Lignes directrices de l’ASHP sur la prévention des erreurs médicamenteuses

L’ASHP a publié dans le numéro d’octobre de l’AJHP de nouvelles lignes directrices sur la prévention des erreurs médicamenteuses dans les hôpitaux. Je trouve cet article très important car il amalgame en un seul document beaucoup de pratiques décrites dans de multiples références de sources diverses. Je vous parlerai ici uniquement des aspects qui touchent la technologie mais le reste de l’article comporte des points majeurs dont je ne parlerai pas par souci de temps. Points bonus: l’article débute en citant le rapport To Err is Human: Building a Safer Health System de 1999.

L’article débute en énumérant des stratégies de prévention en vrac. Parmi celles comportant des aspects de technologie on note:

  • L’utilisation de pompes intelligentes
  • La prescription électronique avec aide à la décision
  • L’utilisation du code-barres lors de la préparation, la dispensation et l’administration de médicaments

Ces trois points sont bien simples à nommer ainsi mais chacun comporte son lot de difficultés et de complications, en particulier pour la prescription électronique, et fait l’objet de nombreuses publications et directives d’organismes comme l’ISMP.

Les auteurs mentionnent spécifiquement des stratégies pour réduire les erreurs liés aux médicaments aux noms similaires (Look-alike, sound-alike – LASA):

    L’article détaille ensuite les mesures à prendre à chaque étape du circuit du médicament pour prévenir les erreurs.

    Étapes de sélection et d’approvisionnement

    Un élément majeur à cette étape du circuit du médicament est l’intégration des médicaments choisis et achetés à la technologie en place dans l’établissement. Les choix de formes pharmaceutiques et de concentrations disponibles devraient prendre en considération les possibilités des logiciels qui permettront de gérer, prescrire et administrer ces médicaments.

    Les éléments à considérer incluent

    • Les choix de voie d’administration possibles
    • La nomenclature du médicament et la nécessité de distinction avec d’autres, par exemple avec une écriture TALLman
    • Les interactions médicamenteuses significatives à programmer et tester
    • Les autres alertes pertinentes du médicament (tests de laboratoire, restrictions de prescription, etc.)
    • L’intégration des recommandations de dose à tous les systèmes ainsi qu’aux pompes intelligentes
    • Le besoin d’une ordonnance pré-rédigée
    • La disponibilité dans les cabinets et les alertes spécifiques à la dispensation à partir de cabinets

    On souligne aussi l’importance de la nomenclature du médicament. Celle-ci devrait être standardisée à travers l’ensemble du circuit du médicament, notamment dans le dossiers électronique, le systèmes de pharmacie, les pompes, les cabinets, et prendre en compte dans chaque système la possibilité de confusion avec d’autres médicaments. Le nom générique devrait être favorisé (je commenterais que parfois le nom commercial est nécessaire car le nom générique est incompréhensible pour les professionnels non pharmaciens, par exemple pour des produits qui ne comportent pas de « vrais médicaments » comme les onguents opthalmiques, les gels pour lésions cutanées, les pansements, les produits hydratants en général…). On souligne aussi l’importance de ne pas abrévier le nom d’un médicament, mais ici la technologie est parfois une limite, combien de produits ont une limite de caractères tellement basse que le nom générique du médicament n’entre même pas ?

    Une section de l’article détaille spécifiquement les recommandations pour la dispensation à partir de cabinets, notamment la configuration de la dispensation à partir du profil pharmacologique ou hors profil.

    Étapes de transcription et vérification

    L’article met une emphase sur la vérification des ordonnances de médicaments par un pharmacien, et insiste sur l’importance de ne pas « échapper » les ordonnances rédigées lorsque la pharmacie est fermée. Il faut aussi qu’il y ait une procédure en place pour que les ordonnances rédigées lorsque la pharmacie est fermée puissent être revues si besoin, par exemple avec un pharmacien de garde, un service de télépharmacie, et avec une formation adéquate du personnel sur place durant la nuit pour identifier les situations non conformes ou demandant davantage de vérifications

    Étapes de dispensation et d’administration

    La validation des médicaments peut être assistée par de la technologie, notamment par les code-barres. En particulier, les médicaments qui sont reconditionnées doivent aussi comporter un code-barres. Une procédure doit donc être mise en place pour la génération de ce code-barres et pour encadrer son utilisation.

    Lorsque les cabines sont utilisés, les fonctions de sécurité offertes par le cabinet doivent être connues et revues pour que les meilleures politiques soient mises en place et diminuer le besoin de contournements dans la pratique clinique. De plus, des audits d’utilisation doivent avoir lieu pour identifier les situations problématiques.

    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.

    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.

    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.

    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.

    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.

    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.