Revue systématique sur la prescription électronique avec aide à la décision

Cette revue systématique est parue dans l’AJHP du mois de décembre. Les auteurs sont espagnols. L’article commence en parlant du livre To Err Is Human, donc il a droit à des points bonus. L’objectif de la revue était de cerner l’effet de la prescription électronique avec aide à la décision sur les erreurs médicamenteuses et les événements indésirables liés à la médication. Les auteurs souhaitaient spécifiquement sélectionner des études de bonne qualité et éviter d’agréger des données hétérogènes dans le cadre de leur revue.

La recherche a inclu les articles répertoriés sur Medline, Embase, CINAHL et Cochrane de 1995 à 2016, ainsi que des références d’autres articles de revue et banques de données. Les articles ont été d’abord filtrés sur la base du titre et de l’abstract puis évalués selon des critères d’inclusion systématiques et fondés sur des recommandations solides. Les études devaient concerner des patients hospitalisés, et être de devis contrôlé ou pré et post avec période de « washout » pour éviter l’effet d’une courbe d’apprentissage. Les études contrôlées devaient avoir comme contrôle la prescription manuscrite. Les études pré et post devaient être collectées prospectivement, donc les études avec contrôles historiques étaient exclus.

Point important, la définition de prescription électronique était celle où le prescripteur entrait les ordonnances dans un ordinateur, avec un système d’aide à la décision et avec transmission électronique des ordonnances à la pharmacie. Ce point est important puisqu’il existe des systèmes sans interface avec la pharmacie, où une retranscription manuelle des ordonnances est nécessaire, et les conclusions sur la sécurité de l’utilisation des médicaments sans interface entre le système de pharmacie et le prescripteur électronique pourraient être très différentes.

16 526 articles ont été évalués sur la base du titre et de l’abstract, et 188 ont été retenus pour évaluation. 19 ont été inclus. Les 19 fournissaient des données sur les erreurs médicamenteuses et 7 sur les événements indésirables. Une étude était randomisée et contrôlée, 3 étaient contrôlées et le reste étaient de type pré et post. La section des résultats détaille très bien la qualité et la méthodologie des études, je ne répéterai donc pas cela ici et je vous encourage à lire l’article.

En résumé, il a été impossible d’agréger les données sur les erreurs médicamenteuses puisqu’il y avait trop d’hétérogénéité dans les définitions utilisées. Cependant, il ressort que la prescription électronique avec aide à la décision, interfacée avec la pharmacie, était associée à une diminution statistiquement significative de 71% des erreurs à l’étape de prescription. En ce qui a trait aux autres étapes (validation, dispensation, administration), aucune différence significative n’a été observée quand aux erreurs. Les auteurs commentent cependant qu’il est clair que la prescription électronique aide à diminuer les erreurs à toutes les étapes du circuit du médicament en diminuant les erreurs liées à l’interprétation de prescriptions mal écrites, et en facilitant l’intégration des prescriptions avec les autres technologies utilisées pour les médicaments, comme les pompes et les cabinets automatisés.

Les auteurs commentent sur la diminution de certains types d’erreurs, comme les erreurs de voie d’administration, lorsque les systèmes d’aide à la décision sont capables d’empêcher des choix illogiques. Cependant, les erreurs d’autres types comme celles liées aux allergies ne sont pas nécessairement faciles à réduire avec la prescription électronique, car la qualité de la documentation des allergies dans les dossiers électroniques est variable. De même, le problème des alertes intempestives (alert fatigue) est majeur et contribue à la mauvaise efficacité des systèmes d’aide à la décision pour certains types d’erreurs.

Enfin, les auteurs commentent sur les erreurs causées par les systèmes de prescription électronique, et citent des articles de revue dont j’ai déjà parlé sur les causes de ces erreurs.

Standardisation des banques de données de médicaments à des fins de prescription électronique

Cet article vient d’Espagne, et décrit les efforts de pharmaciens d’un groupe régional de 7 hôpitaux visant à standardiser les banques de données de médicaments utilisés à des fins de prescription électronique. En plus, des données tirées d’une phase pilote en oncologie sont présentées.

Les auteurs décrivent la situation qui prévalait auparavant dans leurs hôpitaux, où chaque département de pharmacie devait, de manière indépendante, constituer et tenir à jour une banque de données de médicaments. Ceci requérait beaucoup d’efforts de la part des pharmaciens dans chaque hôpital et représentait une certaine duplication du travail. Cette situation ressemble à ce qui existe au Québec.

Afin de diminuer le temps passé à cette tâche, et aussi pour standardiser au niveau régional la nomenclature des médicaments dans le logiciel de prescription électronique, les hôpitaux participants ont mis sur pied un projet en 4 phases qui s’est déroulé de juillet 2015 à septembre 2016.

Avant la mise en place du projet, les pharmaciens ont décidé d’effectuer la prescription par unité de dosage (milligrammes) plutôt que par fraction de format pharmaceutique (comprimé), afin de rendre la prescription indépendante des produits qui peuvent varier et pour mieux rencontrer les besoins de populations spécifiques comme la pédiatrie, les soins intensifs, et pour faciliter la prescription de certains médicaments. Ils ont aussi décider d’intégrer la nomenclature TALLman dans leur description des médicaments. Ces mesures me semblent tout à fait légitimes.

Les 4 phases du projet étaient:

  • Analyse et consensus: la prise de décision par rapport aux paramètres de chaque médicament, la définition des sources d’information et la mise en place des fichiers maîtres. À noter que pour les voies d’administration, ils ont utilisé la nomenclature SNOMED.
  • La création et validation de la banque de données standardisée
  • La phase pilote dans un hôpital de soins tertiaire sur un groupe de patients restreint, soit les patients avec cancer du poumon.
  • L’évaluation des effets: une étude comparant les périodes de juillet-août 2015 à juillet-août 2016 a été menée. Cette étude consistait en la comparaison des taux d’événements indésirables liés aux médicaments et en un sondage des utilisateurs du système.

Au total, 500 médicaments et principes actifs ont été standardisés dans le cadre du projet, donc 118 dans le groupe ATC L01 (antinéoplasiques). 1893 paramètres, dont 1421 pour les médicaments et 472 pour les principes actifs, ont été standardisés. 27 principes actifs et 57 médicaments avaient une nomenclature TALLman. Sur l’unité pilote, le taux d’événements indésirables liés aux médicaments était de 2,3% avant et 0,69% après l’implantation du système. Les auteurs attribuent implicitement cette diminution de 70% à leur standardisation, mais comme la méthode de mesure des événements indésirables est peu décrite, il est difficile de juger de la validité de ce chiffre et de l’impact réel. Les auteurs estiment que la standardisation a permis d’épargner 238 jours de travail de pharmacien pour la mise à jour des banques de données. Encore une fois la mesure de ce chiffre est peu détaillée donc je trouve difficile de bien juger de ce que cela veut dire réellement.

Étude qualitative sur les prescripteurs électroniques multiples en établissement

Cette étude a été réalisée en Angleterre et avait pour objectif d’explorer le phénomène de la multiplicité des logiciels de prescription électronique au sein d’un même établissement. Spécifiquement, les auteurs cherchaient à décrire les causes de cette multiplicité, et à décrire les perceptions des cliniciens par rapport à ce phénomène.

Des hôpitaux ont été sélectionnés à partir de répondants à un sondage antérieur qui avaient rapporté avoir deux systèmes de prescription électronique ou plus en place dans le même hôpital. Une matrice de décision a été utilisée pour maximiser la variabilité des répondants par rapport au nombre de systèmes en place, à l’utilisation de plusieurs systèmes pour le même patient ou par le même professionnel, au type de système (développé localement ou commercial), à la spécialité médicale ciblée et au type de prescription (interne/externe). Des entretiens en personne ou au téléphone ont été réalisés et le verbatim des entretiens a été analysé à l’aide d’une méthode qualitative.

4 hôpitaux ont participé, ayant de 2 à 6 logiciels de prescription électronique. Les participants aux entrevues étaient en majorité des pharmaciens (7), ainsi qu’une infirmière et deux médecins.

Les participants ont décrit trois modèles d’adoption des systèmes de prescription électronique:

  • Mené par l’organisation (ex: un logiciel de prescription et d’administration des médicaments déployé à travers l’hôpital)
  • Mené par un groupe de cliniciens internes (ex: un logiciel spécifique aux soins intensifs)
  • Mené par un réseau externe (ex: un logiciel de chimiothérapie partagé par un réseau de recherche sur le cancer)

La première catégorie est la situation « de base » où un hôpital déploie un système de prescription électronique. La deuxième catégorie était généralement motivée par les besoins cliniques d’une spécialité précise, par exemple le besoin spécifique aux soins intensifs de suivre avec précision la balance liquidienne des patients. La troisième situation était davantage motivée par des situations cliniques précises requérant des fonctionnalités particulières et était généralement stratégique, par exemple pour faire partie d’un réseau de recherche sur le cancer.

Les participants ont rapporté des niveaux variables de gouvernance des technologies de l’information dans leur institution, allant d’un rôle de support uniquement à un modèle avec une gouvernance stratégique et en partenariat avec les cliniciens.

Plusieurs effets négatifs ont été observés, notamment:

  • La nécessité d’être formé et compétent sur plusieurs systèmes fonctionnant différemment
  • Le besoin de retenir plusieurs mots de passe
  • L’incapacité des cliniciens ne travaillant pas régulièrement dans une unité de soins à utiliser les systèmes spécialisés
  • La fragmentation des données du patient
  • L’incapacité d’accéder à l’information d’un patient dans un système spécialisé au moment opportun
  • La nécessité de documenter en double dans plusieurs systèmes, incluant le risque de documenter différemment dans plusieurs systèmes
  • Le besoin de pilotage de plusieurs systèmes, notamment pour les catalogues de médicaments
  • Le besoin de recourir au papier pour transférer l’information entre les systèmes

Des aspects positifs ont aussi été notés:

  • La présence de fonctionnalités de sécurité adaptées au contexte spécialisé, par exemple pour la prescription de chimiothérapie
  • Une meilleure adéquation aux besoins de certaines spécialités, comme les soins intensifs ou l’orthopédie

Je trouve cette étude intéressante car elle reflète bien mon exposition à des systèmes de prescription électronique multiples. Notamment, il est bien décrit comment certains utilisateurs de systèmes spécialisés ne voient que des avantages à cette situation car ils n’utilisent que le système très bien adapté à leur spécialité, alors que cela cause des problèmes lorsque le patient change d’unité de soins ou bien est suivi par plusieurs spécialistes, et que le dossier se retrouve fragmenté. En particulier, on décrit comment un système spécialisé n’arrive pas à gérer le fait qu’un patient n’ait pas tous ses rendez-vous dans la même clinique. Il est aussi bien décrit comment le personnel exposé à tous les systèmes en même temps, notamment les pharmaciens, doit bien comprendre les particularités et les limites de chaque système pour travailler de manière optimale, ce qui complexifie le travail et introduit un risque.

En conclusion, il s’agit d’un article à lire pour bien comprendre les causes, les avantages et les inconvénients d’avoir plusieurs systèmes de prescription électronique dans le même hôpital.

Lignes directrices de l’ASHP sur la prévention des erreurs médicamenteuses

L’ASHP a publié dans le numéro d’octobre de l’AJHP de nouvelles lignes directrices sur la prévention des erreurs médicamenteuses dans les hôpitaux. Je trouve cet article très important car il amalgame en un seul document beaucoup de pratiques décrites dans de multiples références de sources diverses. Je vous parlerai ici uniquement des aspects qui touchent la technologie mais le reste de l’article comporte des points majeurs dont je ne parlerai pas par souci de temps. Points bonus: l’article débute en citant le rapport To Err is Human: Building a Safer Health System de 1999.

L’article débute en énumérant des stratégies de prévention en vrac. Parmi celles comportant des aspects de technologie on note:

  • L’utilisation de pompes intelligentes
  • La prescription électronique avec aide à la décision
  • L’utilisation du code-barres lors de la préparation, la dispensation et l’administration de médicaments

Ces trois points sont bien simples à nommer ainsi mais chacun comporte son lot de difficultés et de complications, en particulier pour la prescription électronique, et fait l’objet de nombreuses publications et directives d’organismes comme l’ISMP.

Les auteurs mentionnent spécifiquement des stratégies pour réduire les erreurs liés aux médicaments aux noms similaires (Look-alike, sound-alike – LASA):

    L’article détaille ensuite les mesures à prendre à chaque étape du circuit du médicament pour prévenir les erreurs.

    Étapes de sélection et d’approvisionnement

    Un élément majeur à cette étape du circuit du médicament est l’intégration des médicaments choisis et achetés à la technologie en place dans l’établissement. Les choix de formes pharmaceutiques et de concentrations disponibles devraient prendre en considération les possibilités des logiciels qui permettront de gérer, prescrire et administrer ces médicaments.

    Les éléments à considérer incluent

    • Les choix de voie d’administration possibles
    • La nomenclature du médicament et la nécessité de distinction avec d’autres, par exemple avec une écriture TALLman
    • Les interactions médicamenteuses significatives à programmer et tester
    • Les autres alertes pertinentes du médicament (tests de laboratoire, restrictions de prescription, etc.)
    • L’intégration des recommandations de dose à tous les systèmes ainsi qu’aux pompes intelligentes
    • Le besoin d’une ordonnance pré-rédigée
    • La disponibilité dans les cabinets et les alertes spécifiques à la dispensation à partir de cabinets

    On souligne aussi l’importance de la nomenclature du médicament. Celle-ci devrait être standardisée à travers l’ensemble du circuit du médicament, notamment dans le dossiers électronique, le systèmes de pharmacie, les pompes, les cabinets, et prendre en compte dans chaque système la possibilité de confusion avec d’autres médicaments. Le nom générique devrait être favorisé (je commenterais que parfois le nom commercial est nécessaire car le nom générique est incompréhensible pour les professionnels non pharmaciens, par exemple pour des produits qui ne comportent pas de « vrais médicaments » comme les onguents opthalmiques, les gels pour lésions cutanées, les pansements, les produits hydratants en général…). On souligne aussi l’importance de ne pas abrévier le nom d’un médicament, mais ici la technologie est parfois une limite, combien de produits ont une limite de caractères tellement basse que le nom générique du médicament n’entre même pas ?

    Une section de l’article détaille spécifiquement les recommandations pour la dispensation à partir de cabinets, notamment la configuration de la dispensation à partir du profil pharmacologique ou hors profil.

    Étapes de transcription et vérification

    L’article met une emphase sur la vérification des ordonnances de médicaments par un pharmacien, et insiste sur l’importance de ne pas « échapper » les ordonnances rédigées lorsque la pharmacie est fermée. Il faut aussi qu’il y ait une procédure en place pour que les ordonnances rédigées lorsque la pharmacie est fermée puissent être revues si besoin, par exemple avec un pharmacien de garde, un service de télépharmacie, et avec une formation adéquate du personnel sur place durant la nuit pour identifier les situations non conformes ou demandant davantage de vérifications

    Étapes de dispensation et d’administration

    La validation des médicaments peut être assistée par de la technologie, notamment par les code-barres. En particulier, les médicaments qui sont reconditionnées doivent aussi comporter un code-barres. Une procédure doit donc être mise en place pour la génération de ce code-barres et pour encadrer son utilisation.

    Lorsque les cabines sont utilisés, les fonctions de sécurité offertes par le cabinet doivent être connues et revues pour que les meilleures politiques soient mises en place et diminuer le besoin de contournements dans la pratique clinique. De plus, des audits d’utilisation doivent avoir lieu pour identifier les situations problématiques.

    Rapport canadien sur la pharmacie hospitalière – volet Québec 2016-2017

    Au tout début de ce blogue, j’avais écrit à propos du rapport canadien sur la pharmacie hospitalière, volet Québec 2013-2014. Voici maintenant la mise à jour 2016-2017 (que s’est-il passé avec 2015 ?). L’article a aussi fait l’objet d’un épisode du podcast Trait pharmacien de l’APES. Je me concentrerai ici sur les aspects technologiques du rapport puisqu’il y a tellement de données et de faits saillants que la lecture l’article complet ainsi que l’écoute de l’épisode de podcast est la meilleure chose à faire pour bien saisir tous les enjeux.

    184 départements de pharmacie canadien dont 43 au Québec ont répondu, ce qui est relativement stable par rapport aux années antérieures.

    De manière générale, en matière d’informatisation, les hôpitaux canadiens sont en retard. Le rapport cite les niveaux HIMSS-EMRAM au 30 septembre 2017 avec un stade 0 dans 17,6% des hôpitaux canadiens contre 1,6% aux États-Unis, stade 3 30,3% au Canada contre 12,6% aux États-Unis, et stade 6 1,4% au Canada contre 32,7% aux États-Unis. Ceci n’est pas surprenant compte tenu des programmes fédéraux contraignant à l’informatisation du côté américain, alors que les stratégies utilisées en sont pas comparables ici. Malheureusement les données québécoises sur ce niveau ne sont pas mentionnées. Existent-elles et sont-elles publiques ?

    Le rapport rappelle également les lacunes connues du DSQ et l’actuelle volonté de standardisation et d’uniformisation des systèmes informatiques provinciaux, à travers notamment le DCI Cristal-Net (qui a maintenant un site web et une base de connaissances disponible publiquement !)

    La section et le tableau sur la technologie mentionnent quelques faits saillants:

    • Les pompes « intelligentes » (avec bibliothèque) sont présentes dans 77% des hôpitaux, avec une révision et mise à jour annuelle des bibliothèques dans 70% des hôpitaux, mais l’utilisation d’un réseau sans-fil pour la mise à jour est faite dans seulement 50% des cas.
    • Au niveau de la gestion des ordonnances, seulement 9% des hôpitaux ont un système de prescription électronique opérationnel contre 17% au Canada (ce nombre était de 95,6% pour les systèmes de prescription électronique avec aide à la décision aux États-Unis en 2016). Dans 50% des cas, le logiciel de prescription électronique possède une interface unidirectionnelle vers le système pharmacie et dans l’autre 50% cette interface est bidirectionnelle. Du côté américain, le même rapport 2016 mentionne une interface de transmission de données dans 90,7% des hôpitaux, mais la distinction de l’interface en unidirectionnelle ou bidirectionnelle n’est pas faite.
    • Pour ce qui est du code-barres, 58% des hôpitaux québécois vérifient les médicaments par code-barres avant leur envoi de la pharmacie contre 24% au Canada et 61,9% aux États-Unis en 2017.
    • Le code-barres est utilisé pour vérifier les médicaments avant l’administration au patient dans aucun hôpital québécois contre 9% au Canada, et 92,6% des hôpitaux américains selon le sondage 2016 de l’ASHP. On utilise le code-barres pour sécuriser le remplissage des cabinets automatisés dans 81% des hôpitaux québécois, 52% des hôpitaux canadiens (?) et 85-100% des hôpitaux américains. 95% des hôpitaux utilisent une FADM papier générée à partir du SIP et 12% une FADM électronique.

    En ce qui a trait aux cabinets, 98% des hôpitaux québécois rapportent leur présence dans leur établissement, dont 100% à l’urgence.

    Le sondage de l’ASHP de 2017 rapportait que la distribution unitaire centralisée était en perte de popularité aux États-Unis, avec 70% des hôpitaux qui utilisent les cabinets comme moyen principal de distribution des doses d’entretien; et seulement 21% des hôpitaux qui sont encore dans un mode de distribution unitaire centralisée. Certains plus gros hôpitaux utilisaient cependant (20-25% des hôpitaux de plus de 300 lits) des robots de distribution unitaire centralisée, ce qui est logique pour un hôpital de grande taille. Cette tendance n’est pas observée au Québec avec encore 100% des hôpitaux recourant à une distribution unitaire centralisée. Notons qu’aucun département de pharmacie québécois n’est ouvert 24 heures comparativement à 43% des pharmacies américaines, surtout (>90%) dans les hôpitaux de 200 lits et plus.

    Bref, on constate une certaine évolution des pratiques des départements de pharmacie en lien avec la technologie mais on constate toutefois un certain retard par rapport aux pratiques américaines. Par rapport aux autres provinces canadiennes, certains points sont en avance et d’autres sont en retard.

    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.

     

    Prescription électronique incluant l’indication

    Un article paru dans l’AJHP de juin 2018 revient sur la prescription électronique incluant l’indication, sujet ayant fait l’objet d’un éditorial du NEJM en 2016, et qui réapparaît périodiquement dans les revues systématiques portant sur les améliorations possibles à la prescription électronique.

    Cet article est le résultat du travail d’un groupe de recherche sur la prescription électronique extrêmement actif, celui du Brigham and Women’s Hospital de Boston et a fait l’objet d’un épisode du podcast AJHP Voices. L’article décrit les éléments qui sont ressortis de panels de parties prenantes (stakeholders) dans le cadre d’un travail plus large visant à inclure l’indication dans les ordonnances.

    Le texte est plutôt long mais deux éléments centraux ont attiré mon attention. Le premier est la description des principes et des bénéfices attendus:

    • Le groupe recommande, du point de vue du design des logiciels, de commencer la prescription par l’indication plutôt que par le médicament comme c’est le cas actuellement, même dans les systèmes incluant déjà l’indication. Ceci a l’avantage de permettre une aide à la décision dans la sélection du médicament lui-même et de proposer automatiquement des doses spécifiques à l’indication.
    • Un avantage immense de ce changement serait la prévention de beaucoup d’erreurs de mauvais choix de médicament, puisque la disponibilité systématique de l’indication permettrait de valider que le médicament est bien valide pour l’indication choisie.
    • Cela aiderait les patients à prendre en charge leur traitement en établissant clairement à quoi sert chaque médicament, ce qui n’est pas toujours évident, et permettrait aux patients eux-mêmes de détecter des erreurs lorsque l’indication inscrite serait inattendue ou inexacte.

    Les auteurs soulignent que la littérature supporte l’utilité de l’ajout de l’indication pour détecter les erreurs, notamment pour les pharmaciens.

    Le groupe a aussi mis en évidence certains enjeux liés à ce changement:

    • Cela soulève quand même certaines questions liées à la confidentialité, par exemple si une indication sensible ou confidentielle se retrouve imprimée sur des documents ou des étiquettes.
    • Cela suppose qu’il faille définir ce qu’est une indication par rapport à un symptôme, ce qui n’est pas toujours évident pour les traitements empiriques lorsqu’un diagnostic précis n’est pas établi.
    • Les systèmes devront prendre en charge les cas où des médicaments ont plusieurs indications.
    • Cela peut entraîner des problèmes lors de prescription hors indication ou face aux critères de remboursement, et pourrait être utilisé à mauvais escient dans certains cas.