Données sur les pharmacies d’hôpitaux américaines 2016

Je vous parle aujourd’hui d’un sondage publié récemment dans l’AJHP sur les pharmacies d’hôpitaux aux États-Unis, réalisé en 2016 et décrivant surtout les processus de prescription et transcription d’ordonnances. Il s’agit d’une partie du sondage national des pharmacies d’hôpitaux de l’ASHP; la méthode de ce sondage est décrite dans l’introduction de l’article. Les données publiées ici complètent celles publiées l’année dernière sur les volets de surveillance de la pharmacothérapie et de suivi des patients. À noter cependant que plusieurs données se recoupent.

Contrairement au sondage québécois, le sondage américain ne cible pas tous les hôpitaux et utilise un échantillonage. 392 hôpitaux parmi les sondés ont répondu, représentant un taux de réponse de 30%, et les répondeurs n’étaient pas statistiquement différents des non-répondeurs. Voici quelques faits saillants du sondage:

  • 99,1% des hôpitaux avaient un dossier électronique au moins partiellement en place, dont 43,3% avec un système complètement électronique sans papier (comparativement, ces chiffres étaient 97,5% et 37,5% en 2015 aux USA, je ne trouve pas de données québécoises claires sur ce chiffre).
  • 95,6% des hôpitaux ont un système de prescription électronique avec aide à la décision (comparativement à 84,1% aux USA en 2015, et au Québec 7% en 2014 et 5% en 2012).
  • Les ordonnances sont transmises électroniquement (en données numériques) à la pharmacie dans 90,7% des hôpitaux, 4,2% des hôpitaux numérisent des ordonnances papier, 2,8% utilisent encore le fax et 2,3% utilisent le transport manuel d’ordonnances papier. Comparativement, au Québec, la seule donnée que je connaisse est un sondage présenté comme affiche au congrès de l’APES 2016 qui a montré l’utilisation d’ordonnances numérisées dans 51% des hôpitaux, contre 26% qui utilisaient le fax, 21% des ordonnances papier et 2% un prescripteur électronique.
  • Au niveau de la validation d’ordonnances, 51,6% des hôpitaux utilisent des fonctions de validation automatisée. Parmi-ceux-ci, 58,2% utilisent des fonctions par département (p.ex. urgence), 40,3% des médicaments spécifiques dans certains départements (p.ex. médicaments pour la douleur à l’urgence), et 12% pour des médicaments spécifiques à travers l’hôpital (p.ex. vaccins, médicaments de soins de confort).
  • 92,6% des hôpitaux utilisent la vérification de l’administration des médicaments avec le code-barre (comparativement à 93,7% aux USA en 2015, et aucun hôpital au Québec en 2012 ou 2014).
  • Pour l’élaboration de politiques de prescription et de gestion du formulaire, 75% des hôpitaux font de l’évaluation comparative des médicaments avant l’inscription au formulaire, élaborent des lignes directrices, font de la substitution thérapeutique, délèguent les choix de produits et de dose aux pharmaciens, et font des revues d’utilisation. Deux tiers des hôpitaux restreignent la prescription de certains médicaments à certains praticiens, et environ la moitié utilisent des données pharmacoéconomiques dans leur évaluation.

L’utilisation de dossiers électroniques offre des nouvelles possibilités reliées à la gestion du formulaire et des ordonnances:

  • Trois quarts des hôpitaux affichent uniquement les médicaments au formulaire lors de la prescription.
  • Environ la moitié des hôpitaux utilisent des fonctions d’arrondissement ou de standardisation de doses lors de la prescription (sans doute pour faciliter la correspondance aux médicaments produits en lot à la pharmacie).
  • La moitié des hôpitaux offrent des liens vers de l’information sur les médicaments lors de la prescription, et offrent des alternatives lors d’une tentative de prescription d’un médicament hors formulaire.
  • Un peu plus d’un tiers des hôpitaux envoient certaines ordonnances à un autre service pour approbation (par exemple antibiotiques à usage restreint) et incluent un support décisionnel lié à l’optimisation de l’utilisation des antimicrobiens.
  • Un tiers des hôpitaux limitent l’entrée de médicaments hors formulaire aux pharmaciens.

En ce qui a trait aux fonctions de prescription hors formulaire, il est à noter que ce sont en général les plus gros hôpitaux qui ont des politiques plus strictes sur le contrôle du formulaire et les possibilités de prescription.

Les éléments liés à la pratique clinique du pharmacien sont:

  • 56,9% des hôpitaux requièrent la documentation électronique des recommandations et des notes du pharmacien dans les dossiers médicaux.
  • 89,9% des hôpitaux permettent aux pharmaciens de demander des tests de laboratoire et dosages de médicaments.
  • 86,8% des hôpitaux permettent aux pharmaciens d’écrire des ordonnances, 7,2% permettent aux pharmaciens de prescrire (sélection, initiation, suivi et ajustement du médicament), et 92,8% des hôpitaux permettent aux pharmaciens de modifier ou initier des médicaments selon un protocole.
  • 64% des hôpitaux collectent des données pour démontrer les effets des interventions des pharmaciens; ces données incluent surtout le type d’intervention, le temps passé sur ces interventions, et l’impact de ces interventions sur les coûts.

D’autres données sont fournies dans le sondage, je vous invite à lire le texte complet car elles sont plus difficiles à résumer. Celles-ci incluent:

  • Les services fournis par les pharmaciens au congé et le lien avec les soins en communauté et les pharmacies communautaires.
  • Les services offerts en clinique ambulatoire.
  • Le paiement des services pharmaceutiques.
  • Le lien avec les pharmacies de spécialité.
  • Les données de ressources humaines (équivalents temps plein, postes occupés, diplômes et certifications).
  • Les activités des techniciens en pharmacie.
Données sur les pharmacies d’hôpitaux américaines 2016

Biais cognitif lié à l’aide à la décision

Les systèmes d’aide à la décision gagnent en popularité avec l’informatisation croissante des dossiers médicaux, en particulier dans le contexte de la prescription électronique. Il existe également de tels outils intégrés aux systèmes d’information pharmacie, notamment pour la détection d’interactions médicamenteuses. Néanmoins, l’impact clinique de tels systèmes est sujet à débat, en particulier quand on constate à quel point les alertes générées peuvent être de pertinence clinique douteuse, ou bien lorsque des problèmes importants ne sont pas détectés.

Cette étude avait pour objectif d’évaluer la présence de biais cognitif induit par les systèmes d’aide à la décision, notamment l’omission de problèmes en absence d’alerte, les interventions inappropriées en présence d’alertes inexactes, et l’impact des interruptions et de la complexité des tâches sur ces éléments.

120 étudiants en médecine dans les deux dernières années de leur formation dans des universités australiennes ont participé à l’étude.  Chaque participant devait compléter des scénarios de simulation les exposant à neuf situations, soit une situation contrôle sans aide à la décision, une aide à la décision adéquate et une aide à la décision inadéquate, chacune en condition normale, en présence d’interruptions et en présence d’une tâche plus complexe. Durant chaque scénario, ils devaient prescrire des médicaments dans un logiciel simulé en présence d’un contexte clinique réaliste. Les scénarios ont été développés et révisés par plusieurs spécialistes, incluant des pharmaciens, afin de s’assurer que ceux-ci étaient adéquats. Notamment, les prescriptions à faire étaient représentatives des responsabilités des étudiants en médecine, et les erreurs à détecter étaient sans ambiguité et clairement à éviter. De plus, les participants étaient avisés que les alertes fournies par le système pouvaient être inexactes ou absentes.

4065 prescriptions ont été faites, comportant 1049 erreurs, incluant les non-prescriptions de médicaments requis. 70% de ces erreurs ont été induites par les scénarios, et 30% ont été jugées comme originant purement des participants. Tous les participants ont fait au moins une erreur.

Comparativement à la situation contrôle, l’aide à la décision adéquate a réduit les erreurs de prescription de 58,8%, alors que l’aide à la décision incorrecte a augmenté les erreurs de prescription de 86,6%. Fait intéressant, les interruptions et la complexité du scénario n’ont pas affecté significativement les biais cognitifs induits par l’aide à la décision. Les résultats complets sont bien plus détaillés, ça vaut la peine de lire le texte complet pour bien en comprendre toutes les nuances.

Les auteurs soulignent que les participants avaient de la difficulté à déterminer si les alertes d’aide à la décision étaient correctes ou non, et même si des omissions avaient lieu.

Je trouve l’article pertinent car il illuste comment l’aide à la décision peut avoir un impact positif si les alertes sont bien paramétrées et adéquates, et comment les effets de cette technologie peuvent être délétères en présence d’omissions ou d’alertes inadéquates. Bien sûr, la tâche de paramétrage d’un système d’aide à la décision est colossale. Bien souvent, la possibilité de personnaliser les alertes, d’en ajouter ou d’en désactiver est inexistante ou limitée, et le nombre d’alertes livrées avec le système est très grand, rendant la révision de celles-ci une par une irréaliste. Plusieurs articles ont décrit les problèmes liés à l’inclusion de nombreuses alertes pour des raisons légales ou administratives, et ont fait des recommandations pour filtrer ce contenu. Encore faut-il avoir les ressources et la capacité technique de le faire.

Biais cognitif lié à l’aide à la décision

Détection d’erreurs médicamenteuses par machine learning

Cette étude avait pour objectif de caractériser l’exactitude, la validité et l’utilité clinique d’alertes sur les médicaments établies par un logiciel utilisant le machine learning pour générer automatiquement des alertes à partir d’écarts par rapport à la norme. L’étude a été faite sur les données du Brigham and Women’s Hospital et du Massachusetts General Hospital aux États-Unis.

Le logiciel évalué était MedAware, un logiciel commercial. Ce logiciel utilise le machine learning pour créer 3 types d’alertes sur les médicaments:

  • Des données cliniques hors norme (par exemple prescription de contraceptif pour un enfant garçon).
  • Des données temporellement hors norme (par exemple une diminution des plaquettes chez un patient sous anticoagulant).
  • Un dosage hors norme (le dosage est à l’extrême de la distribution habituelle de dose pour ce médicament ou par rapport à l’histoire du patient).

Tous les patients ayant eu au moins une visite externe (les patients hospitalisés n’étaient pas inclus) entre le 1er janvier 2012 et le 31 décembre 2013 dans un de ces deux hôpitaux. Pour ces patients, les données rétrospectives de 5 ans ont été extraites. À noter, ces données étaient déjà encodées dans un dossier électronique de manière structurée, par exemple les données démographiques, les diagnostics, les listes de problèmes, les médicaments, les allergies, les signes vitaux et les résultats de laboratoires. Cependant, ces données comportaient bien sûr les failles habituelles des données cliniques, c’est-à-dire l’encodage de données en texte libre, dans les mauvais champs, de manière inconstante, etc.

Conformément aux principes du machine learning, les données ont été divisées en deux groupes, un groupe d’apprentissage et un groupe de test. Un échantillon de 300 dossiers a été utilisé pour une validation manuelle des alertes générées par le logiciel. Les paramètres évaluées étaient l’exactitude (l’alerte correspondait-elle réellement aux données encodées ?), la validité (l’alerte était elle adéquate compte tenu des données disponibles partout dans le dossier ?), et l’utilité clinique. Le codage de ces paramètres était effectué par consensus de l’équipe de recherche.

747 985 patients ont été inclus, ayant généré 15 692 alertes dans le groupe de 373 992 patients de test. 29,3% des alertes étaient liées aux données cliniques, 66,8% aux données temporelles et 3,9% au dosage. 23,8% des alertes n’étaient pas valides en raison de problèmes liées aux données, donc 76,2% des alertes étaient valides par rapport aux données encodées. De celles-ci, 56,2% étaient de valeur clinique élevée selon l’équipe de recherche et 18,8% de valeur moyenne.

Les auteurs soulignent dans la discussion la difficulté d’analyser un ensemble de données tiré d’un dossier électronique réel compte tenu de la grande variabilité dans la qualité, la disponibilité et l’encodage des données. La classification de la valeur clinique des alertes est aussi discutable car subjective. Néanmoins, le pourcentage d’alertes cliniquement utile est largement plus élevé que ce que l’on voit en pratique réelle, où la vaste majorité des alertes sont d’une utilité discutable. Il semble que le machine learning soit une avenue intéressante pour les systèmes d’aide à la décision du futur.

Détection d’erreurs médicamenteuses par machine learning

Alertes pour la détection des problèmes liés à la pharmacothérapie

Cette étude a été réalisée en Espagne dans un hôpital universitaire de 431 lits, et avait pour objectif de décrire l’utilisation d’un système d’aide à la décision offrant des alertes intégrées au logiciel de prescription électronique et au dossier électronique, pour une détection de problèmes liés à la pharmacothérapie.

Le système offrait la possibilité de programmer des déclencheurs d’alerte liés aux paramètres suivants:

  • L’âge ou le sexe
  • La dose maximale, minimale ou cumulative, les voies d’administration et la durée de traitement
  • Les tests de laboratoire et les indicateurs et scores dérivés (clairance à la créatinine, score MELD, etc.)
  • Les interactions médicamenteuses

À noter, le système n’offrait pas d’alerte pour les allergies.

À chaque jour, les pharmaciens cliniciens de l’hôpital révisaient les alertes générées par le système qui s’affichaient dans le module de pharmacie du dossier électronique. Ces alertes étaient visibles uniquement pour les pharmaciens. Ceux-ci prenaient action selon la pertinence clinique et l’urgence de l’alerte, soit en inscrivant une note au dossier électronique visible pour les autres professionnels ou en intervenant directement auprès de l’équipe clinique. Évidemment, les pharmaciens cliniciens révisaient aussi les profils pharmacologiques de manière indépendante du système d’alertes pour détecter tous les problèmes.

Les données de ce système ont été collectées pour l’année 2012. 83% des médicaments existant dans le système avaient des paramètres d’alertes programmées, pour un total de 7879 alertes potentielles, correspondant à 99,4% des médicaments prescrits durant l’année.  185 131 prescriptions ont été faites avec le système durant l’année, et 3552 interventions pharmaceutiques ont été faites. De celles-ci 79,1% ont été détectées par le système d’alerte et le reste n’ont été détectées que par le pharmacien clinicien. Au moins un problème a été détecté chez 10,7% des admissions et 12,4% des patients.

Au total, 13 833 alertes ont été générées par le système durant l’année, dont 2808 (20%) ont été jugées cliniquement significatives par les pharmaciens cliniciens. 53,2% des alertes pertinentes concernaient le dosage, 25,7% les tests de laboratoire (47% fonction rénale, 38,4% électrolytes), 15,4% les interactions, 4,6% les duplications et 28% les combinaisons.

Le pourcentage d’alertes cliniquement significatives dans cette étude est relativement élevé à 20%, ce qui, je crois, pourrait être lié à la programmation des alertes gérée par les pharmaciens de l’établissement plutôt qu’à l’utilisation d’un système commercial. J’aime bien l’idée d’automatiser, au moins partiellement, la détection des problèmes de pharmacothérapie en assistance au pharmacien clinicien qui doit réviser des profils pharmacologiques, afin de s’assurer de ne rien “échapper” par inadvertence. Néanmoins, ce genre de système doit être bien paramétré pour être cliniquement utile et ne pas contribuer au alert fatigue causé par les systèmes qui génèrent plein d’alertes inutiles.

Alertes pour la détection des problèmes liés à la pharmacothérapie

Alertes liées aux médicaments dans un hôpital chinois

Cet article décrit le processus de développement et les deux premières années d’utilisation de règles d’aide à la décision pour la prescription électronique mises en place dans un hôpital chinois. L’article est disponible en texte complet gratuitement sur PubMed Central.

L’objectif de l’étude était de décrire l’utilisation et les contournements d’alertes, suite au déploiement d’un ensemble de règles d’aide à la décision affichées durant la prescription électronique, pour divers paramètres de prescription:

  • La dose
  • La voie d’administration
  • La  fréquence
  • La nécessité de test cutané (allergies)
  • La compatibilité et la concentration pour l’administration IV
  • Le risque en grossesse
  • Les interactions médicamenteuses
  • Les contre-indications
  • L’usage restreint de certains médicaments

L’objectif principal de ces règles était d’alléger le travail des pharmaciens en permettant de corriger certains problèmes de prescription dès la rédaction de l’ordonnance, par ailleurs les médecins pouvaient contourner ces alertes en documentant une justification, ce qui aide aussi au travail de validation pour le pharmacien. Les règles détaillées sont présentées dans l’article et couvraient environ 150 médicaments, dont certains de médecine traditionnelle chinoise. Fait important, certaines fonctionnalités comme l’ajustement de doses selon le poids ou la clairance à la créatinine n’étaient pas disponibles en raison de problèmes d’interface avec les autres logiciels du centre.

Durant la période de l’étude, 68 182 épisodes de soins ont eu lieu et 2 747 140 prescriptions ont été faites à l’aide de ce système. 18 666 alertes ont été générées et 2803 ont été contournées, pour un taux de contournement de 15%. Les auteurs détaillent les motifs de ces contournements dans l’article, cependant une chose qui me surprend est le faible nombre d’alertes et le faible taux de contournement. En effet, la littérature sur les alertes (voir les nombreux articles sur ce sujet dont j’ai déjà parlé) décrit généralement une surabondance d’alertes, un taux élevé de contournement, et le développement d’un réflexe d’ignorer ces alertes, la fameuse alert fatigue.

Comme l’étude ici décrite fait surtout une description de ces alertes et ne présente pas d’analyse de leur pertinence ou de leur impact clinique, il est impossible de savoir si ces mesures impressionnantes sont dûes à un bon paramétrage ou simplement à un faible taux de détection des problèmes cliniquement significatifs.

Néanmoins, je trouve qu’il s’agit d’un bon exemple d’un développement de règles d’analyse à partir de zéro. Le concept est intéressant: plutôt que de cibler l’interception de tous les problèmes avec l’aide à la décision, il est possible de se concentrer sur certains problèmes faciles à attraper à l’étape de prescription et laisser les pharmaciens qui valident les ordonnances se concentrer sur les problèmes complexes.

Alertes liées aux médicaments dans un hôpital chinois

Fonctions avancées de prescription électronique et durée de séjour

Cette étude a été réalisée dans deux hôpitaux affiliés du sud-est américain et avait pour objectif d’évaluer la relation entre l’utilisation des fonctions avancées de prescription électronique (order sets, aide à la décision, documentation, etc.) et la durée de séjour. Ce qui est intéressant dans la méthodologie de l’étude et qui diffère de la plupart des études sur le sujet est l’évaluation de l’utilisation des fonctions avancées. Les auteurs expliquent que dans la plupart des études, on évalue le simple lien entre la disponibilité d’une fonction et un paramètre clinique; les effets observés étant attribuées à cette fonction sans nécessairement que sa réelle utilisation soit prise en compte. Cependant, en pratique, il peut exister une grande variabilité entre les praticiens et entre les équipes en ce qui a trait à l’utilisation de ces fonctions et il est légitime de se questionner sur l’effet de cette utilisation.

Dans le contexte de cette étude, les auteurs ont donc établi des mesures d’utilisation des fonctions de prescription électronique:

  • Le nombre d’ordonnances par jour par patient
  • Le pourcentage d’ordonnances faisant partie de order sets
  • Le pourcentage d’alertes prises en compte
  • Le nombre d’entrées de documentation par jour par patient
  • Le nombre de consultations du dossier électronique par jour par patient
  • Le nombre de notes d’évolution par jour par patient

Ces mesures ont été établies pour le médecin traitant, pour l’équipe principale et pour l’équipe de support, toutes définies dans l’article. Ensuite, ces mesures ont été corrélées avec la déviation de la durée de séjour par rapport à la durée attendue en fonction de la condition médicale, laquelle était calculée en fonctions de divers paramètres cliniques et administratifs. 2475 patients ayant été hospitalisés pour 5 conditions cliniques pré-définies et ayant eu congé entre le 1er décembre 2011 et le 31 août 2012 ont été sélectionnés aléatoirement. Les conditions cliniques incluses étaient un accouchement vaginal, un remplacement de hanche ou de genou, une chirurgie cardiovasculaire, une pneumonie, ou une transplantation d’organe.

Il ressort des résultats que la mesure totale d’utilisation des fonctions avancées par les équipes était corrélée à une durée de séjour plus courte pour les 5 conditions incluses. Néanmoins, lorsque les résultats sont découpés par type d’équipe et par condition, certaines corrélations n’étaient pas significatives. L’étude a tout de même une portée limitée car elle inclut uniquement des patients provenant de 2 hôpitaux d’une même région des États-Unis et un éventail limité de conditions cliniques, cependant je trouve la méthode intéressante pour l’évaluation de l’utilisation des fonctions avancées de prescription électronique.

Fonctions avancées de prescription électronique et durée de séjour

Applicabilité du théorème de Bayes aux alertes d’interactions médicamenteuses

Cet article, court mais intéressant, a été publié dans l’AJHP du mois de novembre. Les auteurs décrivent la manière dont le théorème de Bayes est applicable aux alertes générées lors de la détection d’interactions médicamenteuses. La plupart du temps, la détection de telles interactions par les logiciels, que ce soit pour la prescription électronique ou les systèmes d’information pharmacie, est simplement basée sur la présence de médicaments dans le profil pharmacologique. Ces médicament sont comparés à une table d’interactions connue, possiblement stratifiée par sévérité, et les alertes sont générées selon la présence ou absence de médicaments dans les tables.

L’application du théorème de Bayes aux soins de santé montre que la valeur prédictive positive d’un test réalisé sur un individu pour détecter une condition dépend non seulement de la sensibilité et de la spécificité du test, mais également de la prévalence de la condition. Quand la prévalence est faible, même pour une bonne sensibilité et spécificité, le nombre de faux positifs peut outrepasser largement le nombre de vrais positifs. Si on se représente la détection d’interactions comme un test de ce type, la fréquence des cas où cette interaction est réellement significative devient très importante pour évaluer si la détection générera davantage de faux positifs (de fausses alertes) que de vraies interactions évitées. De là découle le problème de la désensibilisation aux alertes, le alert fatigue.

Les auteurs proposent quelques idées pour tenter de diminuer les faux positifs:

  • Dans l’évaluation des détections d’interactions, adopter la perspective de l’utilisateur en calculant la valeur prédictive positive en plus de la sensibilité et de la spécificité.
  • Inclure des caractéristiques du patient dans le moteur d’analyse afin de restreindre la population où l’interaction est détectée à celle où cette interaction est cliniquement significative. Par exemple, les alertes de somnolence accrue en combinant les benzodiazépines et les opiacés sont appropriées en soins ambulatoires, mais pas aux soins intensifs.
Applicabilité du théorème de Bayes aux alertes d’interactions médicamenteuses

Raisonnement clinique en présence d’alertes électroniques

L’objectif de cette étude était d’explorer le raisonnement de cliniciens exposés à des alertes lors de la prescription de médicaments dans des dossiers électroniques avec aide à la décision, en particulier la manière dont le contexte clinique influençait leurs décisions de conduite à tenir.

32 médecins ont été recrutés dans des centres aux Pays-Bas et aux États-Unis. Une simulation a été effectuée avec le logiciel qu’ils utilisaient habituellement dans leur pratique. Durant cette simulation, qui durait environ 40 minutes, ceux-ci devaient prescrire des médicaments pour un patient fictif avec un contexte clinique complet (allergies, autres médicaments, résultats de laboratoire, etc). Les cliniciens devaient répondre aux alertes émises par le logiciel de la même manière qu’ils le feraient en pratique, tout en décrivant à voix haute leur raisonnement. Les simulations étaient filmées et transcrites afin de pouvoir être analysées. Les problèmes simulés étaient des interactions médicamenteuses, lesquelles sont décrites dans l’articles et étaient divisées en alertes de haute sévérité et de faible sévérité.

La réponse des cliniciens a été divisée en catégories:

  • Éviter le problème (“avoid”, par exemple en changeant un médicament pour un autre sans interaction).
  • Reporter la décision (“defer”, par exemple ne pas prescrire le médicament problématique et prévoir consulter un pharmacien).
  • Contrôler le problème (“control, par exemple en ajoutant un suivi clinique ou de laboratoire pour détecter les effets d’une interaction).
  • Tolérer le problème (“allow”, par exemple lorsqu’une interaction était jugée non cliniquement significative).

Les chercheurs ont enfin analysé la réponse des cliniciens de manière qualitative à la lumière de leurs commentaires afin de décrire leur raisonnement.

171 décisions ont été prises par les 32 cliniciens durant les simulations. 75% étaient en réponse à des alertes de haute sévérité et 25% de faible sévérité, et les décisions prises étaient significativement différentes entre les deux catégories de sévérité (p<0,0001).

Dans le contexte des alertes de haute sévérité, la réponse la plus fréquente était de quand même prescrire les deux médicaments et de contrôler à l’aide de tests de laboratoire, de suivis cliniques ou d’une diminution de dose, dans 40% des cas. Dans 37% des cas, les cliniciens ont choisi de reporter la décision, en particulier lorsqu’ils affirmaient ne pas avoir assez d’information pour bien évaluer le risque. Le problème a été évité par une substitution dans 14% des cas et le problème a été toléré tel quel dans 9% des cas.

En contraste, pour les alertes de faible sévérité, le problème a été toléré tel quel dans 71% des cas.

La réponse clinique était similaire dans tous les centres et ne variait pas significativement en fonction des logiciels utilisés. Afin de prendre les décisions, les participants ont utilisé leurs connaissances en pharmacologie ou les monographies des médicaments (55%), les données de laboratoire et les paramètres cliniques des patients (25%), des consultations à des spécialistes ou une discussion avec le prescripteur de l’autre médicament impliqué dans l’interaction (44%). Plus rarement, le traitement désiré a été retardé pour éviter l’usage concomitant des deux médicaments interagissant (14%).

Fait intéressant à souligner, dans 40% des cas où la situation a été tolérée tel quel, les cliniciens ont affirmé ne pas avoir remarqué une alerte non interruptive, si bien qu’il apparaît que cette décision a été prise involontairement.

Les chercheurs concluent que les décisions prises par les cliniciens en réponse à des alertes liées aux interactions médicamenteuses sont hautement dépendantes du contexte et que le design de dossiers électroniques devrait permettre de tenir compte facilement de ce contexte dans le flot de travail prévu.

Même dans les systèmes d’information pharmacie, on constate souvent ce genre de situation où une alerte apparaît, mais il faut quitter l’action qu’on était en train de faire au moment de l’alerte pour aller obtenir davantage d’informations dans d’autres écrans ou d’autres programmes.

Raisonnement clinique en présence d’alertes électroniques

Recommandations pour l’intégration de la pharmacogénomique aux dossiers électroniques

Cet article présente des recommandations pour intégrer de manière systématique l’information pharmacogénomique aux dossiers électroniques, sachant qu’il s’agit là de deux champs en expansion et que les dossiers électroniques devront inévitablement intégrer les informations de génomique dans leurs modules d’aide à la décision.

Il s’agit d’un article plutôt détaillé qui mérite d’être lu au complet, mais je vous présente ici quelques points clés qui en sont tirés.

  • L’information génomique fournie par les laboratoires devrait pouvoir être codée dans des champs dédiés dans les dossiers électroniques, afin que les règles d’aide à la décision puissent se baser sur ces données. Le texte libre ou les champs généraux sont donc à éviter. Il faut prévoir tous les niveaux d’information qui peuvent être transmis (haplotype, diplotype, phénotype, recommandations thérapeutiques).
  • L’information génomique ne doit pas être traitée comme un simple test de laboratoire mais comme une information qui suit le patient à vie, puisque l’information découlant d’un test peut ne devenir utile que plusieurs années plus tard. On se rapproche donc d’un type d’information similaire aux allergies davantage qu’aux tests de laboratoire.
  • L’émission de recommandations cliniques par les modules d’aide à la décision doit être basée sur des règles systématiques établies par les experts de l’institution, et il faut que ce genre de règle puisse être facilement mise à jour en fonction des nouvelles connaissances. Idéalement, le processus se fonderait sur une banque de données mise à jour automatiquement, comme les interactions médicamenteuses.
  • L’affichage des recommandations d’aide à la décision doit survenir au point le plus utile dans le processus de travail (au prescripteur d’un médicament concerné, au pharmacien qui valide l’ordonnance, etc.), et ces recommandations devraient prendre en compte toutes les données disponibles, en plus du simple nom du médicament (par exemple la présence de dosages sanguins, la voie d’administration, la présence d’interactions médicamenteuses, etc.).
  • Les règles d’affichage devraient permettre de réduire les alertes intempestives (le alert fatigue), et suivre toutes les autres pratiques recommandées pour optimiser l’affichage d’alertes.
  • Il existe des groupes experts qui ont émis des recommandations spécifique à l’information génomique, comme le CPIC. Ces recommandations devraient être suivies.

Dans le contexte québécois, où l’informatisation du réseau de la santé se met graduellement en place, je considère important de tenir compte de ces recommandations. On pourrait imaginer que l’information génomique ait une place dans le DSQ afin qu’elle ne soit pas prisonnière du dossier d’une seule institution et qu’elle puisse réellement suivre les patients toute leur vie. Par ailleurs, comme mentionné, étant donné que cette information se rapproche à la fois des allergies et des interactions médicamenteuses, et qu’elle doit être disponible pour les pharmaciens, les systèmes d’information pharmacie devraient pouvoir gérer ces données. Le meilleur modèle reste à définir, mais je crois qu’il ne serait pas bête d’élargir le concept d’allergie ou d’intolérance déjà présent dans ces systèmes pour qu’il soit plus général et permette d’inclure la génomique.

Recommandations pour l’intégration de la pharmacogénomique aux dossiers électroniques

Aide à la décision avancée lors de prescription électronique en néonatologie

14564813 - close up of foot premature baby sleeping inside incubatorCette étude française a évalué un logiciel de prescription électronique avec aide à la décision avancée utilisé en projet pilote dans une unité de soins néonatals de 29 lits (8 lits de soins intensifs) sur une période de 18 mois, de mars 2014 à septembre 2015. Il n’est pas clair dans l’article s’il s’agit d’un logiciel commercial adapté aux besoins de ce type d’unité ou d’un logiciel développé spécialement pour ce groupe. L’aide à la décision incluse dans le logiciel proposait, lors de la saisie d’ordonnances, une recommandation de dose, d’intervalle posologique et de voie d’administration, de même que les modalités de reconstitution et d’administration en fonction d’un formulaire paramétré localement. Le prescripteur n’avait donc qu’à entrer l’âge gestationnel, la date de naissance, le poids du jour, puis à choisir le médicament et son indication pour qu’une recommandation soit faite. Le prescripteur pouvait suivre ou non cette recommandation, et des alarmes contournables étaient affichées lors de la sélection de doses à l’extérieur de l’intervalle de référence. Plusieurs calculs spécifiques à la néonatologie étaient effectués par le logiciel en plus de la présentation des recommandations de prescription, comme par exemple les apports liquidiens, les apports en sodium, etc.

Fait intéressant à souligner, le logiciel comportait un formulaire de base établi à partir de références françaises, américaines et internationales, mais paramétrable localement avec un apport des néonatologistes et pharmaciens de chaque centre.

760 nouveau-nés ont été inclus dans l’étude pilote, avec un âge gestationnel moyen de 35.2 semaines et un poids de naissance moyen de 1336 g.  52 392 prescriptions ont été enregistrées durant l’étude. De celles-ci, seulement 1,05% comportaient une dose quotidienne à l’extérieur des recommandations proposées par le formulaire. Beaucoup de données sont présentées sur l’utilisation des médicaments en dehors des indications approuvées, notamment que 16,2% des prescriptions visaient une utilisation hors indication. Je connais mal le contexte des indications officielles européennes, mais de mon point de vue Nord-Américain je ne suis pas très surpris de cela, quand on connaît la rareté des données pédiatriques et néonatales dans les monographies officielles.

La discussion est intéressante; les auteurs présentent leur point de vue sur la manière dont un tel système d’aide à la décision permettrait de diminuer le risque d’erreurs liées par exemple à la sélection dans des menus ou à des alarmes intempestives. Je trouve cependant dommage que l’étude n’ait pas spécifiquement évalué les erreurs et les modes de défaillance associés. Néanmoins, il ne s’agissait que d’une étude pilote, j’espère donc que de nouvelles données seront publiées par la suite. Je trouve également dommage que les auteurs ne discutent pas davantage d’interopérabilité avec les autres systèmes de leur centre. On sait bien que la prescription électronique peut quand même être la cause d’erreurs graves lorsque les systèmes ne sont pas intégrés et lorsqu’ils demandent une gymnastique manuelle pour, par exemple, transmettre les données du système de prescription vers le système de pharmacie ou vice-versa.

Aide à la décision avancée lors de prescription électronique en néonatologie