Affiches présentées à l’Événement des pharmaciens 2017

Je n’ai malheureusement pas pu assister à l’Événement des pharmaciens 2017, congrès qui réunissait l’Association des Pharmaciens des Établissements de Santé (APES) du Québec et l’Ordre des Pharmaciens du Québec, entre autres. Cependant, les affiches présentées dans le cadre de ce congrès via l’APES ont été récemment publiées dans le Pharmactuel.

Je vous présente ici les données tirées des affiches traitant de l’utilisation de la technologie dans les pharmacies d’établissement de santé.

Temps requis pour la vérification par code-barre des services quotidiens

Un groupe du CISSS de Laval a comparé le temps requis pour la préparation des services quotidiens de médicaments par la méthode traditionnelle (feuilles de travail imprimées) par rapport à une méthode assistée par code-barre. Le temps de préparation requis pour l’assistant-technique préparateur et le nombre d’erreurs ont été collectées. 614 doses ont été évaluées par la méthode traditionnelle et 471 pour le code-barre, avec un temps moyen de 8,2 secondes par méthode traditionnelle contre 14,3 secondes par code-barres. Cependant, moins d’erreurs ont été constatées avec le code-barre. J’espère que cette étude sera publiée en texte complet car les résultats sont intéressants; j’imagine que l’effet observé est hautement dépendant du flux de travail (“workflow”) imposé par le système informatique, il serait intéressant de connaître les étapes limitantes et de réfléchir à la possibilité de les raccourcir. Il faut aussi noter que le temps calculé ne semble pas tenir en compte le temps de double vérification, soit par un autre assistant-technique dans le cadre d’une délégation, soit par un pharmacien, qui pourrait être réduit même si le temps de préparation augmente.

Sondage québécois sur l’utilisation du code-barre dans le circuit du médicament

La même équipe (j’imagine dans le cadre du même projet) a effectué un sondage québécois sur l’utilisation du code-barres dans le circuit du médicament, du 14 au 23 mars 2017. Tous les chefs de département de pharmacie listés à l’APES ont été contactés, soit 100 personnes. 35 ont répondu (35%). Seulement 5,7% des établissements n’ont aucune étape du circuit utilisant le code-barre, et 54% utilisent le code-barre pour la préparation des services quotidiens de médicaments. Ces données viennent complémenter les données québécoises du dernier sondage sur la pharmacie hospitalière datant de 2013-2014.

Chronométrage des activités du pharmacien dans une clinique externe d’oncologie

Cette étude ne ciblait pas la technologie à proprement parler, mais elle comporte des données quand même intéressantes dans ce contexte. Pendant 8 jours en mai 2016, les activités des pharmaciens à la clinique externe d’oncologie d’un hôpital du CHUM ont été chronométrées. Les données détaillées sont dans l’affiche, mais je trouve intéressant de souligner que 31,3% du temps était consacré à des activités non planifiées, comme des réponses aux appels et aux questions. Dans le contexte de la validation centralisée, une proportion significative du temps du pharmacien est justement consacrée à répondre à des questions et à des appels téléphoniques, et cette donnée pourrait servir de comparateur pour le temps passé à cette activité, en gardant en tête qu’il s’agit ici d’une clinique externe et non d’une pharmacie centrale.

Fiabilité du DSQ et du profil de pharmacie communautaire comparés à l’histoire médicamenteuse pour la prescription à l’urgence

Un groupe du CISSS Montérégie-Centre a évalué le nombre de divergences entre les listes extraites du DSQ, les profils de pharmacie communautaire et les histoires médicamenteuses faites en personne chez 250 patients admis ou en observation à l’urgence de l’hôpital Charles-Lemoyne. 1010 divergences ont été notées au DSQ et 714 au profil de pharmacie communautaire, cependant la potentiel de sévérité des divergences observées n’était pas significativement différent entre les deux méthodes. Il s’agit encore ici d’une étude pour laquelle le texte complet serait intéressant à obtenir dans le futur, car ces données viennent compléter d’autres déjà publiées sur le sujet.

Identification des combinaisons inhabituelles de médicaments

Cette étude de type preuve de concept visait à développer un algorithme de détection de combinaisons inhabituelles de médicaments, à partir d’une matrice de probabilité de combinaisons de médicaments dans les dossiers pharmacologiques historiques d’un établissement de santé. Il s’agit d’un exemple relativement simple de machine learning appliqué à la pharmacie. Une étude sur le machine learning pour la détection d’interactions médicamenteuses a d’ailleurs déjà été publiée, il s’agit ici de la première étude sur cette technique qui pourrait s’appliquer à la validation d’ordonnances, à ma connaissance. L’application pratique d’un tel algorithme serait d’indiquer au pharmacien la présence de combinaisons inhabituelles au dossier sur la base de ce qui a été validé dans le passé, ceci afin d’identifier rapidement des erreurs de saisie (par exemple des médicaments Look-Alike, Sound-Alike qui auraient été confondus à la prescription ou à la transcription).

La validation centralisée d’ordonnances en pharmacie d’établissement doit être repensée, en particulier dans le contexte de l’arrivée de la prescription électronique avec aide à la décision. Le machine learning est une avenue intéressante pour améliorer le processus, j’ai bien hâte de voir le développement de cette technique dans le futur.

Affiches présentées à l’Événement des pharmaciens 2017

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.

Détection d’erreurs médicamenteuses par machine learning

Articles de la semaine

ANGLETERRE, UNE MÉTHODE POUR ANALYSER LE TEXTE LIBRE D’ORDONNANCES ÉLECTRONIQUES EN COMMUNAUTÉ

Cette étude présente une application du machine learning, partiellement assisté par des humains. Les chercheurs visaient à développer un algorithme pour analyser le texte libre associé aux ordonnances électroniques de soins primaires en Angleterre. L’article est disponible en texte complet gratuitement sur PubMed Central.

Les auteurs ont noté que le texte libre, contrairement aux champs à usage spécifique, était surtout utilisé pour décrire la variabilité dans la prise de doses, par exemple “prendre 1 à 2 fois par jour si besoin”. On comprend donc que le système de prescription électronique en place ne permettait pas de noter cette variabilité dans les champs spécifiques.

Une banque d’environ 200 prescriptions extraites du registre national contenant plus de 56 000 prescriptions en texte libre ont été utilisées pour construire des règles permettant d’interpréter le texte libre et de le coder sous forme de données analysables. Trois personnes ont validé indépendamment les résultats de cette phase d’apprentissage, qui a montré un succès de plus de 90% pour interpréter le texte.

Par la suite, les règles ont été appliquées aux 56 114 prescriptions du registre. Faits à souligner, près du quart des ordonnances comportaient une variabilité dans au moins un des paramètres (dose, fréquence, jours de prise). Malgré tout, seulement 0,72% des prescriptions n’ont pu être interprétées. Pour environ 20% des ordonnances, au moins un paramètre n’a pas pu être interprété (dose minimale, maximale, fréquence ou intervalle).

Je trouve cet article intéressant en raison des stratégies d’interprétation des instructions posologiques qui sont très bien décrites et analysées. Les auteurs décrivent bien comment découper du texte de prescription de manière à le rendre interprétable par une machine. Dans le contexte de la prescription électronique, ces règles devraient servir à concevoir les champs utilisés pour spécifier les posologies. Et surtout, il est nécessaire de prévoir une manière de coder les paramètres variables dans des champs spécifiques, pour éviter de se retrouver avec un problème d’interprétation de texte libre.

CONSENSUS international SUR LES ALERTES ÉLECTRONIQUES POUR L’INSUFFISANCE RÉNALE AIGUE

Cette publication est le résultat d’une conférence d’experts internationaux qui sont arrivés à un consensus sur les caractéristiques des alertes électroniques d’insuffisance rénale aigue. Une revue de la littérature (malheureusement non systématique) combinée à un processus Delphi ont été utilisés pour mener au consensus. Le texte complet est disponible gratuitement sur PubMed Central.

Les grandes lignes sont:

  1. Les études sont hétérogènes et contradictoires, en plus d’être hautement dépendantes de la manière dont chaque alerte a été évaluée et des pratiques locales.
  2. La mise en place d’une alerte électronique doit prendre en compte beaucoup de facteurs, dont la fiabilité de l’alerte et sa “philosophie”, le contexte clinique, la méthode d’alerte, le niveau de dérangement causé, et les attentes en termes de résultat clinique.
  3. La performance des alertes mises en place devraient être mesurées en terme d’assurance-qualité, de réponse des cliniciens et d’issues cliniques.
  4. L’alerte devrait mener à une réponse clinique, à la confirmation du diagnostic par le médecin, à la documentation dans le dossier électronique, et au suivi des paramètres du patient.

Ce qui est bien de ce consensus, c’est que malgré qu’il ait été fait spécifiquement pour l’insuffisance rénale aigue, on pourrait pratiquement l’exporter tel quel à une grande variété d’autres situations.

Autriche et france, les lacunes des fonctions d’alertes électroniques reliées à la médication

Cet article de revue avait pour objectif de caractériser les problèmes reliés au design des fonctions d’alertes électroniques reliées à la médication présentes dans les systèmes de dossiers médicaux électroniques et de prescription électronique.

La méthode de recherche, sélection et révision des articles est décrite en détail. 6380 publications ont été identifiées pour finalement aboutir à 26 qui ont rencontré les critères d’éligibilité, soit des articles ciblant des fonctions d’alertes électroniques dans des systèmes de prescription électronique de médicaments, en milieu communautaire ou en hôpital général (excluant l’urgence, et l’anesthésiologie), décrivant les problèmes d’utilisation de manière objective, et avec une qualité de méthode et de description acceptable.

Les résultats ont montré d’abord des problèmes qualifiés de généraux, en ce sens qu’ils pourraient être observés dans n’importe quel programme informatique et pas spécifiquement dans la prescription de médicaments:

  • Une mauvaise présentation visuelle, l’illisibilité, ou le manque de visibilité
  • La surcharge d’information ou une densité d’information trop élevée
  • De l’information imprécise ou un message d’erreur imprécis
  • Un comportement du système non constant d’alerte en alerte
  • Certains types d’utilisateurs ne voyant pas des alertes pertinentes pour eux
  • L’impossibilité de prendre l’action appropriée à partir de l’affichage de l’alerte

D’autres problèmes étaient spécifiques aux fonctions reliées à la médication:

  • L’affichage d’alertes peu pertinentes ou intempestives (ratio signal/bruit faible)
  • Un contenu d’alerte non à jour ou erroné
  • L’absence de texte décrivant le problème ou l’absence de références
  • L’affichage au mauvais moment durant la prescription
  • L’alerte ne s’affichant pas à la bonne personne
  • L’alerte ne pouvant pas être reportée ou vue de nouveau
  • L’alerte ne pouvant pas être transférée à un autre utilisateur

Ces éléments devraient donc être pris en considération par les personnes qui programment les alertes affichées par des systèmes informatiques.

Articles de la semaine

Articles de la semaine: Machine learning et pharmacovigilance

Un seul article cet semaine, car il fait mal au cerveau.

Cependant, il y a une lecture préalable si vous n’êtes pas familiers avec le machine learning et la terminologie associée (merci à @hamstav pour l’article).

Lecture préalable

L’article vient de la revue Circulation et présente les bases du machine learning (apprentissage-machine ou apprentissage artificiel en français selon le Grand dictionnaire terminologique) tel qu’appliqué aux sciences de la santé. En (très) résumé, il s’agit d’une technique utilisant la puissance de calcul d’ordinateurs pour établir des modèles statistiques très élaborés afin de relier plusieurs variables (appelés facteurs) à une issue selon des relations complexes.

L’intérêt pour cette technique vient, depuis quelques années, de l’augmentation impressionnante de la puissance de calcul des ordinateurs. En effet, il est maintenant possible d’élaborer des modèles prenant en compte un grand nombre de facteurs, et même de découvrir de nouveaux facteurs, avec des relations plus complexes que celles des techniques statistiques classiques (la régression logistique ou la régression de Cox, par exemple).

Grâce à différents algorithmes, un ensemble de données “test” est examiné par l’ordinateur qui tente de dégager des relations entre les facteurs et les issues. Le résultat est un ensemble de modèles qui peuvent être utilisés séparément ou combinés pour prédire l’issue d’intérêt. Par la suite, le modèle peut être appliqué à des données qui n’ont pas été examinées dans la phase d’apprentissage pour vérifier si les prédictions s’avèrent fiables, voire même pour effectuer des analyses en pratique clinique. Un modèle avec une bonne performance peut, tel que mentionné dans l’article, être utilisé pour analyser des images provenant de biopsies, déterminer le risque de développer une maladie,  ou prédire la réponse à un médicament, par exemple.

En dehors des sciences de la santé, le machine learning est utilisé par exemple pour la reconnaissance d’images ou de voix. Il existe même des compétitions de machine learning.

L’article de la semaine: Suède, Machine learning et pharmacovigilance

Il s’agit d’une étude rétrospective présentée à la conférence IEEE International Conference on Bioinformatics and Biomedicine 2014. L’étude avait pour objectif d’établir si les données provenant de dossiers cliniques informatisés pouvaient aider à prédire les effets indésirables aux médicaments à l’aide de techniques de machine learning.

Les auteurs ont utilisé une banque de données provenant du dossier clinique informatisé du Karolinska University Hospital à Stockholm, contenant des informations sur environ 700 000 personnes de 2009 à 2010. L’ensemble de données comprenait des diagnostics, des administrations de médicaments, des mesures cliniques, des résultats de laboratoires, et des notes cliniques en texte libre. Les diagnostics étaient encodés selon l’ICD-10, et les médicaments selon l’ATC.

Pour la construction des ensembles de données de test, les 27 codes ICD reliés aux effets indésirables aux médicaments les plus fréquents dans la banque de données ont été sélectionnés, et 27 ensembles de données ont été construits où des patients ont été classés selon la présence ou l’absence de l’effet indésirable associé à chaque code. Les patients classés comme n’ayant pas présenté d’effet indésirable devaient avoir un code ICD pour un diagnostic similaire, mais non relié à un effet indésirable (par exemple mal de tête causé par un médicament vs. mal de tête causé par autre chose).

L’algorithme d’apprentissage utilisé principalement dans l’étude était le random forestmais d’autres algorithmes ont aussi été testés. Les mesures de performance de l’algorithme étaient l’exactitude (accuracy) et l’aire sous la courbe ROC. Les paramètres analysés comme facteurs étaient les codes cliniques (médicaments et diagnostics) et les mesures cliniques (température, pression artérielle, etc). Ces deux types de données ont été analysées seules, puis en combinaison.

Les résultats sont (très) complexes, mais on en comprend globalement que les codes cliniques sont de meilleurs outils que les mesures cliniques pour prédire les effets indésirables. Cependant, on peut légèrement améliorer la performance en combinant les mesures et les codes, en particulier pour certains types d’effets indésirables où cela peut être pertinent, comme par exemple l’anémie induite par un médicament.

Mon interprétation

Il s’agit d’une étude complexe et dont la répercussion clinique n’est vraiment pas évidente, mais je la trouve intéressante pour trois raisons:

  • D’abord, elle illustre comment le machine learning, qui est déjà en voie de s’intégrer à des spécialités comme par exemple la pathologie ou l’oncologie, peut avoir une rôle en pharmacie.
  • Ensuite, elle laisse penser que cette technique pourrait être dans l’avenir un outil précieux pour supporter le pharmacien dans son travail de pharmacovigilance. Par exemple, on peut imaginer des logiciels d’aide à la décision qui apprendraient les facteurs de risque de développer un effet indésirable à partir de dossiers cliniques informatisés de grands centres hospitaliers, ou même de dossiers nationaux.
  • Finalement, elle illustre comment le codage des données cliniques, dont j’ai déjà parlé précédemment, peut devenir un outil très puissant s’il est appliqué de manière systématique à un grand ensemble de données.

 

Articles de la semaine: Machine learning et pharmacovigilance