Utiliser le machine learning pour rédiger les instructions posologiques des médicaments

J’ai déjà parlé de plusieurs applications possibles du machine learning pour améliorer le fonctionnement des dossiers électroniques et pour certaines applications en pharmacie, son application en pharmacie d’établissement de santé étant un de mes intérêts de recherche. Un article publié en février 2021 dans le journal de l‘American Pharmacists Association décrit une application intéressante du machine learning pour assister le pharmacien dans un contexte de pratique communautaire. Dans ce contexte, la réception d’ordonnances électroniques avec des instructions en texte libre écrites par les prescripteurs comporte souvent des instructions inadaptées aux patients (par exemple, du jargon médical, des abréviations, des mots en latin). Les assistant-techniques en pharmacie et pharmaciens doivent « traduire » ces instructions en langage compréhensible par un patient qui n’a pas nécessairement de formation médicale. Cette traduction pourrait être effectuée par un modèle d’intelligence artificielle, ce qui épargnerait du temps et pourrait potentiellement diminuer les erreurs liées à ce processus manuel et variable.

L’objectif de l’étude était d’évaluer un modèle de traduction par intelligence artificielle développé à cette fin. Le modèle en question comportait un réseau de neurones appelé neural machine translation (un type de modèle bien connu et déjà utilisé dans d’autres applications), suivi d’une étape de vérification permettant d’éliminer des traductions incohérentes, puis d’une étape de normalisation. Le modèle avait été préalablement entraîné à partir de la banque de données comportant 537 710 ordonnances électroniques reçues par une pharmacie postale américaine en 2017 et 2018. Le développement et l’entraînement de ce modèle a été présenté à une conférence en novembre 2020. L’article décrit le processus de validation du modèle. Chaque ordonnance comportait 3 éléments utilisés pour l’étude: les instructions en texte libre émises par le prescripteur, les instructions en texte libre remises au patient et élaborées à la main par le personnel de la pharmacie, et les instructions en texte libre déterminées par le modèle d’intelligence artificielle à partir des instructions du prescripteur. D’autres variables étaient également utilisées, notamment la classe du médicament, afin d’orienter le modèle.

300 ordonnances non utilisées pour l’entraînement du modèle (jeu de test de la base de données) ont été échantillonnées et annotées par deux étudiants en pharmacie. Les divergences d’opinion ont été résolues par discussion avec un pharmacien et un chercheur auteurs de l’étude. L’annotation visait à coter les instructions par rapport à leur conformité aux pratiques recommandées pour l’étiquetage des médicaments selon une ligne directrice américaine, par exemple pour valider que toutes les composantes de la posologie étaient présents (dose, unité, voie, fréquence), que les motifs de prise pour les ordonnances au besoin étaient présents, etc. Ils ont aussi coté la « distance minimale » entre les différentes instructions en fonction d’une méthodologie décrite dans l’étude, un chiffre plus élevé indiquant le besoin de plus de manipulations de traitement de texte pour passer d’une chaîne à l’autre.

47 classes de médicaments étaient incluses dans les 300 ordonnances échantillonnées, dont 11,7% de médicaments pour de diabète, 8% de médicaments respiratoires, etc. 35 médicaments à haut risque étaient inclus. 279 ordonnances ont été incluses, celles d’instruments médicaux ayant été exclues. 70,3% des instructions transmises par les prescripteurs n’étaient pas conformes [notamment, 43,7 % contenaient une abréviation, du jargon ou des mots en latin], comparativement à 33,0% des instructions produites par le personnel des pharmacies et 29,7% des instructions produites par le modèle.

Les auteurs soulignent que 23 instructions produites par le modèle comportaient des erreurs de dose, d’unité ou de fréquence, dont 5 pour des médicaments à haut risque, comparativement à 2 pour les instructions produites par le personnel de pharmacie. Un exemple avec un sevrage de prednisone est donné dans l’article.

Les instructions produites par le modèle étaient plus près des instructions finales remises au patient: la distance minimale entre les instructions des prescripteurs et les instructions finales était d’une médiane de 30 (intervalle interquartile 19-47) alors qu’elle était de 18,5 (intervalle interquartile 0-36) entre les instructions du modèle et les instructions finales.

Les auteurs expriment la possibilité qu’un tel modèle serve de « premier pas » lors du traitement d’une ordonnance électronique, ainsi les instructions posologiques pourraient être éditées à partir du texte produit par le modèle plutôt qu’à partir des instructions du prescripteur directement, afin de réduire la charge de travail représentée par l’édition manuelle des instructions posologiques. Ils soulignent à juste titre que les erreurs d’interprétation de certaines posologies faites par le modèle sont un problème; dans ma propre expérience ce genre de situation (où un texte proposé « par défaut » est inexact ou erroné, même rarement) est très mal toléré par les cliniciens. Même s’il est attendu qu’ils éditent le texte, ceux-ci préférent généralement rien du tout plutôt qu’un texte pouvant comporter dans de rare cas une erreur. Les auteurs proposent des solutions possibles, comme par exemple une rétroaction par apprentissage par renforcement permettant au modèle d’identifier en temps réel les erreurs qu’il commet, l’inclusion d’un intervalle de confiance par rapport aux instructions présentées, ainsi que des changements à la manière dont les posologies sont transmises électroniquement pour diminuer le recours au texte libre.

Je trouve cet article intéressant, cette application me semble avoir du potentiel. Même en limitant l’utilisation du modèle aux cas où la performance du modèle serait très bonne, pour éviter les problèmes (ex: exclure les instructions complexes ou les formes pharmaceutiques plus rares), il serait possible de faciliter la vie du personnel des pharmacies dans la rédaction des instructions posologiques remises au patient. Dans le contexte québécois bien sûr, ceci nécessiterait une augmentation significative de la proportion d’ordonnances transmises électroniquement et des améliorations aux logiciels de pharmacie communautaire.

Facteurs associés à l’annulation d’ordonnances électroniques

Un article publié en novembre 2020 dans JAMIA décrit l’utilisation de données provenant d’une fonctionnalité d’annulation d’ordonnances électroniques (« void« ) qui visait à indiquer qu’une ordonnance était une erreur. L’étude avait pour objectif de décrire la nature des erreurs qui avaient fait l’objet d’une annulation et d’explorer les facteurs de risque et stratégies de prévention de ces erreurs.

L’étude a eu lieu dans un centre académique américain de 495 lits utilisant un logiciel de dossier électronique commercial. Les ordonnances annulées durant une période de 16 mois, soit du 25 août 2017 au 31 décembre 2018, ont été incluses. Suite à une annulation d’ordonnance, l’équipe de recherche contactait le clinicien dans un délai de 24 heures pour obtenir des détails sur les circonstances de l’annulation, et les détails de l’annulation dans le dossier électronique étaient révisés. Le modèle SEIPS dont j’ai déjà parlé il y a plusieurs années a été utilisé pour analyser les erreurs, de manière à identifier les facteurs contributifs au niveau des personnes, des tâches, des technologies, de l’environnement et des aspects organisationnels.

1074 ordonnances ont été annulées durant l’étude. Toutes les ordonnances ont pu être analysées, et 387 entretiens ont été menés 355 sondages ont été remplis par 286 cliniciens impliqués dans les annulations. 842 annulations des 1074 (78%) étaient de véritables erreurs. La majorité des erreurs étaient des ordonnances faites par des médecins (63%) et la plupart ont aussi été annulées par des médecins (54%); les autres cliniciens les plus impliqués étant des infirmières ou pharmaciens.

Sur la base des données collectées dans les dossiers, les erreurs les plus fréquentes étaient des duplications d’ordonnances dans 51% des cas, des erreurs posologiques dans 22% des cas, des erreurs de patient dans 11% des cas, des erreurs cliniques dans 7% des cas suivi d’autres raisons dans des proportions moins fréquentes. Aucun événement indésirable découlant des erreurs n’a été rapporté, cependant 190 erreurs (22%) se sont rendues au patient avec au moins une dose de médicament administrée avant que l’erreur ne soit interceptée.

Les facteurs impliqués dans les erreurs sont sans grande surprise, je liste ici ce qui est principalement identifié mais il est utile de lire la section très détaillée sur ce sujet dans l’article.

  • Facteurs technologiques: la confusion dans la présentation de l’information dans le dossier électronique, la conception des alertes et le manque de formation sur l’utilisation du logiciel.
  • Facteurs cognitifs: la surcharge d’alertes, la charge de travail, les distractions.
  • Facteurs sociaux: les difficultés de communication entraînant une mauvaise compréhension entre différents cliniciens (en particulier lors d’ordonnances verbales) ou avec le patient.
  • Facteurs environnementaux: les interruptions, le bruit, le manque de temps, les alarmes.
  • Facteurs organisationnels: la charge de travail, le manque de personnel, le manque de diffusion de protocoles et les déviations par rapport aux protocoles.

L’article n’apporte rien de bien surprenant en termes de facteurs contributifs, ceux-ci sont largement connus et déjà démontrés comme des causes d’erreurs dans une variété de circonstances; pas seulement dans le cadre de la prescription électronique. Il est cependant surprenant de voir que près du quart des erreurs de prescription ont mené à l’administration d’au moins une dose du médicament erroné au patient, ce qui me semble beaucoup. Ceci peut être un reflet des processus en place dans le centre où l’étude a eu lieu mais pourrait aussi indiquer que la fonctionnalité d’annulation dans un logiciel de prescription électronique est plus susceptible d’être utilisée pour les erreurs « significatives » par rapport aux erreurs plus mineures qui ne mènent pas à des conséquences tangibles.

Position de l’ASHP sur l’intelligence artificielle en pharmacie

L’AJHP a déjà publié deux articles intéressants sur les bases du machine learning et sur le potentiel de cette technologie pour assister le pharmacien en établissement de santé. En novembre 2020, ils présentaient un énoncé de position de l’ASHP sur le sujet, j’en ai parlé dans le passé.

Les points clés de cet énoncé de position sont les suivants:

  • Les pharmaciens devraient se questionner sur les tâches liées au médicament qui sont susceptibles de bénéficier de l’intelligence artificielle, sur la manière d’évaluer les modèles utilisés en pharmacie et sur les approches les plus susceptibles de déboucher sur des bénéfices.
  • Les pharmaciens devraient mettre en place des standards locaux et nationaux de validation des modèles d’intelligence artificielle impliqués dans le circuit du médicament, en fonction du niveau de risque et d’autonomie des modèles, en contrebalançant les risques de l’innovation avec la tolérance au risque en contexte clinique, et en s’assurant que le niveau d’interprétabilité des prédictions est en phase avec le contexte d’utilisation.
  • Les pharmaciens devraient être impliqués dans toutes les phases de développement et d’utilisation des modèles d’intelligence artificielle ciblant les médicaments. En particulier, ils devraient s’assurer que leur évaluation s’appuie sur les principes de la médecine fondée sur les preuves et que les données utilisées pour entraîner et appliquer les modèles correspondent bien à la pratique.
  • Les pharmaciens devraient être ouverts aux changements de pratique amenés par les outils s’appuyant sur l’intelligence artificielle, et devraient avoir un rôle central dans la recherche, le développement, la mise en pratique et l’amélioration des outils ciblant l’usage des médicaments. Dans le contexte des opérations en pharmacie, les outils permettant l’automatisation des tâches techniques et permettant aux pharmaciens d’utiliser au mieux leurs compétences cliniques devraient être favorisés.
  • La formation des pharmaciens devrait inclure les principes fondamentaux de la science des données et de l’intelligence artificielle, et des opportunités de développement dans ces domaines devraient être offertes pour les pharmaciens ayant un intérêt spécifique dans ce domaine.

Je trouve très positifs les points amenés dans cet énoncé de position; il est clair pour moi qu’il est nécessaire que certains pharmaciens développement une expertise leur permettant de comprendre à fond ces outils. Il me semble aussi essentiel que leur application au circuit du médicament dans les établissements de santé, de l’approvisionnement à la prescription à l’administration, implique des pharmaciens ayant une compréhension poussée de la manière dont ces logiciels fonctionnent et des données les alimentant. Le tout afin de s’assurer que leur utilisation clinique soit appuyée sur de la science de bonne qualité et avec une bonne compréhension de leur effet sur l’usage des médicaments; et que leur utilisation dans les opérations s’accompagne de bénéfices tangibles dans le fonctionnement des départements de pharmacie.