Implantation d’un système de vérification des médicaments par code-barres

La sécurisation du circuit du médicament à l’aide de code-barres est un sujet complexe. Le code-barres peut être utilisé pour confirmer l’identité des produits utilisés dans des préparations stériles (souvent combiné à d’autres technologies) ou non-stériles, la préparation de kits de médicaments (de plus en plus combiné au RFID), lors de la validation contenant-contenu de produits commerciaux à la pharmacie, à des fins de traçabilité des médicaments et lors de l’administration au patient. Les études qui décrivent l’utilisation de cette technologie le font dans le cadre d’un système pouvant combiner plusieurs autres technologies, ainsi il devient souvent difficile de comparer les études entre elles.

Une nouvelle étude sur le sujet a été publié en août 2019 et est disponible en texte complet gratuitement sur PubMed Central. L’étude a été réalisée à Paris dans un hôpital universitaire de 714 lits disposant d’un dossier électronique et de prescription électronique. Le système de distribution en place dans ce centre implique des premières doses distribuées principalement à l’aide de cabinets décentralisés et un système mélangé de distribution unitaire quotidienne sur 4 unités et de distribution non unitaire sur 4 autres unités; l’étude a été menée sur les unités avec distribution unitaire. Le texte est un peu difficile à suivre car les auteurs parlent de « barcode-assisted medication administration (BCMA) », qui est généralement un terme désignant l’utilisation de code-barres au chevet du patient au moment de l’administration d’un médicament pour confirmer l’identité du médicament et du patient en relation avec la FADM. Cependant, dans cette étude on comprend qu’il s’agissait plutôt d’une vérification contenant-contenu au moment de la dispensation des services quotidiens à la pharmacie.

Durant trois jours, une unité de soins en service quotidien différente à chaque jour était randomisée à la vérification par code-barres et une autre servait de contrôle, donnant 3 jours d’observation de dispensation vérifiée par code-barres et 3 jours de dispensation avec vérification sans code-barres. Les techniciens utilisant le système ont reçu une formation d’une semaine avant l’étude. Les techniciens ayant préparé les médicaments n’ont pas été observés directement; les investigateurs ont plutôt effectué des vérifications a posteriori des doses préparées, comme c’est le cas habituellement lors d’une vérification manuelle.

Le taux d’erreurs était 7,9% (nombres d’erreurs / nombre d’opportunités d’erreur) dans les deux groupes, le kappa entre les observateurs était de 0,88. Ce taux me semble élevé, dans ma pratique les erreurs de préparations des services quotidiens de médicaments sont rares, bien plus rares que 8%. Dans le groupe avec code-barres, le taux d’erreurs d’omission était plus élevé alors que le taux d’erreur de patient et de médicaments non prescrits était plus faible. Les auteurs listent un grand nombre d’enjeux techniques et humains ayant mené à des problèmes durant le projet, essentiellement le système utilisé était mal adapté au contexte d’un hôpital de soins aigus et l’interface permettant de transformer les données du système de prescription électronique en listes de médicaments à préparer (pas de profil pharmacologique ?) était dysfonctionnelle. Les produits eux-mêmes ne comportaient parfois aucun code-barres ou une code-barres inutilisable. Des enjeux de formation ont aussi été relevés. Donc, on peut conclure que les résultats de cette étude ne veulent pas dire grand-chose.

Pourquoi est-ce que je parle de cette étude dans ce cas ? Je trouve que la liste de problèmes décrite démontre bien comment des enjeux techniques et humains peuvent faire échouer un projet. Ici, un système, de l’aveu même des auteurs, mal adapté à l’utilisation qu’on souhaitait en faire et mal interfacé avec le reste du dossier électronique en place, a démontré de nombreux problèmes, en plus d’enjeux reliés à la formation et à l’utilisation du système. Ce que cette étude démontre selon moi, c’est que le succès ou l’échec d’une technologie est bien plus dépendant de la façon dont elle est mise en place que du simple fait qu’elle soit utilisée. Ceci repose sur un cadre technique adéquat et une gestion du changement planifiée avec rigueur.

Étude sur l’analyse d’ordonnances par machine learning pour cibler les interventions du pharmacien

Une première publication résolument orientée vers l’application de machine learning au travail du pharmacien en contexte hospitalier a été publiée par un groupe d’auteurs français en septembre dans le JAMIA. L’article commence avec une référence à To Err is Human, peut-être lisent-ils ce blogue… Un logiciel commercial combinant le machine learning à une aide à la décision classique basée sur des règles a été utilisé. L’objectif de l’étude était de décrire la performance de ce système en comparaison à celle d’un pharmacien.

L’étude a été réalisée dans un hôpital parisien de 592 lits. Dans cet hôpital, les pharmaciens ne révisent pas les ordonnances systématiquement pour tous les patients, mais plutôt uniquement pour certains départements, ce qui concorde avec la pratique française en général. Il est donc supposé que l’utilisation d’un logiciel permettant d’identifier les patients pour lesquels une intervention pharmaceutique est requise à l’aide d’un modèle de machine learning permettrait d’optimiser le travail du pharmacien en lui évitant de réviser des profils ne comportant pas de problèmes. Ceci rejoint les hypothèses qui sous-tendent les travaux que je coordonne moi-même dans ma pratique.

Le modèle de machine learning utilisé était un classificateur binaire prédisant l’intervention d’un pharmacien. Les données fournies en entrée au modèle étaient les données de laboratoires, les données démographiques, certaines données de l’histoire médicale et les paramètres physiologiques. En ce qui a trait aux données du profil pharmacologique, il est à noter que les ordonnances ou le profil pharmacologique eux-mêmes ne semblent pas avoir été utilisés. Plutôt, le résultat de l’analyse du profil par un logiciel d’aide à la décision basé sur des règles semble avoir été privilégié, en fournissant au modèle le statut de déclenchement de chaque alerte possible après l’analyse du profil. Les données exactes choisies de même que leur traitement sont relativement peu décrits, on imagine que ceci découle du fait que l’étude concerne un logiciel commercial. L’apprentissage a été fait de manière supervisée en utilisant la présence d’intervention du pharmacien (réduite à une variable binaire) comme sortie du modèle. Le modèle lui-même était une variante de boosting d’arbres de décision, donc un modèle relativement simple et transparent. Il est dommage que l’étude n’ait pas comparé d’approches plus simples (régression logistique) ni plus complexes (réseaux de neurones) pour voir si le choix de technique était le meilleur. Il n’y a pas eu non plus d’évaluation d’importance des données utilisées par le modèle qui aurait pu fournir des explications sur les prédictions. Au niveau temporel, le modèle semblait générer une prédiction à chaque fois qu’une nouvelle ordonnance était analysée, mais il ne semble pas que cette analyse se concentrait sur cette ordonnance précisément; le modèle n’indiquait donc pas au pharmacien exactement sur quoi devrait porter son intervention.

Le modèle a été entraîné à l’aide de 18 mois de données extraites des dossiers électroniques du centre, soit de janvier 2017 à août 2018. Le processus d’entraînement et de test est peu décrit. L’étude concerne une validation du modèle entraîné qui a été faite en comparaison avec l’opinion d’un seul pharmacien sur une période de 2 semaines. Seuls les problèmes identifiés par le pharmacien mais pas par le modèle ont été évalués par plus d’un clinicien. Des ordonnances ont été sélectionnées aléatoirement durant ces deux semaines et les interventions faites par le pharmacien ont été notées, puis comparées aux prédictions du modèle. Les résultats rapportés incluent l’aire sous la courbe ROC, ce qui n’est pas adéquat selon moi puisque la prévalence d’interventions était très faible à 3,6%, je me concentrerai donc uniquement sur l’aire sous la courbe précision-rappel (AUPR) et le score F1, des mesures plus représentatives en présence de débalancement de classes. Deux comparateurs non-machine learning ont été utilisés, ce qui est très bien, soit les alertes générés par le système d’aide à la décision basé sur les règles et un score basé sur des facteurs de risque du patient (âge, fonction rénale, potassium et INR).

3364 ordonnances pour 412 patients ont été évalués par le pharmacien. 211 interventions ont été recommandées par le pharmacien pour 174 patients. L’AUPR du modèle était de 0,75 et le score F1 de 0,74 en comparaison avec respectivement 0,56 et 0,61 pour les alertes d’aide à la décision et 0,56 et 0,64 pour le score basé sur les facteurs de risque, ce qui démontre une bonne performance du modèle, supérieure aux autres outils et assez proche de celle du pharmacien. Malheureusement, les interventions ainsi réalisées sont peu décrites, il est donc difficile de juger de l’impact clinique pour le patient. En particulier, je trouve que la performance du système d’aide à la décision dans cette étude était très élevée, avec une précision à 0,54 et un rappel à 0,69, indiquant relativement peu de faux positifs par rapport à ce que j’observe dans ma propre pratique, où une large proportion des alertes d’aide à la décision sont des faux positifs. Peut-être le système que j’utilise est-il peu performant ou celui utilisé dans l’étude était très performant. Il aurait été plus facile d’avoir confiance en ces chiffres si l’opinion de plus d’un pharmacien avait été obtenue. Néanmoins, je trouve positif de constater qu’un tel modèle, avec une approche simple, est capable d’avoir une aussi bonne performance. Ceci démontre bien qu’il y a une place pour des outils d’intelligence artificielle dans la pratique clinique du pharmacien.

Je trouve que la plus grosse lacune du modèle étudié dans cette étude est le fait qu’il s’agisse d’un apprentissage supervisé à partir des interventions passées de pharmaciens, dont l’utilisation pratique serait d’orienter ces mêmes interventions. Je vois mal comment ce modèle pourrait survivre à sa propre implantation. Il est bien connu que les modèles de machine learning utilisés pour prédire des interventions en soins de santé doivent constamment être réentraînés pour prendre en compte l’évolution de la pratique influençant ces interventions. Cependant, si l’intervention elle-même est utilisée comme cible dans un entraînement supervisé, et que le modèle est en même temps utilisé pour décider d’intervenir, le modèle se retrouve à utiliser ses propres prédictions pour se réentraîner, ce qui est évidemment délétère. J’aurais aimé voir une discussion de comment les auteurs prévoient gérer ce problème une fois leur modèle déployé.

Malgré cela, il s’agit définitivement d’un article pertinent et à connaître pour les pharmaciens s’intéressant au machine learning. Je suis très heureux de voir des applications pratiques en pharmacie hospitalière commencer à apparaître dans la littérature scientifique.

Un tableau de bord et des rencontres quotidiennes pour améliorer la ponctualité des services de médicaments

J’ai déjà parlé dans le passé du temps pour le service des premières doses et de l’effet d’un tableau de bord présentant des mesures de performance en temps réel. Un nouvel article publié dans le numéro de juillet de l’AJHP décrit l’impact de la mise en place de petites réunion quotidiennes (huddles) combiné à un tableau de bord sur la ponctualité des services de médicaments.

L’étude a été menée dans un centre académique américain de 1100 lits, mais en pratique seule la pharmacie centrale destinée aux adultes, desservant 500 lits, a été impliqué dans le projet. Cette pharmacie est ouverte 24h et des livraisons de médicaments sont effectuées à pied par des techniciens en pharmacie à des intervalles réguliers durant la journée. Afin d’améliorer la ponctualité des départs de ces livraisons, les auteurs ont mis en place des petites réunions quotidiennes aux changements de quart de travail où était présenté un tableau de bord montrant les statistiques de ponctualité des dernières livraisons. Si des problèmes causent des délais, les participants aux réunions (pharmaciens, techniciens, internes, gestionnaires) étaient encouragés à en discuter pour trouver des solutions.

L’étude a été menée avec un devis pré-post. La ponctualité des livraisons, définie comme un départ ± 5 minutes autour de l’heure prévue, a été collectée 2 semaines avant et 2 semaines après la mise en place des mesures. Des données sur la charge de travail concomitante (nombre d’ordonnances par quart, nombre de communications reçues à la pharmacie en provenance des unités de soins, nombre de personnes présentes à la pharmacie) ont aussi été collectées. Un modèle statistique prenant en compte les mesures répétées et capable d’évaluer la présence de tendances dans les périodes pré et post (afin de séparer l’effet de l’intervention d’une tendance générale) a été élaboré.

497 livraisons ont été collectées en période pré et 535 en post. La ponctualité des livraisons s’est améliorée de 37% (intervalle de confiance 95% 18-56%) entre la période pré et la période post. L’analyse n’a pas démontré de tendance globale entre les deux périodes pouvant expliquer la différence observée. De même, l’effet était similaire sur les 3 quarts de travail et la variance des mesures était comparable entre les deux périodes. Les 3 indicateurs de charge de travail n’étaient pas associés à l’effet observé.

Dans la discussion, les auteurs mentionnent que ce nouveau fonctionnement a été apprécié, particulièrement des techniciens, au point où ceux-ci voulaient remplacer leurs réunions mensuelles par ces nouvelles petites réunions quotidiennes. Les auteurs expliquent aussi comment ces discussions ont permis d’identifier les facteurs qui causaient des retards et ont permis aux participants d’échanger des techniques pour mieux s’organiser.

Je trouve cette étude intéressante car elle démontre l’impact positif d’une rétroaction rapide, appuyée sur des données en temps réel, sur les opérations en pharmacie d’établissement. Dans ma propre pratique, j’ai mis en place une rétroaction sur les délais de service des médicaments urgents et sur le niveau de bruit ambiant dans la zone de validation d’ordonnances; cet article vient supporter de telles initiatives.