Appliquer l’intelligence artificielle à la pharmacie d’établissement de santé

Vous avez pu constater dans un épisode du podcast Trait Pharmacien de l’APES que je m’intéresse aux applications de l’intelligence artificielle (IA) à la pharmacie d’établissement de santé et que je participe à des projets de recherche sur ce sujet. Malheureusement, malgré l’explosion de publications sur l’IA en soins de santé et en médecine, assez peu de publications examinent spécifiquement les applications en pharmacie ou mentionnent les impacts pour les pharmaciens. J’ai été très heureux de voir dans le numéro de mai de l’AJHP un article parlant de ce sujet. Je crois donc que le moment est opportun pour présenter ici une revue informelle des publications que je trouve pertinentes pour les pharmaciens.

D’abord: garder la tête froide

Avant toute chose, je crois qu’il est important de parler de l’effervescence qui entoure l’IA, et en particulier dans le milieu de la santé. Je crois qu’en tant que professionnels de la santé visant une pratique fondée sur les données probantes, il faut garder une approche scientifique et factuelle, et surtout ne pas se laisser influencer par l’effervescence, le hype qui tourne autour de la science de l’IA. Dans le contexte où l’apprentissage automatique (machine learning) (ML) et l’IA sont des sujets assez complexes, que c’est un domaine de recherche qui fait beaucoup parler à la fois dans la communauté scientifique et chez le grand public, et que beaucoup d’argent coule vers des initiatives en IA, il peut être facile de gonfler des promesses de résultats ou de tomber dans le mauvais réflexe qu’utiliser l’IA est nécessairement une bonne chose. Je vois souvent des logiciels ou des produits qui se vantent « d’utiliser l’IA » sans décrire clairement de quelle manière et sans présenter des données probantes sur l’apport de cette technologie au produit par rapport à d’autres approches. Je crois que ce genre d’affirmation devrait être évaluée avec scepticisme.

Un article de perspective du NEJM en 2017 devrait être lu par ceux qui s’intéressent à ce sujet. Je crois que le point crucial à retenir de cet article est cette phrase, dont le sens est très clair:

[…] even a perfectly calibrated prediction model may not translate into better clinical care.

L’approche générale à l’IA en soins de santé

Un bon premier article à lire pour développer ses connaissances est paru en 2019 dans le NEJM. Celui-ci présente des principes très généraux, sans aller dans les détails, et donne des exemples d’applications potentielles.

Je ne discuterai pas ici d’applications générales aux soins de santé, ni d’applications propres à des spécialités médicales, en particulier l’imagerie, puisque de nombreux articles de revue s’y consacrent, mais sachez que ces exemples sont nombreux.

L’IA appliquée à la pharmacie: analyse et prédiction d’ordonnances

En ce qui a trait aux publications applicables à la pharmacie, très peu de littérature présente des données concrètes et pas seulement des idées. La plupart des données publiées visent l’analyse et la prédiction d’ordonnances.

Un groupe se concentre sur le lien entre un médicament et sa posologie. Leur publication de 2014 ciblait un nombre limité de médicaments, cependant un article plus récent de leur part démontre une généralisation de leur technique. Ils utilisent les données de fréquence de chaque posologie (dose, voie et fréquence) prescrite pour un médicament afin de déterminer si une ordonnance est habituelle ou non. Ça me semble très intéressant, un logiciel développé à partir de cette approche pourrait donner à un pharmacien une rétroaction sur la posologie prescrite pour un médicament. Cette approche n’offre cependant pas de rétroaction sur le médicament lui-même en fonction du contexte du patient.

À propos de ce dernier point, les publications sur l’analyse du médicament par rapport à son contexte remontent jusqu’à 2008, où un projet de maîtrise au MIT cherchait à prédire la séquence d’ordonnances dans le contexte d’un patient afin d’offrir des suggestions lors de la prescription électronique. Cette publication est impressionnante. Sans réseaux de neurones et sans apprentissage profond, avec de l’analyse de motif séquentiel, ils ont réussi à prédire le prochain médicament (au niveau du nom générique seulement, cependant) avec 70,2% de succès en 20 essais.

Encore dans l’analyse de motif séquentiel, une autre étude a réussi à prédire le prochain médicament prescrit pour le diabète, donc parmi un nombre limité de possibilités avec environ 64% de succès en 3 essais.

Un groupe a utilisé une technique de traitement du langage, le Latent Dirichlet Allocation, permettant de modéliser des sujets de textes, pour analyser des séquences d’ordonnances. Ils ne se sont pas intéressés seulement aux médicaments mais ont analysé toutes les ordonnances. Ils ont démontré que cette technique permet de mieux prédire les ordonnances des 24 heures suivant l’admission, avec une aire sous la courbe ROC de 0.90, que simplement la déduction à partir des ordonnances pré-rédigées utilisées à l’admission, avec une aire sous la courbe ROC de 0.81.

Le même groupe a publié un article démontrant certaines limites aux données collectées dans le cadre de la pratique clinique: puisque celles-ci évoluent, on ne peut pas remontrer trop loin dans le passé, sinon le modèle tente d’apprendre à partir de pratiques qui ne sont plus idéales, et ceci fait baisser la qualité des prédictions. Ceci limite le volume de données disponibles lorsqu’on extrait des données de systèmes cliniques à des fins de ML.

Enfin, une autre publication a évalué un logiciel commercial offrant de l’aide à la décision appuyée sur du ML. J’ai déjà parlé de cet article dans un billet en 2017.

Vient maintenant le moment de parler d’un projet sur lequel je travaille directement visant également la prédiction d’ordonnances, mais cette fois au niveau du produit précis, et non simplement au niveau du générique, avec une approche qui combine l’analyse du langage par réseau de neurones (la technique word2vec) avec l’apprentissage profond. J’ai présenté nos premiers résultats à la conférence Machine Learning for Healthcare qui avait lieu à Ann Arbor en août 2019. Nous soumettrons un premier manuscrit pour publication sous peu.

Enfin, comme mentionné dans le podcast Trait Pharmacien, l’identification de comprimés (et j’imagine que ce serait applicable à bien des formes pharmaceutiques) en utilisant un réseau de neurones à convolutions démontre une efficacité prometteuse, bien que je n’ai pas connaissance de données publiées sur une application pratique de cette technologie en pharmacie.

L’IA dans les sujets connexes à la pratique de la pharmacie

Il existe également plusieurs publications sur les applications de l’IA dans des domaines qui touchent les pharmaciens sans nécessairement entrer dans l’analyse d’ordonnances comme tel. Mentionnons en particulier, sans que ce soit exhaustif, la pharmacovigilance et la surveillance de patients ou de médicaments précis (en particulier les antimicrobiens).

Pour ceux qui veulent pousser davantage: comment apprendre à créer un modèle d’apprentissage automatique ?

Pour bien comprendre les implications de l’IA et du ML, je crois qu’il est grandement préférable d’en faire soi-même, même si ce n’est qu’un petit projet. Heureusement, il est tout à fait possible d’apprendre les bases avec des livres et des cours en ligne gratuits ou peu coûteux. Le plus gros investissement à prévoir est du temps. Il faut évidemment avoir un intérêt pour les mathématiques (en particulier l’algèbre linéaire), les statistiques, et la programmation. Les techniques simples de ML peuvent être exécutées sur à peu près n’importe quel ordinateur moderne. Seule exception, pour se lancer dans les réseaux de neurones et l’apprentissage profond, il faut une machine avec une bonne quantité de mémoire vive et une carte graphique Nvidia récente.

Globalement, pour arriver à réaliser un projet d’intelligence artificielle, il faut:

Il existe un nombre impressionnant de tutoriels, de cours et de livres sur le sujet, la sélection que je vous présente est uniquement le cheminement que j’ai suivi moi-même pour y arriver. Toutes ces étapes ne sont définitivement pas obligatoires et même se recoupent un peu, l’objectif ici est simplement de partager un maximum de ressources pour ceux qui seraient intéressés à tenter l’expérience eux-mêmes.

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.

 

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.