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.

 

Étude longitudinale sur la perception de la prescription électronique durant son implantation

Cette étude a été réalisée dans un centre pédiatrique tertiaire de 310 lits situé à Sidney en Australie. Un système de prescription électronique a été mis en place en avril 2016 à raison d’une unité par semaine dans tout le centre; ce logiciel faisait partie d’un dossier électronique commercial déjà en place. Les médecins et infirmières utilisant les fonctions liées à la médication (prescription et administration) ont été approchés sur les unités suite au déploiement et invités à participer à des entrevues semi-structurées afin de recueillir leurs perceptions. Les entrevues ont été menées à 4 points dans le temps aux semaines 1,3, 6 et 6 mois après le déploiement. Le recrutement était poursuivi jusqu’à l’atteinte de la saturation pour s’assurer que les données recueillies étaient de bonne qualité. Les questions ont été élaborées à l’aide d’un modèle d’acceptation de la technologie (le modèle e-TAM) dont l’avantage principal est de tenir compte du contexte.

122 participants ont été recrutés, mais seulement 8 ont fait plus d’une entrevue. L’expérience moyenne des participants était de 6 ans (1,5 à 25 ans) et 10 infirmières étaient des super-utilisateurs. Les entrevues ont durées en moyenne 8.5 minutes. Les chercheurs ont examiné les thèmes abordés par les participants à chaque point dans le temps et décrit leur évolution.

Quatre thèmes étaient présents tôt après le déploiement mais sont graduellement disparus avec le temps:

  • L’utilisation d’un système hybride comme un problème lors du transfert de patients entre unités.
  • L’inexpérience avec le système comme cause de problèmes.
  • La diminution du temps consacré aux patients en raison des exigences du système.
  • Des délais dans l’administration des médicaments à cause du flot de travail plus lent imposé par le logiciel.

Les chercheurs soulignent que la disparition de ces thèmes dans les entrevues subséquentes coïncide avec l’apparition de mentions de méthodes de contournement. Notamment, les délais d’administration étaient contournés en n’utilisant pas le système au chevet du patient, mais plutôt en documentant l’administration en différé une fois revenu au poste d’infirmières. Du côté des médecins, l’utilisation de texte libre plutôt que les vrais « ordonnances » pour prescrire était décrite.

Paradoxalement, avec le temps, les utilisateurs semblaient aussi rapporter une perception accrue de sécurité avec le passage du temps. Ceci me surprend puisque les contournements décrits (prescrire en texte libre et documenter en différer l’administration de médicaments) sont des facteurs de risque connus d’erreurs.

Les auteurs soulignent aussi qu’avec le temps, les problèmes observés avec le système se sont précisés: d’une insatisfaction générale au début, il se sont centrés sur la lenteur et l’occurence d’erreurs de système après quelques mois.

Parmi les bénéfices observés, les auteurs citent une appréciation de la disponibilité des dossiers partout dans l’hôpital, une amélioration de la lisibilité des prescriptions et des notes, de même qu’une amélioration de la continuité des soins.

Je trouve l’article intéressant car il montre bien à quoi s’attendre dans les différentes phases d’implantation de la prescription électronique, et sur quoi concentrer son attention dans le temps.

Données sur les pharmacies d’hôpitaux américaines 2016

Je vous parle aujourd’hui d’un sondage publié récemment dans l’AJHP sur les pharmacies d’hôpitaux aux États-Unis, réalisé en 2016 et décrivant surtout les processus de prescription et transcription d’ordonnances. Il s’agit d’une partie du sondage national des pharmacies d’hôpitaux de l’ASHP; la méthode de ce sondage est décrite dans l’introduction de l’article. Les données publiées ici complètent celles publiées l’année dernière sur les volets de surveillance de la pharmacothérapie et de suivi des patients. À noter cependant que plusieurs données se recoupent.

Contrairement au sondage québécois, le sondage américain ne cible pas tous les hôpitaux et utilise un échantillonage. 392 hôpitaux parmi les sondés ont répondu, représentant un taux de réponse de 30%, et les répondeurs n’étaient pas statistiquement différents des non-répondeurs. Voici quelques faits saillants du sondage:

  • 99,1% des hôpitaux avaient un dossier électronique au moins partiellement en place, dont 43,3% avec un système complètement électronique sans papier (comparativement, ces chiffres étaient 97,5% et 37,5% en 2015 aux USA, je ne trouve pas de données québécoises claires sur ce chiffre).
  • 95,6% des hôpitaux ont un système de prescription électronique avec aide à la décision (comparativement à 84,1% aux USA en 2015, et au Québec 7% en 2014 et 5% en 2012).
  • Les ordonnances sont transmises électroniquement (en données numériques) à la pharmacie dans 90,7% des hôpitaux, 4,2% des hôpitaux numérisent des ordonnances papier, 2,8% utilisent encore le fax et 2,3% utilisent le transport manuel d’ordonnances papier. Comparativement, au Québec, la seule donnée que je connaisse est un sondage présenté comme affiche au congrès de l’APES 2016 qui a montré l’utilisation d’ordonnances numérisées dans 51% des hôpitaux, contre 26% qui utilisaient le fax, 21% des ordonnances papier et 2% un prescripteur électronique.
  • Au niveau de la validation d’ordonnances, 51,6% des hôpitaux utilisent des fonctions de validation automatisée. Parmi-ceux-ci, 58,2% utilisent des fonctions par département (p.ex. urgence), 40,3% des médicaments spécifiques dans certains départements (p.ex. médicaments pour la douleur à l’urgence), et 12% pour des médicaments spécifiques à travers l’hôpital (p.ex. vaccins, médicaments de soins de confort).
  • 92,6% des hôpitaux utilisent la vérification de l’administration des médicaments avec le code-barre (comparativement à 93,7% aux USA en 2015, et aucun hôpital au Québec en 2012 ou 2014).
  • Pour l’élaboration de politiques de prescription et de gestion du formulaire, 75% des hôpitaux font de l’évaluation comparative des médicaments avant l’inscription au formulaire, élaborent des lignes directrices, font de la substitution thérapeutique, délèguent les choix de produits et de dose aux pharmaciens, et font des revues d’utilisation. Deux tiers des hôpitaux restreignent la prescription de certains médicaments à certains praticiens, et environ la moitié utilisent des données pharmacoéconomiques dans leur évaluation.

L’utilisation de dossiers électroniques offre des nouvelles possibilités reliées à la gestion du formulaire et des ordonnances:

  • Trois quarts des hôpitaux affichent uniquement les médicaments au formulaire lors de la prescription.
  • Environ la moitié des hôpitaux utilisent des fonctions d’arrondissement ou de standardisation de doses lors de la prescription (sans doute pour faciliter la correspondance aux médicaments produits en lot à la pharmacie).
  • La moitié des hôpitaux offrent des liens vers de l’information sur les médicaments lors de la prescription, et offrent des alternatives lors d’une tentative de prescription d’un médicament hors formulaire.
  • Un peu plus d’un tiers des hôpitaux envoient certaines ordonnances à un autre service pour approbation (par exemple antibiotiques à usage restreint) et incluent un support décisionnel lié à l’optimisation de l’utilisation des antimicrobiens.
  • Un tiers des hôpitaux limitent l’entrée de médicaments hors formulaire aux pharmaciens.

En ce qui a trait aux fonctions de prescription hors formulaire, il est à noter que ce sont en général les plus gros hôpitaux qui ont des politiques plus strictes sur le contrôle du formulaire et les possibilités de prescription.

Les éléments liés à la pratique clinique du pharmacien sont:

  • 56,9% des hôpitaux requièrent la documentation électronique des recommandations et des notes du pharmacien dans les dossiers médicaux.
  • 89,9% des hôpitaux permettent aux pharmaciens de demander des tests de laboratoire et dosages de médicaments.
  • 86,8% des hôpitaux permettent aux pharmaciens d’écrire des ordonnances, 7,2% permettent aux pharmaciens de prescrire (sélection, initiation, suivi et ajustement du médicament), et 92,8% des hôpitaux permettent aux pharmaciens de modifier ou initier des médicaments selon un protocole.
  • 64% des hôpitaux collectent des données pour démontrer les effets des interventions des pharmaciens; ces données incluent surtout le type d’intervention, le temps passé sur ces interventions, et l’impact de ces interventions sur les coûts.

D’autres données sont fournies dans le sondage, je vous invite à lire le texte complet car elles sont plus difficiles à résumer. Celles-ci incluent:

  • Les services fournis par les pharmaciens au congé et le lien avec les soins en communauté et les pharmacies communautaires.
  • Les services offerts en clinique ambulatoire.
  • Le paiement des services pharmaceutiques.
  • Le lien avec les pharmacies de spécialité.
  • Les données de ressources humaines (équivalents temps plein, postes occupés, diplômes et certifications).
  • Les activités des techniciens en pharmacie.

Utilisation d’une bibliothèque d’ordonnances pré-rédigées dans un hôpital américain

Malgré plusieurs articles qui décrivent l’impact positif d’ordonnances pré-rédigées (order sets) utilisées seules ou comme partie d’un groupe d’interventions pour améliorer la prise en charge de divers problèmes, peu de publications détaillent les systèmes en place pour gérer et diffuser ces ordonnances.

L’article présenté ici est un « abrégé » (plutôt long) présenté au congrès de l’American Medical Informatics Association. Le texte complet est disponible gratuitement sur PubMed Central, ce qui est rare pour le contenu de l’AMIA.  L’article décrit la mise en place du logiciel Cerner EHR dans une organisation de soins de santé américaine située en Utah. L’organisation est énorme et englobe 22 hôpitaux, 1 hôpital pédiatrique, 185 cliniques externes, 18 cliniques communautaires et un plan d’assurance. Près de la moitié des résidents de l’Utah sont suivis dans cette organisation. Le logiciel mis en place permet le développement d’ordonnances pré-rédigées et permet à chaque prescripteur de développer des ordonnances personnalisées dérivées des modèles institutionnels. Suite à l’implantation du système, un tableau de bord d’indicateurs a été développé pour permettre l’analyse de l’utilisation des ordonnances pré-rédigées et pour fournir de la rétroaction à leurs auteurs. Les données d’utilisation de 12 mois, de février 2015 à février 2016, ont été extraites.

Les fonctionnalités du tableau de bord étaient entre autres:

  • Afficher les volumes d’utilisation de chaque ordonnance, découpés en utilisation du modèle de base et de variantes personnalisées.
  • Afficher l’utilisation d’une ordonnance en fonction du temps, découpé par version et par modèle.
  • Détailler les versions de chaque ordonnance, incluant les dates et heures de versions, les auteurs, ainsi que les différents changements dans chaque modèle standard et dans chaque version personnalisée.
  • L’évolution schématisée graphiquement des éléments individuels inclus dans l’ordonnance pré-rédigée, notamment ce qui a été ajouté, retiré ou modifié.

Dans les données d’une année qui ont été extraites, les auteurs ont constaté que 107 auteurs avaient développé plus de 1400 modèles standards d’ordonnances pré-rédigées, cependant moins de la moitié de ce qui avait été développé avait été réellement utilisé. Près de 300 000 instances d’utilisation ont été collectées. Ils ont constaté que différents départements avaient une approche très différente, par exemple le département de cardiologie ne permettait pas la personnalisation de ses modèles tandis que d’autres départements encourageaient cette pratique. Les utilisateurs avaient tendance à créer des modèles personnalisés des ordonnances pré-rédigées simplement pour en changer le nom à quelque chose qu’ils étaient plus susceptibles de retrouver facilement, plutôt qu’à en changer le contenu. En effet, 80% du volume d’ordonnances générées à partir de ces documents était conforme au contenu standard. Une fonctionnalité utile du logiciel était que les mises à jour du modèle standard étaient poussées aux modèles personnalisés, diminuant ainsi le risque d’utiliser une ordonnance désuète. Les auteurs considèrent que leur tableau de bord s’est avéré utile pour améliorer le développement des ordonnances pré-rédigées. Ils citent en exemple les ordonnances post-partum qui ont été modifiées suite à l’examen des données d’utilisation.

Il est cependant souligné que la non utilisation d’une grande quantité d’ordonnances pré-rédigées est préoccupante, car un formulaire non utilisé pourrait devenir désuet ou même diverger de nouvelles recommandations cliniques. Les auteurs suggèrent de considérer la suppression d’ordonnances pré-rédigées inactives pour un certain temps et pour réduire les ressources nécessaires au maintien de la bibliothèque.

Je trouve cet article intéressant car il décrit bien les problèmes vécus dans la gestion d’une grande bibliothèque d’ordonnances pré-rédigées, et il montre bien comment l’informatisation d’un tel processus peut avantageusement inclure un volet de collecte de données, d’indicateurs et d’analytique.

Facteurs favorisant l’utilisation nationale des données de santé en Écosse

Cet article un peu obscur provient d’Écosse, et décrit les résultats d’un focus group des parties prenantes de l’implantation d’un système national électronique pour la prescription et l’administration des médicaments dans cette région. L’objectif de cette discussion était de faire ressortir les éléments importants pour assurer la qualité des données nationales sur ce sujet, avec pour objectif ultime d’assister la prise de décision politique et administrative sur le système de santé. Ce contexte est certes un peu lourd, mais les thèmes dégagés me semblent intéressants et applicables à la situation québécoise où l’informatisation du système de santé est enclenchée.

Des participants occupant des positions senior dans le système de santé, et ayant des fonctions touchant à l’informatisation ont été approchées, notamment des représentants des médecins, pharmaciens et infirmières, des associations de patients, des fournisseurs et des dirigeants. Un guide des sujets de discussion a été remis aux participants, comportant quatre thèmes: les expériences internationales, l’expérience écossaise avec l’implantation d’un système de cancérologie, les besoins dans des secteurs à développer (contrôle de la douleur, surveillance des antimicrobiens), et les implications politiques et stratégiques. La discussion a été enregistrée, transcrite et analysée de manière qualitative.

36 personnes ont été approchées et 21 ont participé à la journée de discussion. Les idées principales dégagées sont en lien avec des facteurs à trois niveaux:

  • Niveau micro
    • La nécessité d’avoir des logiciels flexibles s’intégrant au flot de travail, potentiellement complexe, des utilisateurs.
    • La nécessité d’offrir une interface intuitive qui ne ralentit pas le travail.
    • La disponibilité de données de performance en feedback pour les utilisateurs.
    • Offrir aux utilisateurs la preuve que les données collectées fonctionnent pour l’amélioration du système.
  • Niveau meso
    • S’assurer que les ressources pour le maintien des infrastructures technologiques soient prévues.
    • Développer la capacité de gestion du changement et d’analyse de données nécessaire pour gérer cette information.
  • Niveau macro
    • Avoir une banque de données nationale pour permettre la collecte et l’analyse centralisée.
    • Prévoir une interopérabilité des systèmes à l’aide de standards technologiques.
    • Avoir des systèmes en place pour le feedback de données aux organisations locales.

La discussion de l’article est intéressante et présente des recommandations pour des stratégies nationales découlant de ces idées.

Je trouve cet article intéressant parce que les idées exprimées sont importantes, dans le sens où l’informatisation du système de santé amène un flot de nouvelles données électroniques qui n’étaient pas disponibles auparavant, du moins pas en cette quantité et avec autant de facilité. Les idées dégagées au niveau micro permettent de s’assurer que les données collectées par les utilisateurs soient de qualité, en leur offrant la preuve que celles-ci sont réellement utiles. Au niveau meso, on s’assure qu’il soit possible de collecter et analyser ces données efficacement et au niveau macro, on permet le traitement de ces données de manière centralisée.

 

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.