Impact de la complexité d’une ordonnance sur son temps de validation

Cette étude avait pour objectif de caractériser le temps passé par des pharmaciens à valider 30 dyades courantes de médicament et voie d’administration en relation avec la complexité de ces ordonnances, dans une optique d’évaluer si le fait de ne plus exiger la vérifications d’ordonnances « simples » permettrait d’épargner du temps aux pharmaciens.

L’étude a été menée dans un centre académique tertiaire de 1000 lits situé aux États-Unis. Les pharmaciens travaillaient des quarts de travail de 8 heures et procédaient à la vérification des ordonnances de façon mixte avec d’autres activités comme la réponse à des questions téléphoniques et la vérification contenant-contenu des produits dispensés. À noter que l’établissement utilisait un dossier patient électronique intégré moderne et les pharmaciens travaillaient dans le module de pharmacie de ce système. Les chercheurs ont d’abord développé une classification d’ordonnances en catégories simple, modérée et complexe. Puis, ils ont implanté une technologie de capture d’écran pour suivre le travail des pharmaciens, et enfin ils ont extrapolé les données collectées à l’ensemble du volume d’activité de vérification d’ordonnances pour estimer le temps passé à valider chaque catégorie d’ordonnances.

La classification de la complexité des ordonnances était basée sur trois critères:

  • La présence sur la liste d’alerte élevée d’ISMP.
  • Le niveau « d’atypicité » de l’ordonnance basé sur la variabilité des doses et fréquences prescrites pour une combinaison de médicament + voie d’administration.
  • Le niveau de complexité cognitive de la validation des 30 dyades médicament + voie d’administration tel que déterminé par un sondage mené auprès des 60 pharmaciens du centre (27 ayant répondu).

Les résultats des dyades pour ces 3 critères ont été utilisés pour effectuer une classification par consensus en niveaux de complexité. Le logiciel de capture d’écran a été utilisé pour enregistrer le processus de validation de 12 pharmaciens expérimentés travaillant à la validation d’ordonnances et calculer le temps nécessaire à la validation. Chaque médicament a été observé 30 fois pour obtenir une puissance suffisante. Les vérifications d’ordonnances où il était possible que le pharmacien ait été interrompu (tel que déterminé par l’inactivité de la souris) ont été exclues et remplacées dans le jeu de données.

Un modèle de régression linéaire mixte a été utilisé pour comparer les temps de vérifications entre les ordonnances hautement complexes et faiblement complexes, modérément complexes et hautement complexes, et modérément complexes et faiblement complexes. L’analyse a pris en compte les mesures répétées pour un même pharmacien et les corrélations entre observations. Une analyse de sensibilité a aussi été menée en excluant deux antibiotiques qui se sont avérés aberrants dans leur groupe de complexité.

Les médicaments hautement complexes avait un temps de validation de 18,6 ± 23,1 secondes, les ordonnances modérément complexes un temps de 23,7 ± 23,3 secondes, et les ordonnances faiblement complexes un temps de 8,0 ± 14,4 secondes. L’analyse n’a pas démontré de différence statistiquement significative entre ces temps. L’analyse de sensibilité excluant la céfazoline et la pipéracilline + tazobactam qui avaient des temps de validation très longs malgré leur classification à faible complexité, a démontré une différence statistiquement significative entre les médicaments à haute complexité et ceux à faible complexité.

Les auteurs concluent que l’exclusion des médicaments à faible complexité de la validation des ordonnances par un pharmacien permettrait de récupérer 196 heures de temps de travail par année par pharmacien, temps qui pourrait être assigné à des activités avec davantage de valeur ajoutée. Cependant, en excluant la céfazoline dont les résultats s’apparentaient davantage à un médicament à complexité élevée, le temps récupéré diminue à 82 heures par année.

Je trouve cet article intéressant car il ramène dans l’actualité le sujet du temps passé par les pharmaciens à effectuer de la vérification prospective d’ordonnances et amène de nouvelles données sur l’impact clinique réel de cette activité. L’étude n’amène pas de réponses claires et c’est dommage, mais elle illustre bien la difficulté de bien caractériser l’activité cognitive des pharmaciens durant la validation d’ordonnances. La discussion de l’article est très bonne, elle met bien en perspective les résultats de l’étude et je vous invite à la lire. Je suis bien d’accord avec ce paragraphe en particulier, qui illustre bien selon moi la nécessité de repenser l’activité de vérification d’ordonnances à la lumière des outils technologiques modernes à la disposition des pharmaciens:

The verification of low complexity orders is a basic and repetitive drug distribution function that pharmacists frequently characterize as rote work due to the extremely low rate of problems. The most serious concerns, such as drug allergies, drug interactions, and dosing errors are generally identified using clinical decision support rules and alerts, while others would need to be identified through anomalous or important patient-specific factors that arise during routine profile review or clinical rounds. Verification of these low complexity orders may actually increase the risk of error due to the lack of vigilance by the pharmacist when reviewing these orders, similar to errors of omission seen with alert fatigue.

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.