Notre présentation au workshop Machine Learning for Health de NeurIPS 2020

Le projet de recherche des résidentes en pharmacie au CHU Sainte-Justine en 2020 était l’évaluation en pratique du modèle de machine learning visant l’identification d’ordonnances et de profils pharmacologiques inhabituels que nous avons développé. J’ai déjà parlé de ce modèle ici, l’élaboration et l’évaluation de ce modèle ont été présentés à la conférence Machine Learning for Healthcare 2020 et au Symposium IA Montréal 2020.

Essentiellement, pour l’identification d’ordonnances atypiques, ce modèle a montré une concordance assez mauvaise avec l’opinion de pharmaciens. Cependant, pour l’identification de profils pharmacologiques atypiques, la performance était bien meilleure. Les pharmaciens qui ont participé au projet avaient une opinion positive du modèle. Je crois que les résultats de ce projet démontrent le potentiel d’outils basés sur l’intelligence artificielle pour aider le pharmacien dans sa pratique clinique.

Un abstract étendu du projet a été accepté au workshop Machine Learning for Health (ML4H) de NeurIPS 2020 qui aura lieu le vendredi 11 décembre. Le texte complet de l’abstract est disponible sur arXiv. Un manuscrit complet décrivant le projet est en cours de révision pour publication.

Facteurs associés à la perception de l’aide à la décision pour les médicaments

Je mentionnais récemment que j’étais de l’opinion que « l’électronique » était un support pour présenter une intervention en aide à la décision, et non pas une intervention en soi, dans le contexte d’une revue systématique qui semblait vouloir évaluer d’un seul coup l’effet de n’importe quelle intervention électronique. Un nouvel article publié en septembre dernier vient synthétiser la littérature qualitative sur les facteurs qui influencent la perception et l’utilisation des alertes d’aide à la décision par les prescripteurs. On vient donc dans cet article clarifier quelles sont les caractéristiques des interventions électroniques d’aide à la décision qui sont perçues positivement par rapport à celles qui ne le sont pas.

Les auteurs ont réalisé une revue des études qualitatives ayant exploré la perception des prescripteurs par rapport à des systèmes d’aide à la décision dans un contexte hospitalier. L’aide à la décision devait être intégrée à un prescripteur électronique et non pas disponible seule, par exemple dans une application mobile. Les études publiées à partir de 2003 jusqu’à mars 2018 pouvaient être incluses. La recherche a été menée dans Medline, Embase, CINAHL, PubMed et PsycINFO ainsi qu’une liste de journaux et de sites web gouvernementaux, avec une requête standardisée. Les références des articles inclus ont aussi été examinées.

6705 articles ont été identifiés. 100 abstracts ont été révisés par 3 personnes pour évaluer les critères d’inclusion et d’exclusion, puis 32% des abstracts ont été révisés par 2 personnes pour déterminer si le résultat des critères était reproductible. Le reste a été évalué par une seule personne. 45 articles en texte complet ont été examinés et 13 articles ont été inclus. Les données des 13 articles ont été extraites par 2 personnes. 11 articles inclus ont utilisé des entrevues pour obtenir leurs données. Les articles inclus se concentraient sur les alertes (n = 10) et les ensembles d’ordonnances (order sets) (n = 7). Les perceptions des prescripteurs ont été classées en facilitateurs et en barrières à l’adoption. Contrairement à l’autre article dont je parlais dans l’introduction, dans cette revue, 10 études évaluaient un système d’aide à la décision général et non pas ciblé sur un secteur clinique, un médicament ou une condition particulière.

Les facilitateurs décrits par les participants aux études incluses comprenaient une perception que l’aide à la décision améliorait la sécurité et l’efficacité des soins. Les barrières identifiées étaient une méfiance face à l’information véhiculée par l’outil, des conflits entre les recommandations et les préférences de prescription et une crainte face à l’autonomie professionnelle. Certains médecins séniors percevaient le système comme davantage utile pour les cliniciens junior.

La qualité du système était un thème important, avec comme facilitateur un système offrant des recommandations pertinentes et personnalisées, alors que les barrières étaient un système requérant un grand nombre de clics pour consulter l’information, l’affichage de trop d’information nécessitant un déroulement (scrolling) de la page, une interruption du flot de travail clinique ou un affichage confus de l’information.

Je trouve cette étude intéressante car la revue fait ressortir des points certes déjà connus à propos des facteurs qui aident ou qui nuisent à l’utilisation des systèmes d’aide à la décision, mais qui aident à mettre en perspective le fait que le succès ou l’échec de l’intégration d’un système électronique dépend énormément des propriétés de ce système et de l’encadrement autour de l’implantation, plutôt que du système lui-même.

Notre présentation à Machine Learning for Healthcare 2020

Le congrès Machine Learning for Healthcare 2020 a lieu en ligne les 7 et 8 août 2020. Les présentations ont été mises en ligne sur YouTube. Notre groupe y présente un abstract clinique intitulé Unsupervised identification of atypical medication orders: A GANomaly-based approach. Il s’agit d’un modèle d’apprentissage automatique étant capable d’identifier de manière non supervisée les profils pharmacologiques atypiques, c’est-à-dire déviant des patrons de prescriptions habituellement observés dans un certain contexte. L’application pratique d’un tel modèle serait en support au pharmacien clinicien, afin que celui-ci puisse identifier visuellement de manière rapide les profils pharmacologiques susceptibles de contenir des éléments atypiques, et ainsi optimiser son temps et mieux planifier ses interventions.