Documentation des interventions de pharmaciens dans un dossier électronique

Les pharmaciens qui effectuent des interventions cliniques en établissement documentent celles-ci au dossier médical du patient, et se servent aussi d’outils de documentation intégrés aux systèmes d’information de pharmacie. Au Québec, la documentation dans le dossier médical se passe largement sur papier. Parallèlement, le suivi des interventions cliniques des pharmaciens dépend d’indicateurs que les pharmaciens compilent séparément, par exemple l’APES met en place en ce moment un projet de suivi d’indicateurs dont les résultats de sites pilotes ont été communiqués. L’arrivée de dossiers cliniques informatisés permettant la documentation des interventions est une opportunité à saisir pour intégrer ce genre de quantification à l’activité de documentation clinique.

L’étude dont je vous parle aujourd’hui a été publiée en février dans le Journal of the American Pharmacists Association. L’objectif de l’étude était de décrire la mise en place d’un processus de documentation standardisée des interventions des pharmaciens dans un dossier clinique informatisé, dans les cliniques externes d’un très gros hôpital pédiatrique tertiaire américain situé en Ohio. L’étude a eu lieu de septembre 2017 à janvier 2018. Comme l’étude avait lieu aux États-Unis, une motivation derrière la mise en place de l’outil était la facturation des services des pharmaciens; l’équipe du projet comportait d’ailleurs un technicien de facturation.

L’outil consistait en la sélection d’une catégorie d’intervention parmi une liste de 10 possibilités, l’association de l’intervention à une ordonnance et la documentation textuelle de l’intervention. Cet outil me semble plutôt simple et bien adapté à la pratique clinique.

Durant les 5 premiers mois du projet, dans les 7 cliniques visées, 5210 interventions ont été documentées. Les 3 catégories les plus populaires étaient les conseils et l’enseignement (34%), le bilan comparatif des médicaments (23%), et les interventions liées à l’observance (15%).

Je trouve cette étude pertinente à connaître, car comme mentionné en introduction, la documentation des interventions des pharmaciens devra faire partie des fonctionnalités des dossiers cliniques informatisés qui seront implantés au Québec. Il faudra que les outils de documentation mis en place permettent ce genre de catégorisation des interventions pour que les données des indicateurs soient tirées directement de la documentation clinique plutôt que d’un système parallèle.

Impact de la documentation incomplète des allergies sur le délai de validation des ordonnances d’antibiotiques

Cette article rapporte une étude rétrospective réalisée dans un centre hospitalier situé à Philadelphie. Il n’y a pas d’autres détails fournis sur le centre en question. L’objectif de l’étude était de vérifier s’il existait une relation entre la rédaction d’une ordonnance d’antibiotique alors que les informations d’allergies étaient incomplètes, et le temps nécessaire pour valider cette ordonnance. Les ordonnances du d’octobre 2017 ont été incluses. Les auteurs ont aussi vérifié si la documentation complète des allergies était reliés aux interventions réalisées par les pharmaciens lors de la validation d’ordonnances.

138 ordonnances ont été incluses. 98 (71%) incluaient les détails des allergies. Les ordonnances avec détails d’allergies ont été validées 21 minutes plus rapidement (12 minutes par rapport à 33 minutes, p=0,02). Les pharmaciens ont dû intervenir à propos des allergies pour 19,4% des ordonnances incluant les détails d’allergies, comparativement à 35% des ordonnances sans détails d’allergies. Lorsqu’une ordonnance n’incluait pas le détail des allergies et nécessitait une intervention, le délai pour la validation était encore plus élevé, soit 82 minutes plus long.

Cette étude vient illustrer avec des données objectives un effet que tous les pharmaciens vivent quotidiennement: une ordonnances incomplète est toujours plus longue à valider, car il revient malheureusement au pharmacien d’obtenir l’information manquante alors que les intervenants pouvant la fournir (médecin, résident, infirmière) sont parfois non disponibles, difficiles à rejoindre ou carrément partis. En ce qui a trait aux allergies, les systèmes d’ordonnance électronique devraient permettre une documentation complète et signaler l’absence d’information pour les ordonnances qui le nécessitent.

Révision d’ordonnances pré-rédigées assistée par machine learning

Un article paru au début du mois dans le JAMIA a attiré mon attention. Le titre laisse entendre que les auteurs ont élaboré un processus de révision d’ordonnances pré-rédigées assisté par machine learning. Ma propre expérience m’a montré que ce processus est généralement long et complexe, même pour des ordonnances pré-rédigées apparemment simples. J’étais donc bien intéressé à voir ce que ces chercheurs ont fait. J’ai été un peu déçu…

L’objectif de l’étude est vaguement décrit. Les auteurs ont comparé six approches de révision d’une seule ordonnance pré-rédigée dans leur institution. L’ordonnance en question est celle de demande d’analyses de laboratoire le matin, un exemple très simple. Les approches comparées étaient individuellement:

  • Par les connaissances cliniques
  • Par les statistiques populationnelles
  • Par machine learning

Et les auteurs arrivent à 6 méthodes en combinant celles-ci. La variable dépendante était la charge de travail définie par le nombre de clics de souris nécessaires lors de la rédaction de l’ordonnance (une mesure assez discutable). Les données sur l’utilisation de cette ordonnance ont été extraites de septembre 2014 à octobre 2015 du dossier électronique de l’institution (plus ou moins décrite, mais on comprend de l’affiliation des auteurs que c’est un hôpital situé à New York), et incluaient 998 946 instances d’ordonnance pour 37 924 patients, ainsi que 3561 ordonnances d’analyses de laboratoire additionnelles placées dans un intervalle de 10 minutes avant ou après l’ordonnance pré-rédigée.

L’apport du machine learning dans le processus de révision était essentiellement de déterminer si chaque analyse de laboratoire devait être sélectionnée par défaut ou non dans l’ordonnance révisée, ce pourquoi je disais être déçu. En effet, cette technique ne semble pas avoir été appliquée à la sélection du contenu de l’ordonnance.

L’approche de machine learning semble valide mais est peu décrite, je crois comprendre que les auteurs ont utilisé une approche de régression logistique sans réseaux de neurones, autrement dit un modèle plutôt simple. Les résultats sont décrits de façon un peu confuse avec chaque combinaison de facteurs nommée de M1 à M6. Il en ressort que de combiner la révision du contenu sur la base des connaissances cliniques et de la sélection par défaut avec machine learning était l’approche la plus efficace et a permis de diminuer le nombre de clics nécessaires à la rédaction d’une ordonnance d’environ 25%.

Je crois que l’objectif de l’article, soit de réviser l’ordonnance pré-rédigée de manière à réduire la charge de travail, est louable, mais que l’approche de diminution du nombre de clics va nécessairement mener à l’optimisation du modèle en fonction des pratiques les plus populaires, qui ne sont pas nécessairement les plus souhaitables. Par exemple, si les cliniciens ont tendance à cocher une analyse de laboratoire fréquemment, mais que ce n’est pas une pratique optimale (par exemple mesurer trop souvent les électrolytes), le modèle va optimiser pour sélectionner cette option par défaut pour réduire les clics alors qu’il est peut-être préférable cliniquement de ne pas faire cela.

Pour cette raison, je trouve que l’article est un peu décevant, et que la « cible » du modèle de machine learning devrait être un paramètre offrant un bénéfice clinique, plutôt qu’une mesure intermédiaire dont l’optimisation peut produire des effets cliniques imprévisibles.