Expérience d’implantation d’un dossier électronique national en Finlande

Il est intéressant de suivre les publications émanant des pays européens et scandinaves qui décrivent les implantations de dossiers électroniques. Ces pays font face à des défis qui pourraient ressembler à ceux du Québec lors de l’implantation à venir de logiciels de dossier électronique intégrés, notamment le projet de DSN. Les pays européens et scandinaves travaillent dans plusieurs langues et pas seulement l’anglais, ont des modèles d’organisation de la santé davantage axés sur le secteur public qu’aux États-Unis, et ont une culture de pratique professionnelle différente de celle des États-Unis. Leur expérience me semble donc riche en leçons à tirer en vue de ce qui s’annonce chez nous.

Dans le contexte de la pharmacie d’établissement, on pourrait croire que ce genre d’informatisation pourrait amener des gains en terme d’erreurs liées au circuit du médicament. Malheureusement, les études existantes sur l’effet sur les erreurs se concentrent souvent sur des composantes particulières du circuit (ex: prescription électronique, code-barres, etc.), et plusieurs composantes sont déjà implantées à divers endroits du Québec indépendamment de dossiers électroniques intégrés (prescripteur électronique, FADM électronique, code-barres, cabinets, assistance aux préparations, DSQ, etc.) Les publications décrivant les bénéfices du circuit du médicament en boucle fermée commencent à dater ou incluent des composantes déjà implantées comme les cabinets.

J’ai lu avec intérêt une nouvelle publication décrivant les leçons apprises par rapport au circuit du médicament, écrit par plusieurs personnes ayant travaillé à l’implantation d’un logiciel de dossier électronique intégré en Finlande. Les auteurs étaient affiliés au département de pharmacie de l’hôpital universitaire d’Helsinki et la Faculté de pharmacie de l’Université de Helsinki; cet institution comprend 23 hôpitaux desservant 1,6 millions de personnes.

Les auteurs ont vécu l’implantation d’un logiciel de dossier électronique intégré américain incluant un circuit du médicament en boucle fermée. Ils ont basé leur analyse sur les rapports d’incidents écrits de janvier 2018 à mai 2021. Le premier tableau de l’article décrit l’état du circuit du médicament avant et après l’implantation, je crois qu’un des changements les plus importants à souligner est que les ordonnances de médicaments n’étaient pas validées avant l’arrivée du système; les auteurs décrivent comment il était nouveau pour eux de pouvoir faire cette validation dans le logiciel. On peut essentiellement comprendre que le circuit du médicament original était très peu intégré, avec beaucoup d’étapes de transcription et d’opérations manuelles. Le circuit après l’implantation était plus intégré, avec l’utilisation de technologies comme les interfaces avec les cabinets, les codes-barres, la FADM électronique et la validation (partielle) des ordonnances.

On peut voir que le nombre de rapports d’incidents liés aux médicaments a augmenté durant la période d’implantation pour ensuite revenir à son niveau de base. Certains médicaments liés à des posologies particulières ont été davantage impliqués, probablement en raison de difficultés à bien prescrire les posologies complexes dans le système (ex: lévothyroxine avec doses différentes selon le jour de la semaine).

Les auteurs décrivent leur processus de bilan comparatif des médicaments. L’implantation du logiciel a permis de réaliser la prescription d’admission à partir de la liste des médicaments à domicile du patient, importée d’un système qui semble équivalent à notre DSQ. Les auteurs soulignent 3 enjeux avec cette importation: 1- les données importées ne sont pas toutes structurées, 2- les médicaments importés ne sont pas nécessairement pris par le patient et 3- les médicaments de vente libre et produits de santé naturels ne sont pas inclus dans la liste. Les auteurs ont constaté que beaucoup de travail était requis par les cliniciens pour nettoyer et mettre à jour cette liste au moment de l’admission et que ceci pouvait être difficile et causer des erreurs. Je crois que cette constatation risque d’être la même au Québec puisque le DSQ comporte les mêmes enjeux.

J’ai trouvé très intéressant le paragraphe où il est décrit comment certains croyaient que le système, avec son aide à la décision et ses capacités de prescription structurée, allait rendre le travail des pharmaciens inutile. Au contraire, ceux-ci ont constaté que les pharmaciens devaient vérifier encore plus les ordonnances, alors que ceci n’était pas courant en Finlande auparavant. En particulier, les médecins faisaient face à un grand nombre d’alertes et pouvaient manquer certains éléments importants (alert fatigue), rendant le travail des pharmaciens encore plus important. Je trouve dommage que l’article ne discute pas des stratégies d’optimisation des alertes qui peuvent aussi contribuer à diminuer le nombre d’alertes inutiles.

Parmi les autres leçons apprises par les auteurs, mentionnons:

  • Le nombre d’incidents liés au médicament ne diminue pas suite à l’implantation d’un système en boucle fermée, il augmente durant l’implantation, puis il revient à son taux de base. Les organisations devraient s’attendre à cette augmentation. En particulier, durant et immédiatement après la phase d’implantation, certains cliniciens dont les médecins rapportaient davantage les événements. On peut comprendre cette tendance par une sensibilité accrue aux événements indésirables liée à l’incertitude et au sentiment d’insécurité entourant le déploiement d’un nouveau système, ainsi que par une volonté d’identifier rapidement les nouveaux problèmes introduits par le changement.
  • Les code-barres sont très utiles pour sécuriser le circuit du médicament.
  • La formation des prescripteurs pour qu’ils utilisent adéquatement les champs de données structurées lors de la prescription est importante.
  • La stratégie du minimum viable product n’est pas avantageuse, il est important de tester et d’évaluer adéquatement les processus liés au médicament avant le déploiement pour réaliser une certaine optimisation. Suite au déploiement, le besoin d’amélioration du système de diminue pas, plutôt il augmente et l’organisation doit prévoir les ressources nécessaires pour gérer les demandes de changement qui arrivent après le déploiement.

Cet article était très intéressant et je crois qu’il devrait être lu par tous les pharmaciens travaillant à l’implantation d’un circuit du médicament en boucle fermée ou d’un dossier électronique intégré afin qu’ils puissent mieux gérer certaines attentes sur la base d’une expérience vécue.

Données 2020 sur la dispensation et l’administration des médicaments dans les hôpitaux américains

L’édition 2020 du sondage de l’ASHP portait sur la dispensation et l’administration des médicaments. Je parlerai ici uniquement des aspects liés aux technologies de ces deux éléments. La méthode de sondage utilisée est presque toujours la même et est décrite dans l’article. Il s’agit essentiellement d’un questionnaire standardisé où un échantillon d’hôpitaux conçu pour être représentatif est invité à répondre.

1437 hôpitaux ont été invités à répondre, dont 300 de moins de 50 lits et tous (137) les hôpitaux de plus de 600 lits. 269 départements de pharmacie ont répondu pour un taux de réponse de 19%.

43% des hôpitaux répondants avaient une pharmacie ouverte 24 heures par jour (similaire à 43% en 2017). 30% des hôpitaux avaient plutôt recours à une entreprise externe offrant des services de validation 24 heures, comparativement à 21% en 2017. 5% des hôpitaux avaient recours à un pharmacien sur appel ou à distance, et 15% à un hôpital affilié pour valider à distance. Dans 8% des hôpitaux, il n’y avait pas de vérification d’ordonnances la nuit, principalement des petits hôpitaux.

4% des hôpitaux utilisaient un robot de dispensation (19% des hôpitaux de plus de 600 lits). 75% des hôpitaux utilisaient les cabinets comme mode de dispensation principal pour les doses d’entretien des médicaments, comparativement à 70% en 2017. La dispensation unitaire préparée manuellement (comme on la pratique dans la plupart des hôpitaux du Québec), ne représentant plus que 20% des hôpitaux américains.

66% des hôpitaux utilisent le code-barres à la dispensation à la pharmacie, dont 94% des hôpitaux de plus de 600 lits. 81% des hôpitaux utilisaient le code-barre comme vérification au restockage des cabinets. 21% des hôpitaux utilisaient un logiciel d’assistance aux préparations stériles (66% des hôpitaux de plus de 600 lits); 33% des hôpitaux scannent les code-barres des ingrédients des préparations, 25% prennent des photos ou vidéos, et 5% utilisent la gravimétrie (19% des hôpitaux de plus de 600 lits). 3% des hôpitaux utilisaient un robot de préparation stérile, dont 1.6% pour la chimiothérapie.

88% des hôpitaux utilisent des pompes intelligentes, 13% permettent la programmation des pompes automatiquement à partir du logiciel de dossier électronique ou de la FADM électronique, et 15% récupèrent les données des pompes pour alimenter les données du dossier électronique (ex: bilan ingesta/excreta).

Ce sondage démontre définitivement une progression des technologies de dispensation et de sécurisation du circuit du médicament, vers la cible d’un circuit en boucle fermée. Le service des médicaments en cassettes préparées manuellement aux 24 heures est en déclin pour être remplacé par la dispensation via les cabinets ou les robots de préparation pour les très gros hôpitaux. Ce sera intéressant de suivre cette tendance au Québec dans les prochaines années.

Prédiction d’interventions du pharmacien à l’aide de marqueurs du travail des prescripteurs

Une nouvelle publication décrivant l’utilisation de machine learning pour orienter l’évaluation des ordonnances par les pharmaciens, de la part d’auteurs américains, a été publiée en juillet 2021 dans JAMIA Open et est disponible en texte complet gratuitement sur PubMed Central. Ceci fait suite à des publications passées d’autres groupes sur le même sujet. Étrangement, il n’est pas clair dans les détails de la publications si des pharmaciens sont parmi les auteurs, mais le processus de travail des pharmaciens est très bien décrit, on peut donc assumer que des pharmaciens ont minimalement été consultés.

L’objectif de l’étude était d’élaborer un modèle de machine learning permettant d’identifier les ordonnances nécessitant une intervention de la part du pharmacien. L’étude a eu lieu dans 3 hôpitaux académiques américains totalisant 1600 lits. Un dossier électronique commercial était utilisé pour la prescription électronique et la vérification des ordonnances. Les données du dossier électronique de 2 semaines, du 10 au 24 juillet 2017, ont été extraites, comprenant environ 181 000 ordonnances en 36 500 « lots » (un lot étant un groupe d’ordonnances prescrites en même temps), pour 16 000 patients, par 2700 prescripteurs. 2054 de ces lots contenaient au moins une ordonnance requérant une intervention.

Les variables utilisées afin de prédire la nécessité d’intervention du pharmacien ont été construites sur la base des actions et des caractéristiques du prescripteur juste avant de prescrire, la théorie étant que la lourdeur des tâches et la fragmentation du travail du prescripteur avant de prescrire pourrait mener à davantage d’erreurs, et donc davantage d’interventions de la part du pharmacien. Les variables incluses étaient divisées en trois catégories:

  • Les mesures d’engagement envers les patients et le dossier électronique dans l’heure précédant la prescription (ex: nombre de patients consultés, nombre d’ordinateurs utilisés, nombre d’actions administratives effectuées, etc.)
  • Les caractéristiques des ordonnances incluses dans le lot (ex: nombre d’ordonnances, utilisation de order sets, nombre de represcriptions de médicaments, nombre d’ordonnances « stat », etc.)
  • Les données contextuelles (type de prescripteur, spécialité du prescripteur, moment de prescription, etc.)

Quatre modèles de machine learning ont été construits avec ces variables comme prédicteurs et l’intervention du pharmacien comme issue: deux modèles de régression logistique, le premier avec régularisation L1 et le second avec régularisation L2, une forêt aléatoire et un modèle avec boosting XGBoost. Les données ont été divisées aléatoirement en jeux d’entraînement, validation et test. Une stratégie de recherche de paramètres par grid search avec validation croisée avec a été utilisée pour déterminer les hyperparamètres des modèles. La technique SMOTE a été utilisée pour gérer le débalancement de classes (les ordonnances sans intervention étant plus fréquentes).

Le modèle XGBoost s’est avéré le plus performant. Cependant, l’aire sous la courbe précision-rappel était plutôt faible à 0,439, indiquant une performance modeste du modèle. Malgré tout, en analysant l’explicabilité du modèle, les auteurs ont pu identifier que les ordonnances de résidents, les nombre d’ordonnances de « réconciliations » (on comprend liées au bilan comparatif) et les ordonnances en grand nombre dans un même lot, étaient plus susceptibles de requérir une intervention, ce qui concorde avec ce que j’observe en pratique.

Il est dommage que les modèles développés par les auteurs étaient aussi peu performants. Néanmoins, l’approche des auteurs qui ciblait des marqueurs de la charge cognitive du prescripteur comme prédicteurs des erreurs dans les ordonnances est très intéressante. J’apprécie également le fait que les auteurs ont tenté de générer un modèle explicable et que leur processus d’élaboration du modèle était très clair; dans d’autres publications décrivant des modèles visant à prédire les erreurs de prescription, certains éléments peuvent être flous. J’espère voir davantage de publications sur ce sujet de la part de ce groupe.