Une revue systématique sur l’intelligence artificielle en pharmacie

Les publications sur l’intelligence artificielle (IA) appliquée à la pratique de la pharmacie étaient peu nombreuses jusqu’à tout récemment. Cependant, des publications intéressantes commencent à sortir en provenance de plusieurs endroits du monde. Je mentionnais en 2019 que peu de littérature démontrant des exemples concrets, et pas seulement des idées, était disponible. Cette situation semble en voie de changer.

Une revue systématique provenant d’un groupe français a été publiée fin décembre 2022. Elle avait pour objectif de recenser les études quantitatives portant sur l’utilisation d’IA dans la prestation de services cliniques en pharmacie.

L’étude a suivi la méthodologie PRISMA et a cherché dans plusieurs banques de données, selon une stratégie structurée. Les publications de 2000 à décembre 2021 ont été incluses. Elles devaient être en anglais, avoir été révisées par les pairs, comporter une description adéquate de la technique d’IA utilisée, et décrire l’implication des pharmaciens dans l’utilisation ou le développement de l’outil. Les études portant sur la robotisation ont été exclues.

1817 articles ont été identifiés et 19 ont été retenus après toutes les étapes de sélection (déclaration de conflits d’intérêts: notre publication sur un outil d’IA pour la détection de profils pharmacologiques atypiques a été incluse dans la revue). 12 des 19 articles ont été publiés en 2020 ou 2021, et provenaient principalement d’Amérique du Nord (8 au total, 5 États-Unis et 3 Canada), d’Asie (3) et d’Europe (4).

13 études ont utilisé du machine learning, dont 3 du traitement du langage et 2 de l’apprentissage profond. 15 algorithmes différents ont été testés. 5 études ont utilisé de l’apprentissage non supervisé et 6 de l’apprentissage supervisé. Des données provenant de dossiers électroniques ont été utilisées dans 6 études et des données observationnelles ont été utilisées dans 5 études.

La tâche confiée aux modèles d’IA était surtout la révision d’ordonnances, dans 9 études. La dispensation était ciblée dans 4 études, et les entrevues et l’enseignement dans 2 études.

Dans les études portant sur la révision d’ordonnances, les études cherchaient toutes à identifier les ordonnances requérant l’intervention du pharmacien. Des pharmaciens d’établissement ont été impliqués dans toutes ces études. Les tâches spécifiques ciblées étaient la surveillance d’anti-microbiens, la vérification des doses, et la détection d’ordonnances ou de profils pharmacologiques atypiques. Toutes les études incluaient la confirmation de la prédiction des modèles par un pharmacien clinicien. 2 outils parmi 8 décrits étaient des produits commercialisés.

Dans les études portant sur la dispensation, 2 études incluaient des pharmaciens d’établissements et 2 des pharmaciens communautaires. Les tâches spécifiques ciblées étaient la prédiction des médicaments nécessaires pour des visites ambulatoires afin de réduire le temps d’attente, la vérification contenant contenu à partir d’images, l’émission de rappels et de communications afin d’améliorer l’observance, et l’optimisation de l’organisation des stocks.

Dans les études sur les entrevues et l’enseignement, les modèles utilisés visaient à identifier les causes médicamenteuses d’effets indésirables et détecter les erreurs d’administration.

Les auteurs soulignent que la plupart des études étaient mono centriques et faisaient face à des défis quant à la mise à jour des modèles face à l’évolution constante de la pratique. Aucune étude n’a fait allusion au bilan comparatif des médicaments.

Cette revue systématique démontre que l’utilisation d’IA dans la pratique de la pharmacie sera certainement une réalité avant longtemps. Je pense qu’on pourra voir le nombre de publications sérieuses sur ce sujet augmenter au courant des prochaines années et qu’il est pertinent pour les pharmaciens de connaître les principes généraux de cette technologie. Il demeure essentiel selon moi que les pharmaciens soient en mesure de comprendre et d’évaluer de manière critique les outils d’IA qui seront commercialisés pour une utilisation dans le circuit du médicament.

Une étude sur la posologie structurée en prescription électronique communautaire

Alors que les terminologies décrivant les médicaments (ex.: RxNorm aux États-Unis, CCDD au Canada) sont assez bien connues et utilisées pour la transmission de prescriptions électroniques en milieu communautaire, les éléments de description de la posologie font l’objet de plus de variabilité. Par exemple, au Québec, le DSQ reçoit les posologies de la part des logiciels de pharmacie communautaire sous forme de texte libre, ce qui a pour effet qu’une seule et même posologie peut être exprimée d’une variété de manières.

Une étude est parue en octobre dans JAMIA sur le sujet. Alors que les prescriptions émises dans les logiciels de prescription en établissement sont en général rédigées avec une posologie structurée, aux États-Unis, les instructions posologiques contenues dans les prescriptions électroniques peuvent être structurées ou en texte libre. Un standard américain existe pour les ordonnances destinées au milieu communautaire, le NCPDP SCRIPT, mais l’utilisation des champs structurés n’est pas obligatoire. Ce standard utilise entre autres la terminologie SNOMED CT. Selon l’introduction de l’article, en 2020, environ 11% des ordonnances électroniques transmises aux pharmacies communautaires américaines utilisaient ce standard. L’objectif de l’étude était de déterminer l’étendue d’utilisation du standard dans un jeu de données de prescriptions électroniques provenant d’une entreprise gérant la transmission de prescriptions. Ensuite, les chercheurs souhaitaient comparer les instructions en texte libre aux éléments de données codifiés selon le standard dans les prescriptions, afin d’identifier les enjeux de qualité dans les prescriptions. En effet, des instructions en texte libre discordantes par rapport aux éléments de données granulaires codifiés dans la posologie, ou des éléments de posologie structurée illogiques, indiquent une prescription ambiguë ou contradictoire, à risque d’erreur.

Les auteurs ont obtenu un jeu de données provenant de 12 logiciels de prescription électronique couvrant 31 326 lieux de prescription aux États-Unis entre 2019 et 2021, pour un total de total 3 819 940 prescriptions électroniques. Ils ont identifié les prescriptions comportant des instructions structurées, et ont analysé les directives résultantes à l’aide d’un modèle de traitement du langage appelé Med7 afin de déterminer les doses, formes pharmaceutiques, voies d’administration, fréquences et durées des prescriptions. Au final, 32,4% des prescriptions comportaient au moins une composante de la posologie dans un format structuré.

Diverses analyses ont été réalisées pour déterminer la progression de l’utilisation de la posologie structurée à travers la période couverte par le jeu de données. Les auteurs ont aussi réalisé une comparaison de la prévalence de chaque composante des instructions posologiques entre les prescriptions rédigées directement en texte libre par rapport à celles rédigées de manière structurée.

Les enjeux identifiés dans les éléments de posologie structurée ont été évalués et catégorisés. Cette section est très intéressante. On constate assez clairement que l’utilisation d’une posologie structurée ne prévient pas les ordonnances ambiguës ou illogiques. Citons par exemple:

  • Des ordonnances sans arrondissement (ex.: 975 mg = 30.4688 mL)
  • Des ordonnances pour lesquelles le calcul d’équivalence entre la dose et les formes pharmaceutiques était mal fait (ex.: 1000 mg = 1000 comprimés)
  • Des ordonnances où l’expression de fractions était mal calculée (ex: 11/2 comprimés = 5,5 comprimés plutôt que 1 1/2 comprimé soit 1,5 comprimé)
  • Des ordonnances avec une dose illogique (ex.: appliquer une demi petite quantité)
  • Des discordances entre les données structurées et le texte (ex.: texte dit « qd », mais la donnée structurée dit « qid »)

Les auteurs proposent des stratégies d’amélioration dans la discussion. Je vous invite à lire le texte complet si le sujet vous intéresse. Je retiens de cet article que l’utilisation d’une posologie structurée à des fins de transmission électronique des prescriptions en milieu communautaire n’aboutit pas automatiquement en des prescriptions de qualité. Comme en milieu hospitalier, deux enjeux majeurs sont les discordances entre le texte libre et les champs structurés, ainsi que les instructions ambiguës ou illogiques dans les champs structurés.

Revue Cochrane sur la prévention des erreurs médicamenteuses en milieu hospitalier chez les adultes

Une revue Cochrane a été publiée récemment, avec l’objectif d’identifier les stratégies démontrées efficaces pour prévenir les erreurs médicamenteuses en contexte hospitalier chez les adultes. La publication originale remonte à un an, cependant le texte complet est devenu accessible gratuitement sur PubMed Central en novembre 2022.

La méthodologie Cochrane a été suivie. Une stratégie de recherche systématique dans plusieurs services d’indexation a été utilisée, incluant les études randomisées contrôlées ou quasi-randomisées, les études quasi-expérimentales de type série temporelle interrompue (avec au moins 3 points de données avant et après l’intervention) et les études contrôlées pré-post avec plus d’un site intervention ou contrôle. Les études devaient avoir lieu dans un hôpital, incluant le milieu hospitalisé, ambulatoire ou à l’urgence. Les patients étudiés devaient être des adultes. Les centres de soins de longue durée ou les institutions gériatriques, psychiatriques ou pédiatriques étaient exclus. Les études devaient évaluer l’effet d’une intervention sur les erreurs de médicaments en comparaison à aucune intervention, une autre intervention, ou aux soins usuels. Les autres issues évaluées étaient les événements indésirables liés aux médicaments et les issues cliniques (mortalité, morbidité, durée de séjour, etc.).

21 545 titres et abstracts ont été évalués, résultant en 1066 publications en texte complet éligibles. De celles-ci 65 études ont rencontré les critères d’inclusion de même que 4 publications secondaires. 51 étaient des études randomisées contrôlées, 7 séries temporelles interrompues, 1 série temporelle interrompue avec contrôle et 6 études pré-post. Ceci représentait un total de 110 875 patients dont 23 182 dans les études randomisées contrôlées. 61 études étaient dans des pays développés dont les États-Unis, l’Australie et le Royaume-Uni entre autres. Les détails des évaluations de biais sont listés dans le texte complet.

Les stratégies ressortant de l’analyse des études pour réduire les erreurs sont: le bilan comparatif des médicaments, la prescription électronique avec aide à la décision, l’identification par code-barres des personnes et des médicaments, la rétroaction sur les erreurs de prescription et les systèmes de dispensation.

Les résultats de l’étude sont rapportés de manière un peu étrange. Plusieurs résultats sont présentés alors que les intervalles de confiance les accompagnant incluent et dépassent largement les valeurs nulles (ex: 1 pour un odds-ratio). Je n’ai pas trouvé d’explication satisfaisante pour cela dans l’article. J’ai choisi de présenter uniquement les résultats où l’intervalle de confiance n’incluait pas la valeur nulle ci-dessous, mais le texte complet de l’article détaille bien chaque résultat. On peut résumer les résultats de l’étude ainsi:

  • Pour le bilan comparatif des médicaments:
    • Selon un faible niveau de preuve, le bilan comparatif des médicaments, par rapport à aucun bilan comparatif réduit probablement les événements indésirables (OR 0.38, intervalle de confiance 95% 0,18-0,80).
    • Selon un faible niveau de preuve, le bilan comparatif réalisé par des pharmaciens, par rapport au bilan réalisé par d’autres professionnels que les pharmaciens, pourrait réduire les erreurs (OR 0,21, intervalle de confiance 95% 0,09-0,48)
    • Selon un faible niveau de preuve, le bilan comparatif des médicaments appuyé par un référentiel (« database-assisted medication reconciliation », je comprends à la lecture du texte qu’on parle de l’utilisation d’une source telle que le DSQ dans un processus de bilan comparatif), pourrait réduire les événements indésirables (OR 0,26, intervalle de confiance 95% 0,1-0,64)
    • Selon un niveau de preuve modéré, les interventions multimodales (changements dans l’organisation des soins, stratégies concertées pour implanter la réconciliation des divergences identifiées au bilan) permettent probablement de résoudre davantage les divergences médicamenteuses par rapport à la pratique usuelle (RR 2,14, intervalle de confiance 95% 1,81-2,53)
  • Pour la prescription électronique et l’aide à la décision:
    • Selon un niveau de preuve modéré, la prescription électronique combinée à l’aide à la décision optimisée, par rapport à la prescription électronique avec aide à la décision standard, réduit probablement les erreurs (OR 0,95, intervalle de confiance 95% 0,74-0,97)
    • Selon un niveau de preuve faible, l’aide à la décision avec priorisation des alertes comparativement à l’aide à la décision sans priorisation des alertes (avec alertes inutiles) pourrait prévenir les événements indésirables (différence moyenne 1,98, intervalle de confiance 95% 1,65-2,31).
  • Pour le code-barres:
    • Selon un niveau de preuve faible, l’utilisation de code-barres pour identifier les médicaments et les intervenants (personnel, patients) pourrait réduire les erreurs (OR 0,69, intervalle de confiance 95% 0,59-0,79).
  • Pour la rétroaction:
    • Selon un niveau de preuve faible, la rétroaction sur les erreurs de prescription pourrait réduire les erreurs (OR 0,47, intervalle de confiance 95% 0,33-0,67).
  • Pour les systèmes de dispensation:
    • Selon un niveau de preuve faible, les systèmes de dispensation sur les unités chirurgicales (on parle de cabinets automatisés dans les études incluses) pourraient réduire les erreurs (OR 0,61, intervalle de confiance 95% 0,47-0,79).

L’article inclut dans sa discussion une présentation des autres revues systématiques sur la prévention des erreurs médicamenteuses en milieu hospitalier et sur les effets de la prescription électronique, j’encourage ceux que ces sujets intéressent à lire cette section.

Je trouve que cette publication est très pertinente et permet de synthétiser du mieux qu’elle peut une littérature volumineuse, hétérogène et difficile à suivre, en particulier celle sur la prescription électronique et l’aide à la décision. Évidemment, l’hétérogénéité de la littérature se manifeste dans l’incertitude des résultats présentés. De plus, les auteurs semblent avoir voulu rester à haut niveau dans leur description des processus et des technologies, et il peut être parfois difficile de comprendre ce à quoi ils réfèrent exactement. Par exemple, je n’arrive pas à être certain de ce qu’ils veulent dire par « prescription électronique avec aide à la décision optimisée » par rapport à « standard ».

Malgré ces failles, je pense qu’on peut retenir que les interventions présentées sont celles que l’on doit privilégier pour espérer agir sur les erreurs médicamenteuses. Pour les interventions technologiques comme la prescription électronique, l’aide à la décision, les code-barres et les cabinets, je répète cependant que le simple déploiement n’est pas suffisant pour retirer des bénéfices, il faut que la mise en place de la technologie ait été réfléchie et arrimée aux processus cliniques et aux autres technologies en place. Dans la cadre du médicament, le circuit « en boucle fermée » devrait réfléchi comme un tout, intégré et interfacé de bout en bout.