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.

Recommandations pour la réduction de la désensibilisation aux alertes

Beaucoup d’articles récents s’intéressent aux alertes dans les dossiers électroniques, aux raisons expliquant leur inefficacité, aux problèmes qu’elles causent, en particulier la désensibilisation, et aux façons de les améliorer. Une publication de janvier 2020 disponible gratuitement en texte complet sur PubMed Central présente les recommandations de quatre institutions américaines visant à améliorer les alertes présentées aux cliniciens.

L’introduction de cette article est une bonne revue du problème de désensibilisation aux alertes et des stratégies proposées pour diminuer le nombre d’alertes et conserver uniquement celles qui sont cliniquement significatives.

Les sujets abordés dans l’article sont:

La gouvernance

Les auteurs expliquent l’importance d’avoir un type de gouvernance pour les alertes adapté à la culture de l’organisation. Ils proposent une méthode de fonctionnement qui inclut la révision systématique des alertes qui dépassent des seuils établis, à des fins de désactivation ou ajustement. Il est particulièrement important de bien évaluer les alertes où un groupe demande qu’un autre groupe reçoive une alerte, et d’inclure à la fois les gens qui demandent une alerte et ceux qui la reçoivent dans les discussions. Les auteurs proposent une liste de vérification à suivre lorsqu’une création d’alerte est demandée, et celle liste inclut une définition des métriques qui vont être suivies pour valider la performance de l’alerte.

Le design des alertes et leur performance

L’article inclut une liste de métriques proposées afin d’évaluer la performance d’une alerte. Un point intéressant est de réfléchir aux alertes comme on le ferait pour un test diagnostique, en divisant les résultats de l’alerte en tableau 2×2 avec sur un axe le comportement de l’alerte (déclenchée ou non) et sur un autre la condition du patient (présente réellement la condition ou non). Ceci permet d’utiliser toutes les métriques bien connues de ce type de tableau pour évaluer la performance de l’alerte. On peut ainsi définir le problème de désensibilisation aux alertes actuel comme un problème de sensibilité trop élevée: les alertes présentent en général des taux de faux positifs beaucoup trop élevés. De cette façon, l’amélioration de la performance des alertes peut être mesurée avec, par exemple, le changement de la valeur prédictive positive.

Une emphase est placée sur le design des alertes. En particulier, il est utile de considérer le degré d’interruptivité de l’alerte lors de sa conception ou de son amélioration, qui peut aller d’une alerte non-interruptive qui affiche de l’information au clinicien sans lui demander de réponse, à une alerte interruptive qui requiert un clic pour continuer, une alerte interruptive qui requiert une documentation de raison, et même une alerte interruptive impossible à contourner.

L’article discute également des stratégies pour le test et l’évaluation des alertes avant leur déploiement, notamment l’importance de tester avec des dossiers réalistes et non des scénarios épurés ou seule la nouvelle alerte est déclenchée. Également, les stratégies de test avec évaluation sur des données rétrospectives ou prospectivement en mode « silencieux » avant le vrai déploiement sont présentées, de manière à pouvoir caractériser la performance d’une alerte avant même qu’elle ne soit présentée aux cliniciens. Bien sûr, tout ceci suppose la capacité de l’organisation de réaliser ce type d’analyse (par exemple en ayant au sein de son personnel des gens capables d’extraire ce type de données et de réaliser ce type d’analyses), et la capacité du logiciel de permettre ces analyses.

L’article conclut en présentant les exemples de deux institutions américaines et des choses qu’ils ont mises en places en réponse à ces principes. Cet article est de façon générale une bonne revue des principes de gestion des alertes et présente de bons exemples desquels s’inspirer.