Utiliser le machine learning pour rédiger les instructions posologiques des médicaments

J’ai déjà parlé de plusieurs applications possibles du machine learning pour améliorer le fonctionnement des dossiers électroniques et pour certaines applications en pharmacie, son application en pharmacie d’établissement de santé étant un de mes intérêts de recherche. Un article publié en février 2021 dans le journal de l‘American Pharmacists Association décrit une application intéressante du machine learning pour assister le pharmacien dans un contexte de pratique communautaire. Dans ce contexte, la réception d’ordonnances électroniques avec des instructions en texte libre écrites par les prescripteurs comporte souvent des instructions inadaptées aux patients (par exemple, du jargon médical, des abréviations, des mots en latin). Les assistant-techniques en pharmacie et pharmaciens doivent « traduire » ces instructions en langage compréhensible par un patient qui n’a pas nécessairement de formation médicale. Cette traduction pourrait être effectuée par un modèle d’intelligence artificielle, ce qui épargnerait du temps et pourrait potentiellement diminuer les erreurs liées à ce processus manuel et variable.

L’objectif de l’étude était d’évaluer un modèle de traduction par intelligence artificielle développé à cette fin. Le modèle en question comportait un réseau de neurones appelé neural machine translation (un type de modèle bien connu et déjà utilisé dans d’autres applications), suivi d’une étape de vérification permettant d’éliminer des traductions incohérentes, puis d’une étape de normalisation. Le modèle avait été préalablement entraîné à partir de la banque de données comportant 537 710 ordonnances électroniques reçues par une pharmacie postale américaine en 2017 et 2018. Le développement et l’entraînement de ce modèle a été présenté à une conférence en novembre 2020. L’article décrit le processus de validation du modèle. Chaque ordonnance comportait 3 éléments utilisés pour l’étude: les instructions en texte libre émises par le prescripteur, les instructions en texte libre remises au patient et élaborées à la main par le personnel de la pharmacie, et les instructions en texte libre déterminées par le modèle d’intelligence artificielle à partir des instructions du prescripteur. D’autres variables étaient également utilisées, notamment la classe du médicament, afin d’orienter le modèle.

300 ordonnances non utilisées pour l’entraînement du modèle (jeu de test de la base de données) ont été échantillonnées et annotées par deux étudiants en pharmacie. Les divergences d’opinion ont été résolues par discussion avec un pharmacien et un chercheur auteurs de l’étude. L’annotation visait à coter les instructions par rapport à leur conformité aux pratiques recommandées pour l’étiquetage des médicaments selon une ligne directrice américaine, par exemple pour valider que toutes les composantes de la posologie étaient présents (dose, unité, voie, fréquence), que les motifs de prise pour les ordonnances au besoin étaient présents, etc. Ils ont aussi coté la « distance minimale » entre les différentes instructions en fonction d’une méthodologie décrite dans l’étude, un chiffre plus élevé indiquant le besoin de plus de manipulations de traitement de texte pour passer d’une chaîne à l’autre.

47 classes de médicaments étaient incluses dans les 300 ordonnances échantillonnées, dont 11,7% de médicaments pour de diabète, 8% de médicaments respiratoires, etc. 35 médicaments à haut risque étaient inclus. 279 ordonnances ont été incluses, celles d’instruments médicaux ayant été exclues. 70,3% des instructions transmises par les prescripteurs n’étaient pas conformes [notamment, 43,7 % contenaient une abréviation, du jargon ou des mots en latin], comparativement à 33,0% des instructions produites par le personnel des pharmacies et 29,7% des instructions produites par le modèle.

Les auteurs soulignent que 23 instructions produites par le modèle comportaient des erreurs de dose, d’unité ou de fréquence, dont 5 pour des médicaments à haut risque, comparativement à 2 pour les instructions produites par le personnel de pharmacie. Un exemple avec un sevrage de prednisone est donné dans l’article.

Les instructions produites par le modèle étaient plus près des instructions finales remises au patient: la distance minimale entre les instructions des prescripteurs et les instructions finales était d’une médiane de 30 (intervalle interquartile 19-47) alors qu’elle était de 18,5 (intervalle interquartile 0-36) entre les instructions du modèle et les instructions finales.

Les auteurs expriment la possibilité qu’un tel modèle serve de « premier pas » lors du traitement d’une ordonnance électronique, ainsi les instructions posologiques pourraient être éditées à partir du texte produit par le modèle plutôt qu’à partir des instructions du prescripteur directement, afin de réduire la charge de travail représentée par l’édition manuelle des instructions posologiques. Ils soulignent à juste titre que les erreurs d’interprétation de certaines posologies faites par le modèle sont un problème; dans ma propre expérience ce genre de situation (où un texte proposé « par défaut » est inexact ou erroné, même rarement) est très mal toléré par les cliniciens. Même s’il est attendu qu’ils éditent le texte, ceux-ci préférent généralement rien du tout plutôt qu’un texte pouvant comporter dans de rare cas une erreur. Les auteurs proposent des solutions possibles, comme par exemple une rétroaction par apprentissage par renforcement permettant au modèle d’identifier en temps réel les erreurs qu’il commet, l’inclusion d’un intervalle de confiance par rapport aux instructions présentées, ainsi que des changements à la manière dont les posologies sont transmises électroniquement pour diminuer le recours au texte libre.

Je trouve cet article intéressant, cette application me semble avoir du potentiel. Même en limitant l’utilisation du modèle aux cas où la performance du modèle serait très bonne, pour éviter les problèmes (ex: exclure les instructions complexes ou les formes pharmaceutiques plus rares), il serait possible de faciliter la vie du personnel des pharmacies dans la rédaction des instructions posologiques remises au patient. Dans le contexte québécois bien sûr, ceci nécessiterait une augmentation significative de la proportion d’ordonnances transmises électroniquement et des améliorations aux logiciels de pharmacie communautaire.

Détection automatique d’erreurs de dispensation en pharmacie communautaire en utilisant les concepts RxNorm

Un article très intéressant est paru en mars 2020 dans JMIR, où les auteurs ont tenté d’utiliser des standards de nomenclature de médicaments dans le contexte de la prescription électronique en milieu communautaire aux États-Unis pour identifier des erreurs de dispensation de médicaments.

L’objectif de l’étude était de déterminer s’il était possible d’identifier des erreurs de dispensation en comparant le produit prescrit au produit dispensé, le produit prescrit étant décrit selon la terminologie RxNorm et le produit dispensé selon les codes de médicaments américains NDC, équivalents des DIN canadiens. Il est important de souligner que RxNorm dispose d’un API qui permet d’exécuter des requêtes informatiques automatisées de manière à obtenir les codes correspondants à un produit facilement, sans réconciliation manuelle.

Dans le contexte américain, les prescriptions électroniques contiennent des identifiants reliés à des concepts RxNorm qui permettent de décrire le produit prescrit selon divers niveaux de détail (d’ailleurs la discussion de l’article décrit comment ces identifiants sont progressivement devenus prévalents dans les ordonnances électroniques alors qu’ils ne l’étaient pas il y a quelques années). On peut facilement faire des parallèles avec le référentiel canadien du médicament qui supporte la technologie PrescripTIon d’Inforoute Santé Canada. Les concepts utilisés aux fins de réconciliation étaient le « semantic clinical drug » (SCD), le « generic pack » et le « semantic branded drug ».

Les auteurs ont obtenu 537 710 paires de prescriptions et médicaments dispensés entre janvier 2017 et octobre 2018 par une pharmacie en ligne américaine. 527 881 paires (98,2%) ont pu être analysées représentant 17 123 numéros NDC et 3 838 concepts SCD.

550 paires (0,1%), représentant 94 prescriptions uniques (une prescription étant associée à plusieurs dispensations) étaient discordantes, c’est-à-dire que le médicament décrit dans RxNorm ne correspondait pas au médicament dispensé au patient, les détails des discordances sont dans le texte complet de l’article. Parmi ces 94 paires, 4 représentaient des erreurs pouvant être cliniquement significatives, représentant quand même beaucoup de faux positifs (précision 0,04 et rappel de 1 pour un score F1 de 0,08). Ceci représente 137 fausses alertes pour une vraie alerte, mais les auteurs affirment que des ajustements à leur méthode permettent de diminuer ce nombre à 23 fausses alertes pour une vraie. Ils décrivent également différents endroits dans le flot de travail où cette alerte pourrait être intégrée pour qu’elle soit plus efficace, par exemple au moment de la transcription de l’ordonnance par le technicien en pharmacie.

Fait intéressant, les auteurs ont relevé 1731 numéros NDC qui ne correspondent à aucun concept RxNorm, comme les produits utilisés dans le traitement du diabète (lancettes, bandelettes, moniteurs de glucose, seringues…). Ceci rejoint le concept de « pseudo-DIN » utilisé au Canada et au Québec pour contourner les limitations de l’utilisation des DIN à des fins de réclamation d’assurance et démontre que les standards de nomenclature des médicaments échappent certains concepts pour des produits qui ne sont pas des médicaments mais sont « gérés » comme s’ils en étaient du point de vue de la pharmacie.

Je trouve que cette étude démontre une méthodologie techniquement simple (quoique son implantation dans les logiciels de pharmacie communautaire serait quand même plus complexe, rien n’est jamais simple en informatique clinique, mais le principe de comparer les identifiants obtenus via un API public est quand même simple) qui ajouterait une sécurité qui serait la bienvenue dans le circuit de traitement des prescriptions électroniques. Je discutais récemment des lacunes du système québécois de transmission des ordonnances électroniques en milieu communautaire. Comme le système québécois est basé sur le DIN à la fois du côté de la prescription et de la dispensation, et que la substitution générique n’est pas du tout gérée au niveau des discordances de DIN, évidemment un système comme décrit ici serait inapplicable. Mais dans le système PrescripTIon d’Inforoute, la comparaison des produits dispensés aux concepts du référentiel canadien transmis dans une ordonnance électronique pourrait avoir le même effet.

Évaluation du système québécois de transmission des ordonnances électroniques en milieu communautaire

Cet article est paru en août 2019 et décrit une étude qui a eu lieu de juillet 2017 à juin 2018 pour évaluer le système centralisé de transmission des ordonnances électroniques de médicament en milieu communautaire du Québec. Spécifiquement, on parle de la transmission d’une ordonnance à partir d’un dossier médical électronique (DMÉ) d’une clinique médicale ou GMF vers ce répertoire centralisé, puis sa récupération dans un système de pharmacie communautaire en vue d’une délivrance au patient.

Le système québécois est différent d’autres systèmes de par le fait qu’il repose sur une banque de données centralisée vers laquelle les ordonnances sont envoyées par les DMÉ, puis de laquelle elles sont récupérées par les pharmacies communautaires. Ceci diffère de modèles point-à-point où les ordonnances sont envoyées d’un DMÉ directement vers une pharmacie communautaire. Pour la présente étude, les données d’utilisation du système durant la période d’étude ont été extraites. Une pharmacie communautaire a été visitée pour compiler les données sur les ordonnances exécutées durant une semaine, et des entrevues ont été menées avec des utilisateurs de 2 DMÉ et 5 logiciels de pharmacie.

Durant la période d’un an, 13% des ordonnances dispensées ont été rédigées électroniquement. Cependant, peu de cliniciens ont rédigé des ordonnances électroniques, soit entre 2400 et 3900 par mois sur un potentiel de plus de 10 000. En pharmacie, l’échantillon a démontré que 55% des ordonnances ont été rédigées à partir d’un DMÉ mais seulement 35% ont été transmises électroniquement. Seulement 2% des ordonnances ont été reçues électroniquement. En considérant uniquement les ordonnances envoyées électroniquement, seulement 16% des ordonnances électroniques ont été récupérées.

Les problèmes identifiés qui contribuaient à cet état de situation sont détaillées dans l’article, je vous présente ici un résumé mais je vous invite à lire le texte complet pour tous les détails:

Du côté des DMÉ:

  • La conception des ordonnances basées sur le DIN. Le DIN décrit un produit commercial d’un manufacturier précis, hors la plupart du temps le prescripteur veut prescrire une molécule et non un produit commercial précis. J’ai déjà parlé de ce sujet sur ce blogue. Les auteurs soulignent aussi que la banque de données des DIN était mal maintenue, comportant par exemple des produits discontinués.
  • L’absence d’aide à la décision lors de la prescription.
  • L’absence de fonctionnalités connexes à la prescription comme la possibilité de recevoir électroniquement des demandes de renouvellements de la part de pharmacies et d’y répondre directement à partir du DMÉ.
  • La notion qu’une copie papier de l’ordonnance devait être remise au patient, forçant ainsi l’impression d’une copie papier permettant ainsi au prescripteur de modifier la copie papier de sans ajuster la version électronique pour y correspondre.

Et du côté des pharmacies:

  • L’absence de notification de la disponibilité d’une ordonnance électronique.
  • Un mauvais design des logiciels forçant l’exécution d’une ordonnance électronique lors de sa consultation ou empêchant l’importation de plusieurs ordonnances.
  • La fonctionnalité d’auto-complétion des champs du logiciel de pharmacie à partir de l’ordonnance électronique était déficiente et générait des erreurs.
  • L’impossibilité de consulter la version « originale » de l’ordonnance électronique une fois exécutée, afin de vérifier que ce qui a été entré au dossier pharmacologique était adéquat en fonction de l’ordonnance reçue.

L’article est très détaillé et illustre bien les conséquences d’une inadéquation entre les besoins cliniques (et même les obligations légales, par exemple de pouvoir retrouver l’original d’une ordonnance) et les fonctions offertes par les systèmes informatiques.