Compétences en informatique clinique pour les étudiants en pharmacie

Les programmes de formation en pharmacie contiennent certains éléments d’informatique clinique. Il existe des curriculums de formation créés par plusieurs associations qui peuvent être utilisés par les facultés de pharmacie pour intégrer l’informatique clinique à leurs cours. J’ai déjà parlé de Partners in E, un programme américain, ainsi que d’un programme canadien similaire. Mon dernier accès à la documentation de Partners in E remonte à l’an dernier, et à ce moment, la dernière mise à jour datait de 2016. Depuis, l’accès aux modules ne semble plus fonctionner, je ne sais pas ce qui se passe. Ce programme est-il encore maintenu ? Du côté canadien, le programme a déménagé à l’adresse http://elearnhcp.ca et s’est développé, même si ça demeure un cours d’introduction. L’accès est maintenant ouvert à tous sur simple inscription en ligne.

Un article paru en mars dans le American Journal of Pharmaceutical Education, et disponible en texte complet sur PubMed Central, discute du contenu des formations en informatique clinique destinées aux étudiants en pharmacie. Il s’agit d’une démarche menée par l‘American Association of Colleges of Pharmacy, qui avait pour objectif de réviser la liste de compétences à inclure dans les programmes de premier cycle en pharmacie.

Un groupe de l’organisation a établi une liste initiale de compétences sur la base d’une revue de littérature et de leur expérience personnelle. Ensuite, deux rondes de focus groups d’une durée d’une heure ont été menées avec des participants recrutés parmi l’ensemble des membres de l’AACP. La liste de compétences a été ajustée suite à ces discussions.

8 personnes ont participé aux focus groups. Ça me semble peu, il aurait été intéressant d’avoir une idée de combien de personnes étaient éligibles, et combien ont été invitées. Les commentaires des participants étaient que la liste de compétences était trop grande et contenait trop d’éléments rudimentaires ou non spécifiques à la pharmacie. Les participants ont discuté de la manière d’intégrer l’informatique clinique dans la formation universitaire, par exemple dans un cours spécifique ou à travers plusieurs cours.

Les compétences que les participants ont identifiées comme prioritaires étaient:

  • Les standards d’interopérabilité
  • L’informatique biomédicale (je ne suis moi-même pas certain de ce que c’est…)
  • Les technologies émergentes
  • Les enjeux légaux et réglementaires
  • Les concepts de sécurité de la prescription électronique

Les auteurs présentent les compétences qu’ils ont identifiées sous la forme de schémas et tableaux. Je dois dire que je suis d’accord avec le commentaire que les compétences ciblées sont très éparpillées et certaines sont très génériques et d’autres spécifiques mais non reliées à la pharmacie, comme la gestion de courriels, les protocoles de communication de l’internet en général, les mots de passe… Le contenu le plus intéressant de l’article est un tableau détaillé des compétences spécifiques à la pharmacie. Le lien est difficile à trouver dans l’article donc je le donne ici:
https://files.acrobat.com/a/preview/57009581-eccf-4868-8526-def02eff200b . C’est un très gros tableau qui liste une multitude de compétences qui ne sont pas toutes d’utilité égale, mais je trouve quand même utile pour une personne qui veut travailler en informatique de pharmacie de lire l’ensemble du tableau et de s’assurer d’au moins connaître chacun des points listés et de pouvoir en discuter.

Standardisation des banques de données de médicaments à des fins de prescription électronique

Cet article vient d’Espagne, et décrit les efforts de pharmaciens d’un groupe régional de 7 hôpitaux visant à standardiser les banques de données de médicaments utilisés à des fins de prescription électronique. En plus, des données tirées d’une phase pilote en oncologie sont présentées.

Les auteurs décrivent la situation qui prévalait auparavant dans leurs hôpitaux, où chaque département de pharmacie devait, de manière indépendante, constituer et tenir à jour une banque de données de médicaments. Ceci requérait beaucoup d’efforts de la part des pharmaciens dans chaque hôpital et représentait une certaine duplication du travail. Cette situation ressemble à ce qui existe au Québec.

Afin de diminuer le temps passé à cette tâche, et aussi pour standardiser au niveau régional la nomenclature des médicaments dans le logiciel de prescription électronique, les hôpitaux participants ont mis sur pied un projet en 4 phases qui s’est déroulé de juillet 2015 à septembre 2016.

Avant la mise en place du projet, les pharmaciens ont décidé d’effectuer la prescription par unité de dosage (milligrammes) plutôt que par fraction de format pharmaceutique (comprimé), afin de rendre la prescription indépendante des produits qui peuvent varier et pour mieux rencontrer les besoins de populations spécifiques comme la pédiatrie, les soins intensifs, et pour faciliter la prescription de certains médicaments. Ils ont aussi décider d’intégrer la nomenclature TALLman dans leur description des médicaments. Ces mesures me semblent tout à fait légitimes.

Les 4 phases du projet étaient:

  • Analyse et consensus: la prise de décision par rapport aux paramètres de chaque médicament, la définition des sources d’information et la mise en place des fichiers maîtres. À noter que pour les voies d’administration, ils ont utilisé la nomenclature SNOMED.
  • La création et validation de la banque de données standardisée
  • La phase pilote dans un hôpital de soins tertiaire sur un groupe de patients restreint, soit les patients avec cancer du poumon.
  • L’évaluation des effets: une étude comparant les périodes de juillet-août 2015 à juillet-août 2016 a été menée. Cette étude consistait en la comparaison des taux d’événements indésirables liés aux médicaments et en un sondage des utilisateurs du système.

Au total, 500 médicaments et principes actifs ont été standardisés dans le cadre du projet, donc 118 dans le groupe ATC L01 (antinéoplasiques). 1893 paramètres, dont 1421 pour les médicaments et 472 pour les principes actifs, ont été standardisés. 27 principes actifs et 57 médicaments avaient une nomenclature TALLman. Sur l’unité pilote, le taux d’événements indésirables liés aux médicaments était de 2,3% avant et 0,69% après l’implantation du système. Les auteurs attribuent implicitement cette diminution de 70% à leur standardisation, mais comme la méthode de mesure des événements indésirables est peu décrite, il est difficile de juger de la validité de ce chiffre et de l’impact réel. Les auteurs estiment que la standardisation a permis d’épargner 238 jours de travail de pharmacien pour la mise à jour des banques de données. Encore une fois la mesure de ce chiffre est peu détaillée donc je trouve difficile de bien juger de ce que cela veut dire réellement.

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.