biais de publication.

2832 études ont été retrouvées, desquelles 38 ont été incluses après tout le processus de sélection, provenant de 12 pays. Le tableau 1 de l’étude décrit les études incluses. À la lecture de ce tableau, on constate au premier coup d’œil que les articles inclus sont extrêmement disparates. Parmi 11 études randomisées, 7 avaient comme sujet le contrôle automatisé de la glycémie avec une perfusion d’insuline aux soins intensifs ou en post-chirurgie, une ciblait le contrôle glycémique chez les diabétiques de type 2, une était à propos du dosage de mycophénolate après une transplantation rénale, une visait le choix d’antibiotiques empiriques en sepsis et une était à propos de la réhydratation chez les enfants avec vomissements ou diarrhée. Aucune étude avec un devis randomisé n’était donc réellement à propos de l’effet de la prescription électronique comme tel, il s’agissait toutes d’études portant un outil d’aide à la décision électronique dans un contexte clinique très précis. Les 11 études randomisées ont rapporté des données sur les événements indésirables touchant le patient et aucune n’a rapporté de données sur les erreurs de médicaments.

De même, parmi les 27 études non randomisées, seules 6 études chez l’adulte et 4 en pédiatrie portaient réellement sur l’effet d’un système de prescription électronique. Les autres portaient sur des outils d’aide à la décision dans le choix d’antibiotiques (8), le contrôle de la douleur (2), la détection d’interactions médicamenteuses (1), l’ajustement en insuffisance rénale (1), les nausées et vomissements post-opératoires (2), le bilan comparatif des médicaments (1), le traitement de la pneumonie (1) et la sédation (1). 18 de ces études ont rapporté des données sur les événements indésirables et 13 des données sur les erreurs médicamenteuses.

Au total, 10 de 13 études ont rapporté une diminution des erreurs médicamenteuses. La méta-analyse de 11 de ces études a démontré une réduction du risque d’erreur avec un risque relatif de 0.24 (intervalle de confiance 95% 0.13-0.46) avec une grande hétérogénéité et un possible biais de publication. L’effet était plus prononcé dans les études récentes.

En ce qui a trait aux événements indésirables, les événements rapportés étaient la mortalité, la durée de séjour, l’hypoglycémie, l’échec de traitement, l’hospitalisation et la réadmission, le délai de traitement, le contrôle de la douleur, les nausées et vomissements post-opératoires et les infections. On voit donc qu’il s’agit d’issues précises tirées des contextes cliniques des études incluses et qu’il ne s’agit pas d’issues évaluées à travers un grand nombre d’études. Ceci compromet la capacité de tirer des conclusions généralisables à la prescription électronique ou à l’aide à la décision dans son ensemble à partir de ces données. Les auteurs ont quand même réalisé une méta-analyse sur les différentes catégories d’événements indésirables mais rien de particulier n’en n’est ressorti hormis une diminution des « adverse drug events » avec un risque relatif à 0,52 (intervalle de confiance 95% 0,40-0,68), mais sur la base de seulement deux études. La définition de précise de cette issue n’est pas bien décrite, les auteurs semblent se baser sur la catégorisation des études incluses telle quelle, laquelle n’est pas expliquée.

Je crois que cette étude, malgré une méthode très solide et une intention louable, souffre d’avoir mal défini le type d’intervention qu’elle souhaitait évaluer. On a l’impression que les auteurs souhaitaient examiner d’un seul coup l’effet de n’importe quelle intervention électronique touchant à la prescription de médicaments ou à l’aide à la décision. Malheureusement, comme les auteurs le mentionnent dans leur discussion, les publications sont hétérogènes. Beaucoup d’études se focalisent sur un contexte clinique précis avec une intervention spécifique à ce contexte, et ceci ne produit pas de données pouvant être mises en commun avec d’autres interventions ou d’autres contextes.

Dans le contexte de l’aide à la décision, je suis de l’opinion que « l’électronique » est un support pour exposer un clinicien à une intervention (par exemple une alerte, une recommandation, une liste de choix filtrée, etc.) et qu’on ne peut pas évaluer l’effet de n’importe quelle intervention amenée via ce support comme un tout, en tout cas pas pour une variété de situations cliniques en même temps. J’ai déjà parlé abondamment sur ce blogue de l’importance de bien paramétrer les systèmes d’aide à la décision et en particulier les alertes, et je crois que la recette gagnante demeure d’afficher la bonne information, à la bonne personne, au bon moment et par le bon support.

En ce qui a trait à la prescription électronique, je pense qu’il est assez clair que cette technologie permet de réduire certains types d’erreurs, et, comme d’autres revues sur le sujet ont montré, que d’autres types d’erreurs peuvent survenir en fonction des caractéristiques du système mis en place.

L’article présenté ajoute à la masse de données qui suggère un effet bénéfique des technologies d’aide à la décision et de prescription électronique sur les erreurs médicamenteuses, néanmoins il est difficile d’attribuer l’effet observé à l’un ou l’autre considérant l’hétérogénéité des études incluses et la définition trop large de l’intervention étudiée.

Fréquence de l’indication dans les ordonnances électroniques destinées à la communauté

Plusieurs articles parus dans les dernières années sont clairs sur la nécessité d’inclure l’indication dans les ordonnances afin de prévenir les erreurs liées à la dispensation du mauvais médicament. On peut facilement s’imaginer comment ceci peut survenir dans le cas d’ordonnances manuscrites, mais on constate le même problème avec les ordonnances électroniques, notamment dans le cas de médicaments ayant un nom similaire qui peuvent se retrouver côte à côte dans des menus déroulants.

Une nouvelle étude parue dans l’AJHP de juillet visait à quantifier la présence de l’indication dans les ordonnances électroniques rédigées à l’intention de patients en communauté.

Les auteurs ont extrait les instructions posologiques en texte libre des ordonnances émises en clinique ambulatoire d’une organisation de santé américaine sur une période de 5 ans, de 2011 à 2015 inclusivement. Une approche de traitement du langage a été utilisée pour extraire les indications de ce texte libre. Le programme utilisé est intéressant et a été initialement décrit en 2011. Il s’agit d’une approche prometteuse qui permet même d’interpréter les négations (ex: « ne pas prendre si… ») dans le texte. Un contrôle de qualité a été fait sur 10% des ordonnances pour valider l’extraction.

4 356 086 ordonnances ont été analysées. L’indication était présente dans 7,4% de celles-ci. Parmi les ordonnances incluant l’indication, 77% avaient été prescrites avec une posologie au besoin (« PRN »). Les auteurs détaillent le taux d’indications par spécialité médicale et par indication. De façon peu surprenante, les indications qui correspondent davantage à des prises au besoin (ex: douleur, anxiété, nausée, toux, prurit, insomnie) avaient davantage d’ordonnances incluant l’indication dans les instructions posologiques. Des résultats par classe et par molécule sont aussi présentés.

Je trouve cette étude intéressante car elle démontre qu’il y a encore beaucoup de chemin à faire pour inclure l’indication dans les ordonnances: la vaste majorité des ordonnances analysées ne la comportaient pas, quoique les données dataient quand même un peu. Les auteurs concluent que la recherche devrait examiner les designs des logiciels de prescription électronique qui favorisent l’inclusion de l’indication, et je suis d’accord avec cela.