Appliquer l’intelligence artificielle à la pharmacie d’établissement de santé

Vous avez pu constater dans un épisode du podcast Trait Pharmacien de l’APES que je m’intéresse aux applications de l’intelligence artificielle (IA) à la pharmacie d’établissement de santé et que je participe à des projets de recherche sur ce sujet. Malheureusement, malgré l’explosion de publications sur l’IA en soins de santé et en médecine, assez peu de publications examinent spécifiquement les applications en pharmacie ou mentionnent les impacts pour les pharmaciens. J’ai été très heureux de voir dans le numéro de mai de l’AJHP un article parlant de ce sujet. Je crois donc que le moment est opportun pour présenter ici une revue informelle des publications que je trouve pertinentes pour les pharmaciens.

D’abord: garder la tête froide

Avant toute chose, je crois qu’il est important de parler de l’effervescence qui entoure l’IA, et en particulier dans le milieu de la santé. Je crois qu’en tant que professionnels de la santé visant une pratique fondée sur les données probantes, il faut garder une approche scientifique et factuelle, et surtout ne pas se laisser influencer par l’effervescence, le hype qui tourne autour de la science de l’IA. Dans le contexte où l’apprentissage automatique (machine learning) (ML) et l’IA sont des sujets assez complexes, que c’est un domaine de recherche qui fait beaucoup parler à la fois dans la communauté scientifique et chez le grand public, et que beaucoup d’argent coule vers des initiatives en IA, il peut être facile de gonfler des promesses de résultats ou de tomber dans le mauvais réflexe qu’utiliser l’IA est nécessairement une bonne chose. Je vois souvent des logiciels ou des produits qui se vantent « d’utiliser l’IA » sans décrire clairement de quelle manière et sans présenter des données probantes sur l’apport de cette technologie au produit par rapport à d’autres approches. Je crois que ce genre d’affirmation devrait être évaluée avec scepticisme.

Un article de perspective du NEJM en 2017 devrait être lu par ceux qui s’intéressent à ce sujet. Je crois que le point crucial à retenir de cet article est cette phrase, dont le sens est très clair:

[…] even a perfectly calibrated prediction model may not translate into better clinical care.

L’approche générale à l’IA en soins de santé

Un bon premier article à lire pour développer ses connaissances est paru en 2019 dans le NEJM. Celui-ci présente des principes très généraux, sans aller dans les détails, et donne des exemples d’applications potentielles.

Je ne discuterai pas ici d’applications générales aux soins de santé, ni d’applications propres à des spécialités médicales, en particulier l’imagerie, puisque de nombreux articles de revue s’y consacrent, mais sachez que ces exemples sont nombreux.

L’IA appliquée à la pharmacie: analyse et prédiction d’ordonnances

En ce qui a trait aux publications applicables à la pharmacie, très peu de littérature présente des données concrètes et pas seulement des idées. La plupart des données publiées visent l’analyse et la prédiction d’ordonnances.

Un groupe se concentre sur le lien entre un médicament et sa posologie. Leur publication de 2014 ciblait un nombre limité de médicaments, cependant un article plus récent de leur part démontre une généralisation de leur technique. Ils utilisent les données de fréquence de chaque posologie (dose, voie et fréquence) prescrite pour un médicament afin de déterminer si une ordonnance est habituelle ou non. Ça me semble très intéressant, un logiciel développé à partir de cette approche pourrait donner à un pharmacien une rétroaction sur la posologie prescrite pour un médicament. Cette approche n’offre cependant pas de rétroaction sur le médicament lui-même en fonction du contexte du patient.

À propos de ce dernier point, les publications sur l’analyse du médicament par rapport à son contexte remontent jusqu’à 2008, où un projet de maîtrise au MIT cherchait à prédire la séquence d’ordonnances dans le contexte d’un patient afin d’offrir des suggestions lors de la prescription électronique. Cette publication est impressionnante. Sans réseaux de neurones et sans apprentissage profond, avec de l’analyse de motif séquentiel, ils ont réussi à prédire le prochain médicament (au niveau du nom générique seulement, cependant) avec 70,2% de succès en 20 essais.

Encore dans l’analyse de motif séquentiel, une autre étude a réussi à prédire le prochain médicament prescrit pour le diabète, donc parmi un nombre limité de possibilités avec environ 64% de succès en 3 essais.

Un groupe a utilisé une technique de traitement du langage, le Latent Dirichlet Allocation, permettant de modéliser des sujets de textes, pour analyser des séquences d’ordonnances. Ils ne se sont pas intéressés seulement aux médicaments mais ont analysé toutes les ordonnances. Ils ont démontré que cette technique permet de mieux prédire les ordonnances des 24 heures suivant l’admission, avec une aire sous la courbe ROC de 0.90, que simplement la déduction à partir des ordonnances pré-rédigées utilisées à l’admission, avec une aire sous la courbe ROC de 0.81.

Le même groupe a publié un article démontrant certaines limites aux données collectées dans le cadre de la pratique clinique: puisque celles-ci évoluent, on ne peut pas remontrer trop loin dans le passé, sinon le modèle tente d’apprendre à partir de pratiques qui ne sont plus idéales, et ceci fait baisser la qualité des prédictions. Ceci limite le volume de données disponibles lorsqu’on extrait des données de systèmes cliniques à des fins de ML.

Enfin, une autre publication a évalué un logiciel commercial offrant de l’aide à la décision appuyée sur du ML. J’ai déjà parlé de cet article dans un billet en 2017.

Vient maintenant le moment de parler d’un projet sur lequel je travaille directement visant également la prédiction d’ordonnances, mais cette fois au niveau du produit précis, et non simplement au niveau du générique, avec une approche qui combine l’analyse du langage par réseau de neurones (la technique word2vec) avec l’apprentissage profond. J’ai présenté nos premiers résultats à la conférence Machine Learning for Healthcare qui avait lieu à Ann Arbor en août 2019. Nous soumettrons un premier manuscrit pour publication sous peu.

Enfin, comme mentionné dans le podcast Trait Pharmacien, l’identification de comprimés (et j’imagine que ce serait applicable à bien des formes pharmaceutiques) en utilisant un réseau de neurones à convolutions démontre une efficacité prometteuse, bien que je n’ai pas connaissance de données publiées sur une application pratique de cette technologie en pharmacie.

L’IA dans les sujets connexes à la pratique de la pharmacie

Il existe également plusieurs publications sur les applications de l’IA dans des domaines qui touchent les pharmaciens sans nécessairement entrer dans l’analyse d’ordonnances comme tel. Mentionnons en particulier, sans que ce soit exhaustif, la pharmacovigilance et la surveillance de patients ou de médicaments précis (en particulier les antimicrobiens).

Pour ceux qui veulent pousser davantage: comment apprendre à créer un modèle d’apprentissage automatique ?

Pour bien comprendre les implications de l’IA et du ML, je crois qu’il est grandement préférable d’en faire soi-même, même si ce n’est qu’un petit projet. Heureusement, il est tout à fait possible d’apprendre les bases avec des livres et des cours en ligne gratuits ou peu coûteux. Le plus gros investissement à prévoir est du temps. Il faut évidemment avoir un intérêt pour les mathématiques (en particulier l’algèbre linéaire), les statistiques, et la programmation. Les techniques simples de ML peuvent être exécutées sur à peu près n’importe quel ordinateur moderne. Seule exception, pour se lancer dans les réseaux de neurones et l’apprentissage profond, il faut une machine avec une bonne quantité de mémoire vive et une carte graphique Nvidia récente.

Globalement, pour arriver à réaliser un projet d’intelligence artificielle, il faut:

Il existe un nombre impressionnant de tutoriels, de cours et de livres sur le sujet, la sélection que je vous présente est uniquement le cheminement que j’ai suivi moi-même pour y arriver. Toutes ces étapes ne sont définitivement pas obligatoires et même se recoupent un peu, l’objectif ici est simplement de partager un maximum de ressources pour ceux qui seraient intéressés à tenter l’expérience eux-mêmes.

Revue systématique sur la prescription électronique avec aide à la décision

Cette revue systématique est parue dans l’AJHP du mois de décembre. Les auteurs sont espagnols. L’article commence en parlant du livre To Err Is Human, donc il a droit à des points bonus. L’objectif de la revue était de cerner l’effet de la prescription électronique avec aide à la décision sur les erreurs médicamenteuses et les événements indésirables liés à la médication. Les auteurs souhaitaient spécifiquement sélectionner des études de bonne qualité et éviter d’agréger des données hétérogènes dans le cadre de leur revue.

La recherche a inclu les articles répertoriés sur Medline, Embase, CINAHL et Cochrane de 1995 à 2016, ainsi que des références d’autres articles de revue et banques de données. Les articles ont été d’abord filtrés sur la base du titre et de l’abstract puis évalués selon des critères d’inclusion systématiques et fondés sur des recommandations solides. Les études devaient concerner des patients hospitalisés, et être de devis contrôlé ou pré et post avec période de « washout » pour éviter l’effet d’une courbe d’apprentissage. Les études contrôlées devaient avoir comme contrôle la prescription manuscrite. Les études pré et post devaient être collectées prospectivement, donc les études avec contrôles historiques étaient exclus.

Point important, la définition de prescription électronique était celle où le prescripteur entrait les ordonnances dans un ordinateur, avec un système d’aide à la décision et avec transmission électronique des ordonnances à la pharmacie. Ce point est important puisqu’il existe des systèmes sans interface avec la pharmacie, où une retranscription manuelle des ordonnances est nécessaire, et les conclusions sur la sécurité de l’utilisation des médicaments sans interface entre le système de pharmacie et le prescripteur électronique pourraient être très différentes.

16 526 articles ont été évalués sur la base du titre et de l’abstract, et 188 ont été retenus pour évaluation. 19 ont été inclus. Les 19 fournissaient des données sur les erreurs médicamenteuses et 7 sur les événements indésirables. Une étude était randomisée et contrôlée, 3 étaient contrôlées et le reste étaient de type pré et post. La section des résultats détaille très bien la qualité et la méthodologie des études, je ne répéterai donc pas cela ici et je vous encourage à lire l’article.

En résumé, il a été impossible d’agréger les données sur les erreurs médicamenteuses puisqu’il y avait trop d’hétérogénéité dans les définitions utilisées. Cependant, il ressort que la prescription électronique avec aide à la décision, interfacée avec la pharmacie, était associée à une diminution statistiquement significative de 71% des erreurs à l’étape de prescription. En ce qui a trait aux autres étapes (validation, dispensation, administration), aucune différence significative n’a été observée quand aux erreurs. Les auteurs commentent cependant qu’il est clair que la prescription électronique aide à diminuer les erreurs à toutes les étapes du circuit du médicament en diminuant les erreurs liées à l’interprétation de prescriptions mal écrites, et en facilitant l’intégration des prescriptions avec les autres technologies utilisées pour les médicaments, comme les pompes et les cabinets automatisés.

Les auteurs commentent sur la diminution de certains types d’erreurs, comme les erreurs de voie d’administration, lorsque les systèmes d’aide à la décision sont capables d’empêcher des choix illogiques. Cependant, les erreurs d’autres types comme celles liées aux allergies ne sont pas nécessairement faciles à réduire avec la prescription électronique, car la qualité de la documentation des allergies dans les dossiers électroniques est variable. De même, le problème des alertes intempestives (alert fatigue) est majeur et contribue à la mauvaise efficacité des systèmes d’aide à la décision pour certains types d’erreurs.

Enfin, les auteurs commentent sur les erreurs causées par les systèmes de prescription électronique, et citent des articles de revue dont j’ai déjà parlé sur les causes de ces erreurs.

Revue systématique sur les erreurs causées par la prescription électronique

Une revue systématique, parue fin 2017 dans le International Journal of Medical Informatics, s’est intéressée aux erreurs médicamenteuses causées par la prescription électronique et à leurs mécanismes. Les données de cette revue viennent compléter d’autres que j’ai déjà présentées, dont deux par un autre groupe de chercheurs chez l’adulte et en pédiatrie.

Les chercheurs ont effectué une revue de Medline, Embase, du registre Cochrane et d’autres références de 1982 à août 2017 selon divers mots-clés. Ensuite, les articles sélectionnées ont été revus et filtrés selon une méthode systématique et appuyée sur des lignes directrices. Les auteurs ont cherché à conserver uniquement les études ayant évalué quantitativement les erreurs, avec une analyse explicite du rôle de la prescription électronique, et avec une description de la typologie de l’erreur. Les études qualitatives, ciblant un seul type spécifique d’erreurs, ciblant des logiciels spécialisés comme pour la chimiothérapie, et les études de simulation, ont été exclues.

2086 articles ont été identifiés et 14 ont été inclus dans l’analyse. 7 étaient des études prospectives, 3 rétrospectives et 4 étaient des analyses de bases de données d’événements indésirables. 7 venaient de l’Europe, 4 des États-Unis, 2 d’Australie et 1 de Singapour. Les études était de qualité assez bonne, avec la moitié rapportant plus de 7 critères de haute qualité sur 14.

Les erreurs les plus fréquemment rapportées étaient des erreurs  de dose ou de sélection de médicaments. Les mécanismes rapportés étaient:

  • Liées à l’ergonomie:
    • Sélection erronée dans un menu déroulant
    • Erreur de frappe
    • Entrave à la vision de la prescription complète
    • Plus d’un prescripteur dans la même ordonnance
  • Liées aux alertes:
    • Absence d’alerte ou mauvaise configuration
    • Contournement d’alertes liée à la désensibilisation (alert fatigue)
  • Liée aux particularités du système
    • Obligation de spécifier une date de fin même pour traitements chroniques
    • Incapacité d’inscrire une ordonnance complexe (par exemple sevrage de corticostéroïdes)
  • Mauvais paramétrage du système
    • Paramètres par défaut inadéquats
  • Mauvais usage du système
    • Texte libre contradictoire avec champs dédiés pour la même information
    • Modification erronée d’une prescription existante
    • Absence de rappels pour ordonnances importantes
    • Incapacité de consulter l’information nécessaire lors de la prescription
    • Fonctionnalités du logiciel mal adaptées (par exemple option de dire qu’un patient prend ses médicaments lui-même alors que ce n’est pas le cas, ordonnance conditionnelle mal configurée)

Les points soulevés dans cet article recoupent largement ceux dont j’ai parlés dans des blogues précédents, comme quoi la littérature commence à faire ressortir des points cruciaux pour prévenir les erreurs de prescription électronique. Cependant, je trouve que les auteurs se concentrent un peu trop sur des fonctionnalités très spécifiques à des systèmes précis. Par exemple, ils discutent longuement d’une boîte pour indiquer qu’un patient prend un médicament lui-même, alors que ceci n’est pas inhérent à la prescription électronique elle-même, mais plutôt à un système particulier où cette option est mal conçue.

Cependant, je trouve que l’article est quand même très bon et que les points qui y sont soulevés devraient faire partie de ce qui est évalué pour prévenir les erreurs lors de l’implantation de la prescription électronique.