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.