Réduction du nombre d’appels pour clarification avec la prescription électronique

La saisie et la validation des ordonnances à la pharmacie d’un établissement de santé requiert régulièrement des appels aux infirmières et aux médecins afin d’obtenir des précisions sur des ordonnances mal écrites, ou dont les instructions sont contradictoires ou ambigues. Dans le contexte de la prescription électronique, les appels pour illisibilité sont (en théorie) éliminés, mais il demeure que les instructions inscrites, même en électronique, peuvent requérir des clarifications. Il peut aussi être nécessaire d’obtenir d’autres informations qui ne sont pas nécessairement incluses dans l’ordonnance comme le poids, la taille ou les allergies d’un patient. Dans le cas où des pharmaciens sont présents sur les unités de soins, les appels peuvent être dirigés vers eux afin de faciliter l’obtention de l’information, mais ce n’est pas toujours possible.

Une étude publiée récemment s’est intéressée à ce problème. Elle avait pour objectif d’évaluer l’impact de l’ajout d’alertes dynamiques lors de la prescription électronique sur le nombre d’appels requis pour clarifier les ordonnances à la pharmacie.

Dans un centre hospitalier et ses cliniques affiliées située au Mississippi, utilisant un dossier électronique commercial, des alertes ont été ajoutées permettant d’aviser le prescripteur au moment même où il rédige l’ordonnance lorsque:

  • Le prescripteur n’était pas indiqué.
  • La pharmacie n’était pas indiquée.
  • Les spécifications pour les ordonnances de médicament contrôlés n’étaient pas rencontrées.
  • Les instructions pour l’administration ou pour les données patient étaient trop longues ou fractionnées.
  • Les instuctions étaient à la fois entrées en champs granulaires et en texte libre.

On voit qu’il s’agit ici d’une validation technique plutôt que clinique, mais j’ose imaginer, même si ce n’est pas clairement indiqué, que les appels pour clarification en pré-intervention étaient souvent réalisés pour ces éléments. 9 mois de données de prescription ont été extraites en pré et en post intervention, puis, en fonction d’un calcul de puissance, 301 ordonnances en pré et 301 en post ont été sélectionnées aléatoirement. Un pharmacien et une infirmière ont révisé ces prescriptions pour déterminer si un appel de clarification aurait été nécessaire. À noter, il ne s’agit donc pas ici d’un dénombrement des appels réellement effectués. Un calcul de coûts en fonction du salaire des intervenants impliqués à aussi été effectué.

En pré intervention, 61 ordonnances sur 301 (20,3%) auraient généré un appel contre 39 sur 301 (13,0%) en post, une différence significative.  Cette réduction du nombre d’appels était associée à des coûts en temps épargné de 76$ par tranche de 100 ordonnances.

L’article a évidemment plusieurs limites. Personnellement, les éléments de validation technique ajoutés me semblent être surtout liés à une mauvaise fonctionnalité du système de prescription électronique. Dans les systèmes que j’ai vus en pratique, les problèmes de sauts de ligne et de longueur de champs ne sont pas fréquents. Cependant, dépendamment des systèmes, l’absence de nom de prescripteur et les instructions en texte libre qui sont ambigues ou qui discordent avec les champs granulaires sont assez fréquents.

En ce sens, je trouve qu’il s’agit d’un bon article sur une problématique pour laquelle les données manquent. La plupart de la littérature citée par les auteurs provient des pharmacies communautaires, et les différences en validation d’ordonnances par rapport à la pratique en établissement me font douter de la généralisation de ces données.

Il y a donc ici une opportunité pour mieux quantifier ce problème en établissement de santé, et en particulier dans un contexte de prescription à la main ou avec divers systèmes et modèles de pratique.

Réduction du nombre d’appels pour clarification avec la prescription électronique

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

Surveillance des antimicrobiens à l’aide d’une stratégie électronique

Cet article décrit une stratégie de surveillance des antimicrobiens mise en place dans un hôpital de réadaptation français de 255 lits de courte durée et 108 lits de réadaptation ciblé sur les blessures à la moëlle épinière. Une équipe composée d’un pharmacien, d’un microbiologiste et d’un médecin spécialiste en maladies infectieuses a été mise en place pour surveiller la prescription d’antimicrobiens en ciblant certaines classes.

La stratégie de surveillance consistait en l’identification d’antimicrobiens de certaines classes prescrits pour plus d’une journée (par exemple piperacilline-tazobactam, carbapénèmes). Le prescripteur devait détailler l’indication dans le système de prescription électronique, puis effectuer un suivi au jour 3 de la prescription. Une requête d’extraction des données vers un chiffrier Excel a été mise en place, et permettait à l’équipe de surveillance d’effectuer un suivi des prescriptions. D’abord, un pharmacien vérifiait les doses prescrites et la présence d’interactions médicamenteuses, puis alertait le prescripteur selon la conformité de la prescription aux lignes directrices du centre. Ensuite, le microbiologiste validait la prescription en fonction des résultats de culture et de susceptibilité. Les prescriptions étaient classées en appropriées ou inappropriées pour une de trois raisons: l’absence de culture requise, la non susceptibilité à l’antibiotique prescrit, ou un spectre trop large. Les prescriptions jugées inappropriées et non cessées malgré l’alerte étaient transmises par courriel à l’infectiologue, qui effectuait une intervention directement auprès du prescripteur pour évaluer si la prescription était adéquate ou pour recommander une modification. Pour l’étude rapportée, les données de janvier 2012 à décembre 2014 ont été collectées.

2216 prescriptions ont été revues. Le microbiologiste a évalué 1224 (58.1%) prescriptions comme inappropriées, et de celles-ci 835 (68.2%) ont été modifiées sans intervention. 389 (31.8%) prescriptions ont mené à une alerte, pour lesquelles 293 interventions ont effectivement eu lieu. Dans 157 (53,6%) interventions, le traitement a été jugé adéquat en fin de compte, et dans 136 (46,4%), le traitement a été jugé inapproprié, puis modifié dans 132 de ces cas.

Le système décrit est relativement “low-tech”, consistant en une simple extraction de données puis un suivi partagé à l’aide d’un chiffrier Excel. Ça a l’avantage d’offrir un suivi des antimicrobiens plus fin qu’à l’aide d’alertes complètement automatisées, mais il n’est pas clair si l’investissement de temps requis de la part de chacun des membres de l’équipe pour ce suivi manuel est vraiment rentable. Par ailleurs, dans le cadre de cette étude l’antibioprophylaxie chirurgicale et médicale était exclue, probablement en raison du volume, mais dans mon expérience beaucoup d’interventions de ce type sont nécessaires avec les prescriptions de prophylaxie.

Surveillance des antimicrobiens à l’aide d’une stratégie électronique

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

Caractéristiques de logiciels supportant la surveillance des antimicrobiens

Cet article a été écrit par des pharmaciens et microbiologistes anglais et rapporte les résultats d’un sondage sur les caractéristiques des logiciels offrant des fonctionnalités de surveillance des antimicrobiens. Les objectifs spécifique étaient de dresser un portrait des caractéristiques idéales de ce type de logiciels, de les prioriser et d’en déterminer l’importance relative pour les professionnels impliqués, soit les pharmaciens spécialisés en maladies infectieuses et les médecins microbiologistes.

D’abord, deux focus groups ont été menés avec six pharmaciens, deux microbiologistes et un analyste pour établir un questionnaire en ligne de 42 questions, portant sur les alertes, la surveillance des ordonnances actives et la surveillance des tendances de prescription. Le questionnaire a été piloté en octobre 2014, puis diffusé durant 7 mois de janvier à juillet 2015 aux professionnels impliqués dans les activités de surveillance des antimicrobiens en Angleterre, à travers des associations professionnelles.

164 réponses ont été reçues, et 22 ont été exclues en raison de réponses incomplètes. Des 142 réponses restantes, 48% provenaient de pharmaciens 52% des réponses provenaient d’hôpitaux généraux et 45% d’hôpitaux d’enseignement. 49% des répondants avaient de l’expérience avec la prescription électronique ou des dossiers électroniques.

Parmi les caractéristiques liées aux alertes durant la prescription, la majorité des répondants considéraient toutes les caractéristiques proposées comme essentielles ou de haute priorité, les plus importantes étant la détection d’allergies et la documentation des indications des antimicrobiens. Les fonctions décrites étaient:

  • La détection d’allergie
  • La documentation des indications
  • La détection d’interactions
  • Les alertes contournables
  • L’affichage des niveaux sanguins
  • La validation de doses pour adultes et enfants
  • L’usage restreint
  • Les protocoles pour des indications précises ou des niveaux sanguin

Les pharmaciens ont assigné une priorité plus haute à la détection d’allergies, à l’indication et aux protocoles, probablement parce que ces fonctions sont utiles dans un contexte de validation d’ordonnances. Les médecins, eux, priorisaient davantage la détection d’interactions et la vérification des doses.

Parmi les caractéristiques liées à la surveillance des ordonnances actives, de manière similaire, toutes les caractéristiques décrites ont été jugées essentielles ou de haute priorité, c’est-à-dire:

  • La surveillance d’antimicrobiens critiques
  • Les discordances indication – choix d’antimicrobien
  • Les longues durées de traitement
  • Les doses non administrées
  • Les aminoglycosides à haute dose
  • Les nouvelles prescriptions pour sepsis
  • Le suivi par diagnostic

En ce qui a trait aux rapports liées aux tendances de prescription, on note un niveau d’importance moindre.

Pour ces deux dernières catégories, c’est-à-dire celles liées à la surveillance comme tel, il en ressort que les caractéristiques désirées sont variables selon les professionnels. Il semble que la meilleure fonctionnalité à offrir dans un logiciel servant à la surveillance des antimicrobiens serait tout simplement de permettre de générer des rapports personnalisables par utilisateur en fonction de tous les paramètres possibles.

Caractéristiques de logiciels supportant la surveillance des antimicrobiens

Analyse des allergies documentées électroniquement

Cette courte lettre à l’éditeur décrit une analyse sommaire de la documentation des allergies dans les dossiers électroniques d’un hôpital universitaire espagnol. À noter, la documentation des allergies dans ce système était effectuée en texte libre. Un échantillon aléatoire de 530 dossiers médicaux a été sélectionné pour l’analyse afin d’obtenir des mesures précises à ±3% avec un intervalle de confiance de 95%.

La prévalence d’alertes d’allergies était de 8,3%, dont 88,4% concernaient réellement une allergie, et le reste d’autres informations. 83,3% des alertes d’allergies concernaient des médicaments, dont 30,7% des AINS et 26,1% des bêta-lactames. 35,1% des patients avec allergie documentée ont été référés à un allergologue, et 82,6% de ceux-ci ont eu des tests, qui se sont révélés positifs dan 60% des cas.

Faits intéressants à noter, les allergies ont été retirées du dossier dans 93% des cas où cette allergie a été testée négative. Pourtant, ces mêmes allergies ont été créées de nouveau dans 6,5% des cas, parce que le patient continuait de déclarer l’allergie.

Les auteurs déclarent par ailleurs vouloir introduire un système d’alerte n’étant pas en texte libre, afin de pouvoir intégrer cette information à l’aide à la décision.

Cette publication va dans le même sens que trois autres articles dont j’ai déjà parlé (1, 2, et 3). En particulier, le premier article propose une meilleure façon de définir et de coder les allergies dans les dossiers en élargissant la définition de ce champ, pour lier toutes les particularités liées à un médicament pour un patient en particulier, tout en documentant clairement la nature de la particularité. Ceci inclut les allergies, mais aussi les préférences, les intolérances, la pharmacogénomique, etc. L’avantage de cette approche est de limiter les situations où une fausse allergie est codée pour éviter de donner un médicament à un patient alors que la raison réelle n’est pas une allergie. Il est aussi important que ces tables prévoient des champs de longueur suffisante pour documenter les justifications des informations codées; trop souvent on se contente d’énumérer des médicaments auxquels le patient est “allergique” sans préciser des détails.

En ce qui a trait aux allergies qui sont réajoutées au dossier même après avoir été retirées, un autre article proposait d’ajouter une alerte électronique permettant de signaler une telle situation, on pourrait même forcer l’ajout d’une justification pour réactiver cette allergie.

Je crois que tous ces articles démontrent bien que l’approche actuelle face aux allergies dans les dossiers électroniques n’est pas la bonne et que tout ce système doit être repensé.

Analyse des allergies documentées électroniquement

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