Appliquer l’intelligence artificielle à la pharmacie d’établissement de santé

Vous avez pu constater dans un épisode du podcast Trait Pharmacien de l’APES que je m’intéresse aux applications de l’intelligence artificielle (IA) à la pharmacie d’établissement de santé et que je participe à des projets de recherche sur ce sujet. Malheureusement, malgré l’explosion de publications sur l’IA en soins de santé et en médecine, assez peu de publications examinent spécifiquement les applications en pharmacie ou mentionnent les impacts pour les pharmaciens. J’ai été très heureux de voir dans le numéro de mai de l’AJHP un article parlant de ce sujet. Je crois donc que le moment est opportun pour présenter ici une revue informelle des publications que je trouve pertinentes pour les pharmaciens.

D’abord: garder la tête froide

Avant toute chose, je crois qu’il est important de parler de l’effervescence qui entoure l’IA, et en particulier dans le milieu de la santé. Je crois qu’en tant que professionnels de la santé visant une pratique fondée sur les données probantes, il faut garder une approche scientifique et factuelle, et surtout ne pas se laisser influencer par l’effervescence, le hype qui tourne autour de la science de l’IA. Dans le contexte où l’apprentissage automatique (machine learning) (ML) et l’IA sont des sujets assez complexes, que c’est un domaine de recherche qui fait beaucoup parler à la fois dans la communauté scientifique et chez le grand public, et que beaucoup d’argent coule vers des initiatives en IA, il peut être facile de gonfler des promesses de résultats ou de tomber dans le mauvais réflexe qu’utiliser l’IA est nécessairement une bonne chose. Je vois souvent des logiciels ou des produits qui se vantent « d’utiliser l’IA » sans décrire clairement de quelle manière et sans présenter des données probantes sur l’apport de cette technologie au produit par rapport à d’autres approches. Je crois que ce genre d’affirmation devrait être évaluée avec scepticisme.

Un article de perspective du NEJM en 2017 devrait être lu par ceux qui s’intéressent à ce sujet. Je crois que le point crucial à retenir de cet article est cette phrase, dont le sens est très clair:

[…] even a perfectly calibrated prediction model may not translate into better clinical care.

L’approche générale à l’IA en soins de santé

Un bon premier article à lire pour développer ses connaissances est paru en 2019 dans le NEJM. Celui-ci présente des principes très généraux, sans aller dans les détails, et donne des exemples d’applications potentielles.

Je ne discuterai pas ici d’applications générales aux soins de santé, ni d’applications propres à des spécialités médicales, en particulier l’imagerie, puisque de nombreux articles de revue s’y consacrent, mais sachez que ces exemples sont nombreux.

L’IA appliquée à la pharmacie: analyse et prédiction d’ordonnances

En ce qui a trait aux publications applicables à la pharmacie, très peu de littérature présente des données concrètes et pas seulement des idées. La plupart des données publiées visent l’analyse et la prédiction d’ordonnances.

Un groupe se concentre sur le lien entre un médicament et sa posologie. Leur publication de 2014 ciblait un nombre limité de médicaments, cependant un article plus récent de leur part démontre une généralisation de leur technique. Ils utilisent les données de fréquence de chaque posologie (dose, voie et fréquence) prescrite pour un médicament afin de déterminer si une ordonnance est habituelle ou non. Ça me semble très intéressant, un logiciel développé à partir de cette approche pourrait donner à un pharmacien une rétroaction sur la posologie prescrite pour un médicament. Cette approche n’offre cependant pas de rétroaction sur le médicament lui-même en fonction du contexte du patient.

À propos de ce dernier point, les publications sur l’analyse du médicament par rapport à son contexte remontent jusqu’à 2008, où un projet de maîtrise au MIT cherchait à prédire la séquence d’ordonnances dans le contexte d’un patient afin d’offrir des suggestions lors de la prescription électronique. Cette publication est impressionnante. Sans réseaux de neurones et sans apprentissage profond, avec de l’analyse de motif séquentiel, ils ont réussi à prédire le prochain médicament (au niveau du nom générique seulement, cependant) avec 70,2% de succès en 20 essais.

Encore dans l’analyse de motif séquentiel, une autre étude a réussi à prédire le prochain médicament prescrit pour le diabète, donc parmi un nombre limité de possibilités avec environ 64% de succès en 3 essais.

Un groupe a utilisé une technique de traitement du langage, le Latent Dirichlet Allocation, permettant de modéliser des sujets de textes, pour analyser des séquences d’ordonnances. Ils ne se sont pas intéressés seulement aux médicaments mais ont analysé toutes les ordonnances. Ils ont démontré que cette technique permet de mieux prédire les ordonnances des 24 heures suivant l’admission, avec une aire sous la courbe ROC de 0.90, que simplement la déduction à partir des ordonnances pré-rédigées utilisées à l’admission, avec une aire sous la courbe ROC de 0.81.

Le même groupe a publié un article démontrant certaines limites aux données collectées dans le cadre de la pratique clinique: puisque celles-ci évoluent, on ne peut pas remontrer trop loin dans le passé, sinon le modèle tente d’apprendre à partir de pratiques qui ne sont plus idéales, et ceci fait baisser la qualité des prédictions. Ceci limite le volume de données disponibles lorsqu’on extrait des données de systèmes cliniques à des fins de ML.

Enfin, une autre publication a évalué un logiciel commercial offrant de l’aide à la décision appuyée sur du ML. J’ai déjà parlé de cet article dans un billet en 2017.

Vient maintenant le moment de parler d’un projet sur lequel je travaille directement visant également la prédiction d’ordonnances, mais cette fois au niveau du produit précis, et non simplement au niveau du générique, avec une approche qui combine l’analyse du langage par réseau de neurones (la technique word2vec) avec l’apprentissage profond. J’ai présenté nos premiers résultats à la conférence Machine Learning for Healthcare qui avait lieu à Ann Arbor en août 2019. Nous soumettrons un premier manuscrit pour publication sous peu.

Enfin, comme mentionné dans le podcast Trait Pharmacien, l’identification de comprimés (et j’imagine que ce serait applicable à bien des formes pharmaceutiques) en utilisant un réseau de neurones à convolutions démontre une efficacité prometteuse, bien que je n’ai pas connaissance de données publiées sur une application pratique de cette technologie en pharmacie.

L’IA dans les sujets connexes à la pratique de la pharmacie

Il existe également plusieurs publications sur les applications de l’IA dans des domaines qui touchent les pharmaciens sans nécessairement entrer dans l’analyse d’ordonnances comme tel. Mentionnons en particulier, sans que ce soit exhaustif, la pharmacovigilance et la surveillance de patients ou de médicaments précis (en particulier les antimicrobiens).

Pour ceux qui veulent pousser davantage: comment apprendre à créer un modèle d’apprentissage automatique ?

Pour bien comprendre les implications de l’IA et du ML, je crois qu’il est grandement préférable d’en faire soi-même, même si ce n’est qu’un petit projet. Heureusement, il est tout à fait possible d’apprendre les bases avec des livres et des cours en ligne gratuits ou peu coûteux. Le plus gros investissement à prévoir est du temps. Il faut évidemment avoir un intérêt pour les mathématiques (en particulier l’algèbre linéaire), les statistiques, et la programmation. Les techniques simples de ML peuvent être exécutées sur à peu près n’importe quel ordinateur moderne. Seule exception, pour se lancer dans les réseaux de neurones et l’apprentissage profond, il faut une machine avec une bonne quantité de mémoire vive et une carte graphique Nvidia récente.

Globalement, pour arriver à réaliser un projet d’intelligence artificielle, il faut:

Il existe un nombre impressionnant de tutoriels, de cours et de livres sur le sujet, la sélection que je vous présente est uniquement le cheminement que j’ai suivi moi-même pour y arriver. Toutes ces étapes ne sont définitivement pas obligatoires et même se recoupent un peu, l’objectif ici est simplement de partager un maximum de ressources pour ceux qui seraient intéressés à tenter l’expérience eux-mêmes.

Effet d’une alerte sur l’utilisation de médicaments inappropriés en gériatrie

En 2016, je vous parlais de l’initiative de cliniques médicales de la région d’Edmonton qui avaient inclus dans leur logiciel de prescription électronique, des alertes relatives aux critères de Beers pour les patients âgés. Je mentionnais que je trouvais que les alertes étaient bien faites et qu’elles incluaient des recommandations de conduite clinique, ce qui fait généralement défaut.

Le même groupe nous revient avec une nouvelle étude observationnelle rétrospective sur ces alertes, publiée en mai de cette année et disponible gratuitement en texte complet sur PubMed Central. L’objectif de l’étude était de déterminer la fréquence d’interaction des cliniciens avec les alertes liées aux critères de Beers, ainsi que de déterminer la fréquence de déprescription de médicaments potentiellement inappropriés associée à ces alertes.

L’étude a eu lieu dans deux cliniques médicales situées en Alberta, la première spécialisée en gériatrie et la seconde offrant des soins de première ligne. 18 médecins ont participé à l’étude. Toutes les alertes générées durant les visites de patients de 65 ans ou plus dans ces deux cliniques, et par l’un des médecins participant à l’étude, entre le 1er juillet 2015 et le 31 décembre 2017, ont été incluses.

Les mesures de performance des alertes étaient calculées comme le nombre d’interactions de cliniciens avec l’alerte (le nombre de cas où l’alerte n’est pas ignorée) par rapport au nombre d’affichages de l’alerte, et l’inverse de cette mesure était aussi rapportée comme le « number needed to remind » (NNR), soit le nombre d’affichages de l’alerte avant qu’une réponse d’un clinicien n’ait lieu. Cette mesure été décrite en 2014. De la même manière, les auteurs rapportes la performance de l’alerte par rapport au nombre de cessations du médicament en cause et son inverse, le « number needed to deprescribe » (NND).

3221 patients âgés en moyenne de 78 ans ont eu 20 947 visites incluses dans l’étude. 8222 alertes ont été générées. dans 7429 visites. La performance de l’alerte était de 17,3% pour l’interaction d’un clinicien, soit un NNR de 5,8. Cependant, cette mesure était de 7,4 dans la clinique de première ligne et 2,7 dans la clinique de gériatrie, indiquant une plus grande efficacité de l’alerte en gériatrie, une différence statistiquement significative. Les auteurs spéculent sur les raisons de cette différence dans la discussion. La performance pour la déprescription était de 1,2% avec un NND de 82, sans différence statistiquement significative entre les deux cliniques.

Selon moi, la contribution principale de cet article est de démontrer que même si des alertes sont bien conçues, et incluent des recommandations de conduite clinique, cela ne signifie pas qu’elles auront un grand impact clinique. De plus, il est bien connu que l’efficacité d’une alerte ne peut pas être évaluée seule, il faut prendre en compte l’ensemble des alertes affichées au clinicien dans le contexte de surabondance d’alertes menant à une désensibilisation (alert fatigue) même aux alertes importantes. Pour cette raison, je crois que cet article renforce la nécessité d’un monitorage actif des alertes générées par un système d’aide à la décision par une équipe de cliniciens, comme je le mentionnais en mai 2017. Il ne faut pas non plus négliger les principes de conception d’alertes pour en maximiser l’efficacité.

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.