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.

 

Lignes directrices ASHP-PPAG sur les services et soins pharmaceutiques en pédiatrie

Le dernier numéro de l’AJHP contenait cet article, qui découle d’un effort conjoint de l’ASHP et du PPAG pour décrire la prestation de services et de soins attendue d’un département de pharmacie dans une institution desservant des patients pédiatriques. Le document comporte des points couvrant l’ensemble des activités d’un département, incluant notamment la distribution des médicaments, la validation des ordonnances, les préparations stériles et non stériles, la recherche, les soins aux patients, etc. Je vous présente ici quelques points liés aux technologies.

Dans la section des infrastructures, on mentionne qu’un système d’information pharmacie doit être utilisé et devrait être interfacé avec les autres systèmes d’information de l’établissement, notamment:

  • La prescription électronique
  • L’administration des médicaments assistée par code-barre
  • Le dossier patient électronique (comprenons le DCI Cristal-Net dans le contexte québécois)
  • Le système de facturation (comprenons au Québec le système de tarification à l’activité qui ne manquera pas d’arriver)

Les fonctions devant être supportées par des outils technologiques sont:

  • L’accès au dossier patient
  • La documentation des activités
  • La tenue de dossiers et de profils pharmacologiques
  • La gestion d’inventaire
  • La tarification
  • La prescription
  • L’aide à la décision
  • L’obtention d’information sur les médicaments.

On mentionne qu’un pharmacien possédant des compétences en pédiatrie devrait être impliqué dans le développement et la maintenance des ordonnances pré-rédigées et des références, notamment des doses, disponibles dans les systèmes.

Dans la section spécifique à la technologie, on décrit les technologies de pharmacie (pharmacy HIT) comme devant être intégrées aux systèmes cliniques et financiers de l’institution et que les décisions concernant ces systèmes devraient inclure le département de pharmacie comme partie prenante.

Les logiciels de prescription électronique et d’aide à la décision devraient être adaptés à la pédiatrie, personnalisables, et comprendre au minimum la prise en charge des doses selon l’âge, le poids ou la surface corporelle avec des doses maximales, la détection d’allergies ou d’interactions. Les ordonnances pré-rédigées de mêmes que les « order sentences » (les phrases d’ordonnances non incluses dans une ordonnance pré-rédigée complète) devraient être révisées par le département de pharmacie. Le département de pharmacie devrait participer à la gouvernance des systèmes d’aide à la décision. Les paramètres de ces systèmes impactant les services du département de pharmacie et les interventions mises en place devraient faire l’objet d’un suivi post implantation.

L’ensemble des technologies liées au circuit du médicament (cabinets, carrousels, robots, etc.) devraient prendre en charge les particularités des médicaments pédiatriques et des technologies comme le code-barres, la traçabilité des médicaments et les logiciels d’assistance à la production stérile devraient être considérés.

La feuille d’administration des médicaments devrait être électronique et directement interfacée ou intégrée au système d’information pharmacie, et devrait utiliser une vérification des médicaments par RFID ou code-barres avant l’administration.

Les pompes à perfusion devraient être choisies avec l’aide du département de pharmacie et prendre en charge les doses pédiatriques. Les bibliothèques devraient être sous la responsabilité d’un pharmacien avec des compétences en pédiatrie et comprendre des limites contournables et non contournables.

Les sections subséquentes ajoutent des particularités, notamment sur la terminologie dans la prescription électronique, sur l’utilisation des profils pharmacologiques pour la dispensation de médicaments à l’aide des cabinets automatisés; ce sont des points relativement bien connus et recoupant d’autres références.

Je trouve que cet article donne un bon tour d’horizon des meilleures pratiques pour l’ensemble d’un département de pharmacie offrant des services pédiatriques, et offre un bon sommaire des technologies disponibles et de la manière de les mettre en place. Les pratiques décrites font écho aux lignes directrices d’autres organismes, notamment l’ISMP. Bref, cet article est un incontournable.

Enseignement de l’informatique clinique en pharmacie

J’ai déjà parlé de Partners in E, un programme d’une faculté de pharmacie californienne hébergé par HIMSS qui propose un curriculum standardisé à intégrer aux programmes de Pharm.D pour l’enseignement de l’informatique en santé.

Le pharmacien Alexandre Chagnon (@AlexandrChagnon) m’a également fait part via Twitter d’un programme de formation canadien provenant de l’Association des Facultés de Pharmacie du Canada développé en partenariat avec des universités canadiennes et Inforoute Santé du Canada.

J’ai lu récemment dans le American Journal of Pharmaceutical Education un énoncé sur la formation en informatique clinique et les carrières en informatique pour les pharmaciens. L’article est bien écrit, je crois que c’est un must pour bien comprendre les enjeux par rapport à ce sujet.

L’article débute par une perspective historique sur l’évolution de l’informatique en santé et de son enseignement, puis discute des exigences de certification aux États-Unis pour les facultés de pharmacie, de même que des composantes d’informatique dans ces exigences. Suit une comparaison avec les programmes similaires en soins infirmiers et en médecine.

Les initiatives existant en pharmacie sont détaillées, incluant Partners in E et même le programme canadien !

Les dernières pages de l’article comportent une liste de références et approches suggérées en informatique de pharmacie, découpée par étape du circuit du médicament et par objectif. Cette liste en elle-même est un outil très intéressant.

Un second article est prévu pour présenter un plan pour former des pharmaciens qui se destinent à devenir des experts en informatique clinique.

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.

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.

Alertes pour la détection des problèmes liés à la pharmacothérapie

Cette étude a été réalisée en Espagne dans un hôpital universitaire de 431 lits, et avait pour objectif de décrire l’utilisation d’un système d’aide à la décision offrant des alertes intégrées au logiciel de prescription électronique et au dossier électronique, pour une détection de problèmes liés à la pharmacothérapie.

Le système offrait la possibilité de programmer des déclencheurs d’alerte liés aux paramètres suivants:

  • L’âge ou le sexe
  • La dose maximale, minimale ou cumulative, les voies d’administration et la durée de traitement
  • Les tests de laboratoire et les indicateurs et scores dérivés (clairance à la créatinine, score MELD, etc.)
  • Les interactions médicamenteuses

À noter, le système n’offrait pas d’alerte pour les allergies.

À chaque jour, les pharmaciens cliniciens de l’hôpital révisaient les alertes générées par le système qui s’affichaient dans le module de pharmacie du dossier électronique. Ces alertes étaient visibles uniquement pour les pharmaciens. Ceux-ci prenaient action selon la pertinence clinique et l’urgence de l’alerte, soit en inscrivant une note au dossier électronique visible pour les autres professionnels ou en intervenant directement auprès de l’équipe clinique. Évidemment, les pharmaciens cliniciens révisaient aussi les profils pharmacologiques de manière indépendante du système d’alertes pour détecter tous les problèmes.

Les données de ce système ont été collectées pour l’année 2012. 83% des médicaments existant dans le système avaient des paramètres d’alertes programmées, pour un total de 7879 alertes potentielles, correspondant à 99,4% des médicaments prescrits durant l’année.  185 131 prescriptions ont été faites avec le système durant l’année, et 3552 interventions pharmaceutiques ont été faites. De celles-ci 79,1% ont été détectées par le système d’alerte et le reste n’ont été détectées que par le pharmacien clinicien. Au moins un problème a été détecté chez 10,7% des admissions et 12,4% des patients.

Au total, 13 833 alertes ont été générées par le système durant l’année, dont 2808 (20%) ont été jugées cliniquement significatives par les pharmaciens cliniciens. 53,2% des alertes pertinentes concernaient le dosage, 25,7% les tests de laboratoire (47% fonction rénale, 38,4% électrolytes), 15,4% les interactions, 4,6% les duplications et 28% les combinaisons.

Le pourcentage d’alertes cliniquement significatives dans cette étude est relativement élevé à 20%, ce qui, je crois, pourrait être lié à la programmation des alertes gérée par les pharmaciens de l’établissement plutôt qu’à l’utilisation d’un système commercial. J’aime bien l’idée d’automatiser, au moins partiellement, la détection des problèmes de pharmacothérapie en assistance au pharmacien clinicien qui doit réviser des profils pharmacologiques, afin de s’assurer de ne rien « échapper » par inadvertence. Néanmoins, ce genre de système doit être bien paramétré pour être cliniquement utile et ne pas contribuer au alert fatigue causé par les systèmes qui génèrent plein d’alertes inutiles.

Ajouter l’indication dans le contenu des ordonnances électroniques

Cet été, un article est paru dans le New England Journal of Medicine qui proposait d’ajouter l’indication dans les informations faisant partie d’une prescription électronique. Les auteurs, provenant d’institutions affiliées à l’université Harvard, présentent un tableau des avantages potentiels et des défis reliés à ce changement. Parmi les avantages, on note:

  • Une amélioration de la sécurité dans l’utilisation des médicaments, en permettant entre autres aux pharmaciens de valider le nom du médicament en fonction de l’indication, et de mieux valider les doses selon cette indication.
  • Une meilleure compréhension par les patients de leur pharmacothérapie.
  • Une amélioration de la communication entre les professionnels.
  • Une facilitation de la réconciliation médicamenteuse.
  • La possibilité d’améliorer l’aide à la décision dans la prescription électronique en présentant des choix par indication.
  • Une amélioration de la documentation des problèmes de santé.
  • Une amélioration des choix de traitement par les prescripteurs.
  • Une facilitation du travail lié au remboursement par les assureurs.
  • L’amélioration de la qualité des données pour la recherche.

Les défis à prévoir pour intégrer ce changement sont:

  • Une charge de travail supplémentaire pour les prescripteurs.
  • Des inquiétudes quant à la confidentialité.
  • Le peu de données probantes supportant un tel changement.
  • Les complexités liées à la définition des indications (par exemple pour les traitements empiriques).
  • La compétition entre diverses manières de capturer ou d’inférer les indications.
  • Les complexités liées au codage et à la transmission des informations diagnostiques.
  • Les enjeux de remboursement lors de prescription hors indication.
  • Des enjeux d’autonomie dans la pratique clinique.
  • La fragmentation des systèmes et les enjeux d’interopérabilité.

L’ISMP a publié en novembre un document reprenant les principaux points de cet article et qui argumente dans le même sens, c’est-à-dire que les obstacles potentiels à cette pratique sont gérables et ne devraient plus être un frein à l’ajout de cette information dans les prescriptions.

Je suis moi aussi d’accord avec ces arguments. Je crois qu’il n’est plus défendable que l’indication de prescription d’un médicament soit une information privilégiée qui ne soit pas clairement documentée et transmise avec la prescription. Je constate fréquemment dans ma pratique des situations où les pharmaciens doivent valider des médicaments sans pouvoir juger adéquatement du choix d’agent et de la dose prescrite par manque d’information, où des infirmières doivent administrer des médicaments sans bien en saisir le but, et même où des patients ne savent pas pourquoi on leur donne tel ou tel médicament. Ce genre de situation ne devrait plus être tolérée maintenant que l’information peut être facilement transmise électroniquement. Avec la progression de l’informatisation du réseau de la santé au Québec, je suis convaincu qu’une réflexion sérieuse sur ce sujet devrait avoir lieu.