Évaluation du système québécois de transmission des ordonnances électroniques en milieu communautaire

Cet article est paru en août 2019 et décrit une étude qui a eu lieu de juillet 2017 à juin 2018 pour évaluer le système centralisé de transmission des ordonnances électroniques de médicament en milieu communautaire du Québec. Spécifiquement, on parle de la transmission d’une ordonnance à partir d’un dossier médical électronique (DMÉ) d’une clinique médicale ou GMF vers ce répertoire centralisé, puis sa récupération dans un système de pharmacie communautaire en vue d’une délivrance au patient.

Le système québécois est différent d’autres systèmes de par le fait qu’il repose sur une banque de données centralisée vers laquelle les ordonnances sont envoyées par les DMÉ, puis de laquelle elles sont récupérées par les pharmacies communautaires. Ceci diffère de modèles point-à-point où les ordonnances sont envoyées d’un DMÉ directement vers une pharmacie communautaire. Pour la présente étude, les données d’utilisation du système durant la période d’étude ont été extraites. Une pharmacie communautaire a été visitée pour compiler les données sur les ordonnances exécutées durant une semaine, et des entrevues ont été menées avec des utilisateurs de 2 DMÉ et 5 logiciels de pharmacie.

Durant la période d’un an, 13% des ordonnances dispensées ont été rédigées électroniquement. Cependant, peu de cliniciens ont rédigé des ordonnances électroniques, soit entre 2400 et 3900 par mois sur un potentiel de plus de 10 000. En pharmacie, l’échantillon a démontré que 55% des ordonnances ont été rédigées à partir d’un DMÉ mais seulement 35% ont été transmises électroniquement. Seulement 2% des ordonnances ont été reçues électroniquement. En considérant uniquement les ordonnances envoyées électroniquement, seulement 16% des ordonnances électroniques ont été récupérées.

Les problèmes identifiés qui contribuaient à cet état de situation sont détaillées dans l’article, je vous présente ici un résumé mais je vous invite à lire le texte complet pour tous les détails:

Du côté des DMÉ:

  • La conception des ordonnances basées sur le DIN. Le DIN décrit un produit commercial d’un manufacturier précis, hors la plupart du temps le prescripteur veut prescrire une molécule et non un produit commercial précis. J’ai déjà parlé de ce sujet sur ce blogue. Les auteurs soulignent aussi que la banque de données des DIN était mal maintenue, comportant par exemple des produits discontinués.
  • L’absence d’aide à la décision lors de la prescription.
  • L’absence de fonctionnalités connexes à la prescription comme la possibilité de recevoir électroniquement des demandes de renouvellements de la part de pharmacies et d’y répondre directement à partir du DMÉ.
  • La notion qu’une copie papier de l’ordonnance devait être remise au patient, forçant ainsi l’impression d’une copie papier permettant ainsi au prescripteur de modifier la copie papier de sans ajuster la version électronique pour y correspondre.

Et du côté des pharmacies:

  • L’absence de notification de la disponibilité d’une ordonnance électronique.
  • Un mauvais design des logiciels forçant l’exécution d’une ordonnance électronique lors de sa consultation ou empêchant l’importation de plusieurs ordonnances.
  • La fonctionnalité d’auto-complétion des champs du logiciel de pharmacie à partir de l’ordonnance électronique était déficiente et générait des erreurs.
  • L’impossibilité de consulter la version « originale » de l’ordonnance électronique une fois exécutée, afin de vérifier que ce qui a été entré au dossier pharmacologique était adéquat en fonction de l’ordonnance reçue.

L’article est très détaillé et illustre bien les conséquences d’une inadéquation entre les besoins cliniques (et même les obligations légales, par exemple de pouvoir retrouver l’original d’une ordonnance) et les fonctions offertes par les systèmes informatiques.

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.