Expérience d’implantation d’un dossier électronique national en Finlande

Il est intéressant de suivre les publications émanant des pays européens et scandinaves qui décrivent les implantations de dossiers électroniques. Ces pays font face à des défis qui pourraient ressembler à ceux du Québec lors de l’implantation à venir de logiciels de dossier électronique intégrés, notamment le projet de DSN. Les pays européens et scandinaves travaillent dans plusieurs langues et pas seulement l’anglais, ont des modèles d’organisation de la santé davantage axés sur le secteur public qu’aux États-Unis, et ont une culture de pratique professionnelle différente de celle des États-Unis. Leur expérience me semble donc riche en leçons à tirer en vue de ce qui s’annonce chez nous.

Dans le contexte de la pharmacie d’établissement, on pourrait croire que ce genre d’informatisation pourrait amener des gains en terme d’erreurs liées au circuit du médicament. Malheureusement, les études existantes sur l’effet sur les erreurs se concentrent souvent sur des composantes particulières du circuit (ex: prescription électronique, code-barres, etc.), et plusieurs composantes sont déjà implantées à divers endroits du Québec indépendamment de dossiers électroniques intégrés (prescripteur électronique, FADM électronique, code-barres, cabinets, assistance aux préparations, DSQ, etc.) Les publications décrivant les bénéfices du circuit du médicament en boucle fermée commencent à dater ou incluent des composantes déjà implantées comme les cabinets.

J’ai lu avec intérêt une nouvelle publication décrivant les leçons apprises par rapport au circuit du médicament, écrit par plusieurs personnes ayant travaillé à l’implantation d’un logiciel de dossier électronique intégré en Finlande. Les auteurs étaient affiliés au département de pharmacie de l’hôpital universitaire d’Helsinki et la Faculté de pharmacie de l’Université de Helsinki; cet institution comprend 23 hôpitaux desservant 1,6 millions de personnes.

Les auteurs ont vécu l’implantation d’un logiciel de dossier électronique intégré américain incluant un circuit du médicament en boucle fermée. Ils ont basé leur analyse sur les rapports d’incidents écrits de janvier 2018 à mai 2021. Le premier tableau de l’article décrit l’état du circuit du médicament avant et après l’implantation, je crois qu’un des changements les plus importants à souligner est que les ordonnances de médicaments n’étaient pas validées avant l’arrivée du système; les auteurs décrivent comment il était nouveau pour eux de pouvoir faire cette validation dans le logiciel. On peut essentiellement comprendre que le circuit du médicament original était très peu intégré, avec beaucoup d’étapes de transcription et d’opérations manuelles. Le circuit après l’implantation était plus intégré, avec l’utilisation de technologies comme les interfaces avec les cabinets, les codes-barres, la FADM électronique et la validation (partielle) des ordonnances.

On peut voir que le nombre de rapports d’incidents liés aux médicaments a augmenté durant la période d’implantation pour ensuite revenir à son niveau de base. Certains médicaments liés à des posologies particulières ont été davantage impliqués, probablement en raison de difficultés à bien prescrire les posologies complexes dans le système (ex: lévothyroxine avec doses différentes selon le jour de la semaine).

Les auteurs décrivent leur processus de bilan comparatif des médicaments. L’implantation du logiciel a permis de réaliser la prescription d’admission à partir de la liste des médicaments à domicile du patient, importée d’un système qui semble équivalent à notre DSQ. Les auteurs soulignent 3 enjeux avec cette importation: 1- les données importées ne sont pas toutes structurées, 2- les médicaments importés ne sont pas nécessairement pris par le patient et 3- les médicaments de vente libre et produits de santé naturels ne sont pas inclus dans la liste. Les auteurs ont constaté que beaucoup de travail était requis par les cliniciens pour nettoyer et mettre à jour cette liste au moment de l’admission et que ceci pouvait être difficile et causer des erreurs. Je crois que cette constatation risque d’être la même au Québec puisque le DSQ comporte les mêmes enjeux.

J’ai trouvé très intéressant le paragraphe où il est décrit comment certains croyaient que le système, avec son aide à la décision et ses capacités de prescription structurée, allait rendre le travail des pharmaciens inutile. Au contraire, ceux-ci ont constaté que les pharmaciens devaient vérifier encore plus les ordonnances, alors que ceci n’était pas courant en Finlande auparavant. En particulier, les médecins faisaient face à un grand nombre d’alertes et pouvaient manquer certains éléments importants (alert fatigue), rendant le travail des pharmaciens encore plus important. Je trouve dommage que l’article ne discute pas des stratégies d’optimisation des alertes qui peuvent aussi contribuer à diminuer le nombre d’alertes inutiles.

Parmi les autres leçons apprises par les auteurs, mentionnons:

  • Le nombre d’incidents liés au médicament ne diminue pas suite à l’implantation d’un système en boucle fermée, il augmente durant l’implantation, puis il revient à son taux de base. Les organisations devraient s’attendre à cette augmentation. En particulier, durant et immédiatement après la phase d’implantation, certains cliniciens dont les médecins rapportaient davantage les événements. On peut comprendre cette tendance par une sensibilité accrue aux événements indésirables liée à l’incertitude et au sentiment d’insécurité entourant le déploiement d’un nouveau système, ainsi que par une volonté d’identifier rapidement les nouveaux problèmes introduits par le changement.
  • Les code-barres sont très utiles pour sécuriser le circuit du médicament.
  • La formation des prescripteurs pour qu’ils utilisent adéquatement les champs de données structurées lors de la prescription est importante.
  • La stratégie du minimum viable product n’est pas avantageuse, il est important de tester et d’évaluer adéquatement les processus liés au médicament avant le déploiement pour réaliser une certaine optimisation. Suite au déploiement, le besoin d’amélioration du système de diminue pas, plutôt il augmente et l’organisation doit prévoir les ressources nécessaires pour gérer les demandes de changement qui arrivent après le déploiement.

Cet article était très intéressant et je crois qu’il devrait être lu par tous les pharmaciens travaillant à l’implantation d’un circuit du médicament en boucle fermée ou d’un dossier électronique intégré afin qu’ils puissent mieux gérer certaines attentes sur la base d’une expérience vécue.

Prédiction d’interventions du pharmacien à l’aide de marqueurs du travail des prescripteurs

Une nouvelle publication décrivant l’utilisation de machine learning pour orienter l’évaluation des ordonnances par les pharmaciens, de la part d’auteurs américains, a été publiée en juillet 2021 dans JAMIA Open et est disponible en texte complet gratuitement sur PubMed Central. Ceci fait suite à des publications passées d’autres groupes sur le même sujet. Étrangement, il n’est pas clair dans les détails de la publications si des pharmaciens sont parmi les auteurs, mais le processus de travail des pharmaciens est très bien décrit, on peut donc assumer que des pharmaciens ont minimalement été consultés.

L’objectif de l’étude était d’élaborer un modèle de machine learning permettant d’identifier les ordonnances nécessitant une intervention de la part du pharmacien. L’étude a eu lieu dans 3 hôpitaux académiques américains totalisant 1600 lits. Un dossier électronique commercial était utilisé pour la prescription électronique et la vérification des ordonnances. Les données du dossier électronique de 2 semaines, du 10 au 24 juillet 2017, ont été extraites, comprenant environ 181 000 ordonnances en 36 500 « lots » (un lot étant un groupe d’ordonnances prescrites en même temps), pour 16 000 patients, par 2700 prescripteurs. 2054 de ces lots contenaient au moins une ordonnance requérant une intervention.

Les variables utilisées afin de prédire la nécessité d’intervention du pharmacien ont été construites sur la base des actions et des caractéristiques du prescripteur juste avant de prescrire, la théorie étant que la lourdeur des tâches et la fragmentation du travail du prescripteur avant de prescrire pourrait mener à davantage d’erreurs, et donc davantage d’interventions de la part du pharmacien. Les variables incluses étaient divisées en trois catégories:

  • Les mesures d’engagement envers les patients et le dossier électronique dans l’heure précédant la prescription (ex: nombre de patients consultés, nombre d’ordinateurs utilisés, nombre d’actions administratives effectuées, etc.)
  • Les caractéristiques des ordonnances incluses dans le lot (ex: nombre d’ordonnances, utilisation de order sets, nombre de represcriptions de médicaments, nombre d’ordonnances « stat », etc.)
  • Les données contextuelles (type de prescripteur, spécialité du prescripteur, moment de prescription, etc.)

Quatre modèles de machine learning ont été construits avec ces variables comme prédicteurs et l’intervention du pharmacien comme issue: deux modèles de régression logistique, le premier avec régularisation L1 et le second avec régularisation L2, une forêt aléatoire et un modèle avec boosting XGBoost. Les données ont été divisées aléatoirement en jeux d’entraînement, validation et test. Une stratégie de recherche de paramètres par grid search avec validation croisée avec a été utilisée pour déterminer les hyperparamètres des modèles. La technique SMOTE a été utilisée pour gérer le débalancement de classes (les ordonnances sans intervention étant plus fréquentes).

Le modèle XGBoost s’est avéré le plus performant. Cependant, l’aire sous la courbe précision-rappel était plutôt faible à 0,439, indiquant une performance modeste du modèle. Malgré tout, en analysant l’explicabilité du modèle, les auteurs ont pu identifier que les ordonnances de résidents, les nombre d’ordonnances de « réconciliations » (on comprend liées au bilan comparatif) et les ordonnances en grand nombre dans un même lot, étaient plus susceptibles de requérir une intervention, ce qui concorde avec ce que j’observe en pratique.

Il est dommage que les modèles développés par les auteurs étaient aussi peu performants. Néanmoins, l’approche des auteurs qui ciblait des marqueurs de la charge cognitive du prescripteur comme prédicteurs des erreurs dans les ordonnances est très intéressante. J’apprécie également le fait que les auteurs ont tenté de générer un modèle explicable et que leur processus d’élaboration du modèle était très clair; dans d’autres publications décrivant des modèles visant à prédire les erreurs de prescription, certains éléments peuvent être flous. J’espère voir davantage de publications sur ce sujet de la part de ce groupe.

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.