Une étude sur la posologie structurée en prescription électronique communautaire

Alors que les terminologies décrivant les médicaments (ex.: RxNorm aux États-Unis, CCDD au Canada) sont assez bien connues et utilisées pour la transmission de prescriptions électroniques en milieu communautaire, les éléments de description de la posologie font l’objet de plus de variabilité. Par exemple, au Québec, le DSQ reçoit les posologies de la part des logiciels de pharmacie communautaire sous forme de texte libre, ce qui a pour effet qu’une seule et même posologie peut être exprimée d’une variété de manières.

Une étude est parue en octobre dans JAMIA sur le sujet. Alors que les prescriptions émises dans les logiciels de prescription en établissement sont en général rédigées avec une posologie structurée, aux États-Unis, les instructions posologiques contenues dans les prescriptions électroniques peuvent être structurées ou en texte libre. Un standard américain existe pour les ordonnances destinées au milieu communautaire, le NCPDP SCRIPT, mais l’utilisation des champs structurés n’est pas obligatoire. Ce standard utilise entre autres la terminologie SNOMED CT. Selon l’introduction de l’article, en 2020, environ 11% des ordonnances électroniques transmises aux pharmacies communautaires américaines utilisaient ce standard. L’objectif de l’étude était de déterminer l’étendue d’utilisation du standard dans un jeu de données de prescriptions électroniques provenant d’une entreprise gérant la transmission de prescriptions. Ensuite, les chercheurs souhaitaient comparer les instructions en texte libre aux éléments de données codifiés selon le standard dans les prescriptions, afin d’identifier les enjeux de qualité dans les prescriptions. En effet, des instructions en texte libre discordantes par rapport aux éléments de données granulaires codifiés dans la posologie, ou des éléments de posologie structurée illogiques, indiquent une prescription ambiguë ou contradictoire, à risque d’erreur.

Les auteurs ont obtenu un jeu de données provenant de 12 logiciels de prescription électronique couvrant 31 326 lieux de prescription aux États-Unis entre 2019 et 2021, pour un total de total 3 819 940 prescriptions électroniques. Ils ont identifié les prescriptions comportant des instructions structurées, et ont analysé les directives résultantes à l’aide d’un modèle de traitement du langage appelé Med7 afin de déterminer les doses, formes pharmaceutiques, voies d’administration, fréquences et durées des prescriptions. Au final, 32,4% des prescriptions comportaient au moins une composante de la posologie dans un format structuré.

Diverses analyses ont été réalisées pour déterminer la progression de l’utilisation de la posologie structurée à travers la période couverte par le jeu de données. Les auteurs ont aussi réalisé une comparaison de la prévalence de chaque composante des instructions posologiques entre les prescriptions rédigées directement en texte libre par rapport à celles rédigées de manière structurée.

Les enjeux identifiés dans les éléments de posologie structurée ont été évalués et catégorisés. Cette section est très intéressante. On constate assez clairement que l’utilisation d’une posologie structurée ne prévient pas les ordonnances ambiguës ou illogiques. Citons par exemple:

  • Des ordonnances sans arrondissement (ex.: 975 mg = 30.4688 mL)
  • Des ordonnances pour lesquelles le calcul d’équivalence entre la dose et les formes pharmaceutiques était mal fait (ex.: 1000 mg = 1000 comprimés)
  • Des ordonnances où l’expression de fractions était mal calculée (ex: 11/2 comprimés = 5,5 comprimés plutôt que 1 1/2 comprimé soit 1,5 comprimé)
  • Des ordonnances avec une dose illogique (ex.: appliquer une demi petite quantité)
  • Des discordances entre les données structurées et le texte (ex.: texte dit « qd », mais la donnée structurée dit « qid »)

Les auteurs proposent des stratégies d’amélioration dans la discussion. Je vous invite à lire le texte complet si le sujet vous intéresse. Je retiens de cet article que l’utilisation d’une posologie structurée à des fins de transmission électronique des prescriptions en milieu communautaire n’aboutit pas automatiquement en des prescriptions de qualité. Comme en milieu hospitalier, deux enjeux majeurs sont les discordances entre le texte libre et les champs structurés, ainsi que les instructions ambiguës ou illogiques dans les champs structurés.

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.