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.

Impact de la documentation incomplète des allergies sur le délai de validation des ordonnances d’antibiotiques

Cette article rapporte une étude rétrospective réalisée dans un centre hospitalier situé à Philadelphie. Il n’y a pas d’autres détails fournis sur le centre en question. L’objectif de l’étude était de vérifier s’il existait une relation entre la rédaction d’une ordonnance d’antibiotique alors que les informations d’allergies étaient incomplètes, et le temps nécessaire pour valider cette ordonnance. Les ordonnances du d’octobre 2017 ont été incluses. Les auteurs ont aussi vérifié si la documentation complète des allergies était reliés aux interventions réalisées par les pharmaciens lors de la validation d’ordonnances.

138 ordonnances ont été incluses. 98 (71%) incluaient les détails des allergies. Les ordonnances avec détails d’allergies ont été validées 21 minutes plus rapidement (12 minutes par rapport à 33 minutes, p=0,02). Les pharmaciens ont dû intervenir à propos des allergies pour 19,4% des ordonnances incluant les détails d’allergies, comparativement à 35% des ordonnances sans détails d’allergies. Lorsqu’une ordonnance n’incluait pas le détail des allergies et nécessitait une intervention, le délai pour la validation était encore plus élevé, soit 82 minutes plus long.

Cette étude vient illustrer avec des données objectives un effet que tous les pharmaciens vivent quotidiennement: une ordonnances incomplète est toujours plus longue à valider, car il revient malheureusement au pharmacien d’obtenir l’information manquante alors que les intervenants pouvant la fournir (médecin, résident, infirmière) sont parfois non disponibles, difficiles à rejoindre ou carrément partis. En ce qui a trait aux allergies, les systèmes d’ordonnance électronique devraient permettre une documentation complète et signaler l’absence d’information pour les ordonnances qui le nécessitent.

Données sur la distribution et la préparation des médicaments en 2017 dans les hôpitaux américains

Cet article décrit les résultats du sondage annuel de l’ASHP pour 2017, à propos de la distribution des médicaments et de leur administration. Cet article complète les données de 2016 et 2015 sur d’autre sujets, cependant certaines données se recoupent.

Les résultats de cette année sont particulièrement intéressants, puisqu’ils ciblent spécifiquement reliés à l’utilisation de la technologie dans la distribution des médicaments et leur préparation.

La même méthode que d’habitude pour ce sondage a été utilisée, avec un échantillonnage parmi l’ensemble des hôpitaux éligibles. Le taux de réponse était de 14,4%, ce qui est plus bas que pour 2016 et 2015.

Voici quelques données tirées de ce sondage:

Distribution des médicaments

  • 43% des pharmacies d’établissement sont ouvertes 24 heures, dont 90% dans les hôpitaux de 200-299 lits et 98-100% des les hôpitaux de plus de 300 lits. À noter que le pourcentage d’hôpitaux où les ordonnances ne sont pas revues la nuit ou bien où un pharmacien de garde est disponible la nuit a diminué à 16%.
  • La distribution des médicaments est maintenant majoritairement décentralisée avec 70% des hôpitaux qui utilisent les cabinets automatisés comme moyen principal de distribution pour les doses d’entretien (c’est-à-dire pas seulement les premières doses !). La distribution centralisée en doses unitaires comme on la pratique au Québec est en diminution constante avec seulement 21% des hôpitaux américains, et moins de 10% des hôpitaux de plus de 300 lits. La distribution centralisée avec un robot est utilisée dans 8% des hôpitaux au total, mais 20-25% des hôpitaux de plus de 300 lits.
  • Un carrousel est utilisé dans la pharmacie durant le processus de dispensation dans 21,7% des hôpitaux, mais dans 90% des hôpitaux de plus de 600 lits. Les systèmes de traçabilité des médicaments sont utilisés dans environ 10% des hôpitaux et les robots de livraison dans 1% des hôpitaux.
  • 61,9% des hôpitaux utilisent le code-barres pour la vérification des doses durant la dispensation, et 85-100% des hôpitaux de plus de 300 lits l’utilisent durant le remplissage des cabinets automatisés.

Préparation des médicaments

  • 93% des hôpitaux ont des concentrations standardisées pour les médicaments en perfusion intraveineuse destinés aux adultes, comparativement à 65% pour les médicaments en perfusion intraveineuse destinés aux enfants, mais ce pourcentage est plus élevé dans les plus gros hôpitaux.
  • Les concentrations des préparations magistrales liquides orales sont standardisées dans 55% des hôpitaux. Fait intéressant, les doses des médicaments en liquides oraux sont standardisées dans 49% des hôpitaux.
  • Les ingrédients des préparations stériles sont vérifiés par code-barres dans 39-67% des hôpitaux de plus de 300 lits.
  • La gravimétrie est utilisée dans environ 20% des hôpitaux de plus de 300 lits pour les préparations stériles.
  • Un logiciel de gestion du flot de travail des préparations stériles est utilisé dans 23-38% des hôpitaux de plus de 300 lits, et une proportion similaire de ces hôpitaux utilisent des photos ou des vidéos pour documenter ces préparations.
  • La nutrition parentérale en poches commerciales pré-mélangées est utilisée dans 44,8% des hôpitaux, cependant près de 50% des hôpitaux de plus de 300 lits utilisent une pompe automatisée pour la préparation sur place ou ont recours à un sous-traitant pour ces préparations.
  • Des tests sur les produits préparés sont menés afin d’en augmenter la durée de stabilité comparativement aux dates limites d’utilisation de base de l’USP <797> dans 10-15% des hôpitaux de 300-600 lits, mais dans 43% des hôpitaux de plus de 600 lits. À noter aussi que très peu d’hôpitaux font des préparations stériles à haut risque selon l’USP <797>, sauf pour 38% des hôpitaux de plus de 600 lits.
  • Les méthodes de surveillance environnementale, de contrôle du personnel et de manipulation des médicaments dangereux sont aussi décrits dans l’article.

L’article décrit également les mesures en place pour prévenir le détournement de substances contrôlées et donne des données sur le nombre de pharmaciens et de techniciens à l’emploi par taille d’hôpitaux.

Les auteurs soulignent certaines tendances dans la discussion. Je retiens ce qu’ils mettent en évidence comme des choses importantes à suivre pour l’évolution des opérations en pharmacie d’établissement, notamment: la révision d’ordonnances 24 heures sur 24, l’augmentation de l’utilisation des cabinets automatisés comme méthode de distribution de médicaments et le passage à une distribution décentralisée utilisant ces appareils, ainsi que l’utilisation du code-barres comme méthode de vérification des médicaments.