Drug-drug interactions detection systems improvement

ARTICLE

Auteur(s) : F Mille^1,2, C Schwartz³, S Roy⁴, F Brion³, P Degoulet¹, MC Jaulent¹

¹Inserm U872, EQ20, 15 rue de l’école de médecine, 75006 Paris
²Service de pharmacie, Hôpital Vaugirard – Gabriel Pallez, 10 rue Vaugelas, 75730 Paris
³Service de pharmacie, Hôpital Robert Debré, 48 bd serrurier, 75019 Paris
⁴Laboratoire de contrôle qualité, EPHP, Etablissement pharmaceutique des hôpitaux de Paris

Les systèmes d’aide à la décision thérapeutique (SAD) ou clinical decision support systems (CDSS) se définissent comme des systèmes apportant des informations, au prescripteur, durant son travail.

Leur impact est évalué en termes de respect des guides de bonnes pratiques/recommandations [1, 2] et en termes de modification du comportement de l’utilisateur [3-5]. C’est ainsi que l’on peut mettre en évidence un pourcentage d’adhésion au référentiel de 66 %, lorsqu’un SAD est mis en place.

Les SAD présentent des limites. La première de ces limites est constituée par l’absence de pertinence clinique de certaines recommandations faites par ces systèmes [6, 7]. Cette absence de pertinence peut être due à une recommandation qui n’est pas applicable au patient. Elle peut être également due à une recommandation dont les conséquences ne sont pas jugées comme sévères [6], en cas de non application. En dernier lieu, l’absence de pertinence clinique peut être due à un rapport bénéfice/risque de non observation de la recommandation jugé comme favorable pour le patient.

Dans la plupart des cas, cette absence de pertinence clinique est secondaire à l’incapacité de ces systèmes à prendre en compte le contexte clinique du patient [8].

Cette absence de pertinence des recommandations [6, 7]ou la difficulté à les interpréter [9, 10], peut avoir des conséquences délétères. La multiplication des alertes/recommandations jugées comme non pertinentes (donc inutiles) est une source de fatigue intellectuelle [7, 11] et d’agacement [6] pour le médecin. Elle peut aboutir à un phénomène connu sous le nom de wolf cry syndrom [12] où l’utilisateur n’accorde plus aucune attention au système [7, 11]. Cette ignorance systématique peut amener l’utilisateur à passer outre une recommandation pertinente avec des conséquences potentielles importantes pour le patient si la recommandation est relative par exemple à une contre-indication.

Les systèmes de détection des interactions médicamenteuses (SDIAM) sont un exemple de SAD, permettant la détection des interactions médicamenteuses (IAM). Leur fonctionnement repose le plus souvent sur un algorithme effectuant une recherche dans une table contenant les associations de médicaments donnant lieu à une IAM. Chaque ligne de la table contient, au moins, 3 éléments : les deux premiers sont les médicaments, objet de l’interaction, le troisième élément est constitué par le descriptif de l’interaction. L’algorithme procède par recherche des IAM dans cette table. Dans l’hypothèse où une association décrite dans cette table, est présente dans la prescription, le système déclenche une alarme.

Comme les autres SAD, les SDIAM présentent un pourcentage important de non prise en compte de leurs recommandations. Les motifs invoqués sont entre autres : la faible gravité des interactions signalées, un rapport bénéfice/risque positif de l’association, l’absence de simultanéité de prise des deux médicaments. Des enquêtes de satisfaction réalisées auprès des utilisateurs montrent qu’ils souhaitent que ces systèmes prennent en compte le contexte clinique du patient [13, 14] et notamment les facteurs de comorbidité [15] pour faire une analyse plus fine [16]. Ils souhaitent également que ces systèmes proposent des alternatives ou indiquent des modalités de gestion du risque (adaptation de la posologie, schémas d’administration, prescriptions médicamenteuses supplémentaires, etc.) et de surveillance (examens biologiques, cliniques ou paracliniques) [17, 18]. Les médecins proposent également que ces systèmes enregistrent l’alternative choisie en réponse à un message d’alerte, afin de ne pas produire la même alerte chez le même patient alors que la recommandation a été refusée (sous la forme d’une confirmation de la prescription) [19]. Plus généralement, les médecins souhaitent une intégration plus satisfaisante de ces systèmes dans le flux du travail médical, en évitant notamment que ce flux soit interrompu inutilement [20]. Dans l’absolu, les médecins souhaitent que les systèmes d’alerte thérapeutique connaissent leurs méthodes de travail (de prescription) [6] pour ne signaler que les comportements sortant de l’exercice normal.

Tous les motifs cités par les utilisateurs mettent en évidence un manque de pertinence clinique des interventions de ces systèmes. Les évaluations réalisées montrent que le mode de fonctionnement des SDIAM ne prend pas assez en compte le contexte clinique du patient. Au contraire, leur mode de fonctionnement s’appuie sur des connaissances trop statiques.

Par conséquent, l’objectif de ce travail a été de proposer des modifications et des améliorations des SDIAM, afin d’augmenter la pertinence clinique de leurs interventions.

Matériel et méthode

Dans un premier temps, nous avons procédé à l’étude d’un SDIAM utilisé en milieu hospitalier. Dans un deuxième temps, nous avons procédé à la modélisation des connaissances relatives aux IAM. Cette étape nous a permis dans un troisième temps de construire une base de connaissances sur les IAM. Ces deux étapes constituent un travail d’intégration des connaissances dans les systèmes informatisés.

Dans un dernier temps, nous avons exploré une voie pour tenter d’adapter le mode de présentation des alertes, au flux du travail médical.

Étude d’un système existant

L’étude a été réalisée au CHU Robert Debré, hôpital pédiatrique de 510 lits. Depuis son ouverture, le système informatique de cet hôpital s’articule autour du logiciel PCS^® (patient care system) [21-23]. Ce logiciel est avant tout un système de prescription informatisée – computerised prescriber order entry (CPOE) permettant de gérer l’ensemble des prescriptions (médicaments, examens de biologie et d’imagerie médicale) des patients hospitalisés. Il intervient également dans la gestion (consultation et archivage) des résultats d’examens de biologie et d’imagerie médicale. En dernier lieu, il permet la transmission des prescriptions médicamenteuses à la pharmacie.

En matière d’aide à la décision, le système PCS^® dispose d’un module de détection signalant en temps réel, les IAM, au fur et à mesure que le médecin ajoute des médicaments à la prescription. Cette détection s’appuie sur le thésaurus des interactions médicamenteuses édité par l’Afssaps. Ce module est un système intrusif car, lorsqu’il détecte une IAM, il interrompt le médecin pour lui demander d’effectuer une action : le médecin peut passer outre l’alerte en poursuivant sa prescription ou interrompre la prescription du médicament à l’origine du message d’alerte.

Durant une période de 2 mois, pour chaque IAM signalée pour laquelle le médecin est passé outre l’alerte, un pharmacien a analysé l’intégralité de la prescription, notamment les jours d’administration, les doses et voies d’administration. En effet, on considère qu’il y a une interaction uniquement si deux médicaments connus pour interagir ensemble sont administrés de manière concomitante à des doses suffisantes et selon des voies d’administration compatibles. Le pharmacien a également recherché un protocole clinique local susceptible de justifier la prescription d’une association donnant lieu à une IAM. En effet, dans certaines situations le bénéfice de l’association peut être supérieur au risque de l’IAM. L’existence de ces protocoles permet d’affirmer que le médecin est passé outre l’alerte pour des raisons pertinentes.

L’analyse de ces différents critères permet de déterminer si deux médicaments sont susceptibles d’interagir donc de déterminer si une alerte est pertinente. Il est alors possible de dire si l’alerte est justifiée (vraie alerte) ou non justifiée (faux positif). Nous considérons qu’une alerte est justifiée si elle est à la fois pertinente et utile.

Cette analyse a mis en évidence les raisons ayant motivé le médecin à ne pas tenir compte de l’alarme et permis de construire une classification des alertes non prises en compte. Elle a également permis de proposer une liste de spécifications pour l’amélioration des SDIAM.

Modélisation des connaissances

Pour réaliser cette modélisation, nous avons fait le choix de procéder par extraction de connaissances à partir des textes. Cette méthode fait l’hypothèse que les connaissances s’expriment en langage naturel, de sorte que l’étude de textes d’un domaine permet d’avoir accès aux connaissances du domaine [24, 25].

Dans le domaine des IAM, le texte de référence est le thésaurus des IAM de l’Afssaps (Agence française de sécurité sanitaire des produits de santé). Chaque monographie précise la pertinence d’une association et des modalités de gestion du risque lorsqu’elle est réalisée.

Dans un premier temps, nous avons réalisé une analyse manuelle des monographies du thésaurus, dans le but d’identifier une structure évidente des monographies.

Dans un deuxième temps, nous avons réalisé une analyse morpho-syntaxique, suivie d’une description sémantique et d’une normalisation sémantique. Un logiciel d’analyse morpho-syntaxique analyse un texte pour proposer des termes jugés comme pertinents pour le domaine étudié. La description sémantique permet de rechercher parmi les termes proposés, les concepts du domaine étudié. La normalisation sémantique permet de ne retenir et organiser que les concepts jugés nécessaires à l’objectif suivi. L’analyse morpho-syntaxique a été réalisée grâce au logiciel Syntex-Upery^® [26, 27]. Un pharmacien a réalisé la description sémantique pour proposer les termes relatifs aux concepts du domaine des IAM. Il a également procédé à la normalisation sémantique. L’organisation des concepts retenus a permis de construire un modèle de l’IAM.

Acquisition des connaissances

Pour créer une base de connaissances sur les IAM, nous avons utilisé l’approche documentaire. Cette acquisition des connaissances s’est déroulée en 4 étapes.

Dans un premier temps, nous avons défini un jeu de balises XML (extensible markup language) et la sémantique associée à ces balises, à partir du modèle créé précédemment.

Dans un deuxième temps, nous avons développé un logiciel d’édition de fichiers XML permettant de marquer les connaissances en utilisant les balises XML définies. À l’aide de ce logiciel nous avons ensuite procédé à l’encodage des monographies du thésaurus de l’Afssaps.

Pour finir, nous avons procédé à une validation de la base de connaissances en deux étapes. Nous avons réalisé une validation du modèle, puis une étude de la variabilité inter opérateurs, induite par notre logiciel.

Pour valider le modèle, nous avons demandé à deux experts d’effectuer une comparaison entre les fichiers XML édités et le texte natif des monographies. Pour chaque fichier XML, les experts ont attribué une note comprise entre 0 (aucune correspondance entre le fichier XML et le texte original) et 10 (correspondance parfaite). Les experts ont également effectué une évaluation par rubrique à l’aide d’une note comprise entre 0 (absence de correspondance) et 3 (correspondance parfaite). Nous avons calculé la moyenne de ces évaluations.

Pour évaluer la variabilité inter opérateurs, nous avons demandé à deux experts, d’encoder 30 monographies avec l’éditeur XML. Les deux experts ont encodé les mêmes monographies. Une comparaison quantitative a été réalisée en effectuant un test de comparaison des moyennes sur séries appariées, du nombre moyen de balises utilisées. Une comparaison qualitative a été réalisée par un test de comparaison du pourcentage des balises communes aux deux experts.

Adaptation au travail médical

Nous avons procédé à une étude de l’option retenue (confirmation ou annulation de prescription), en réponse aux alertes d’un SDIAM. Cette étude a été réalisée sur un échantillon d’IAM signalées par le SDIAM de l’hôpital Robert Debré, durant l’année 2006. Pour chaque IAM signalée, nous avons déterminé son type (médicaments impliqués), le service clinique où elle a été détectée et l’attitude suivie (annulation ou confirmation).

Dans un premier temps, nous avons étudié la distribution des différents types d’interactions dans les services, à l’aide d’un test du χ².

Dans un deuxième temps, nous avons réalisé un autre test du χ² sur les 20 premiers types d’IAM, dans le but d’étudier l’homogénéité du comportement (annulation ou confirmation) des médecins.

Résultats

Étude d’un système existant

Une catégorie regroupe les « erreurs d’information ». Ces alertes sont des faux positifs. Il y a effectivement une IAM. L’alerte est donc pertinente. Néanmoins, il existe un protocole justifiant la prescription. L’alerte est par conséquent inutile donc non justifiée.

Les « erreurs système » constituent une autre catégorie. Le système déclenche un message d’alarme, en l’absence d’une IAM réelle. L’alerte est non pertinente et inutile, donc non justifiée : c’est un faux positif. Nous avons identifié 3 sous-types d’ « erreurs système » correspondant à 3 variables de la prescription non analysées par le SDIAM : les horaires d’administration, les doses, la voie d’administration.

Une autre catégorie est celle des « alertes justifiées ». Cette catégorie regroupe les vrais positifs. L’alerte est pertinente. Le système a produit un message utile mais le médecin a fait le choix de confirmer sa prescription.

Ces résultats nous ont permis de proposer les recommandations et les spécifications suivantes pour améliorer les SDIAM.

Nous recommandons que 5 informations soient mises à la disposition des SDIAM : les dates et heures effectives d’administration des médicaments, les doses, les voies d’administration, les protocoles, le contexte clinique. Les deux premières informations sont destinées à mettre en évidence une administration concomitante, première condition pour qu’une IAM soit possible.

En corollaire aux informations fournies, les SDIAM doivent pouvoir contrôler si deux médicaments sont pris de manière concomitante et vérifier qu’un patient ne rentre pas dans le champ d’application d’un protocole clinique. Pour finir, ces systèmes doivent proposer à l’utilisateur des modalités de gestion (adaptation des posologies, substitution de médicaments, prescription de médicaments supplémentaires, etc.) et de surveillance (examens cliniques et/ou biologiques) de l’association. Nous avons synthétisé ces spécifications sous la forme d’un algorithme (figure 1).

En dernier lieu, ces systèmes doivent être capables d’adapter les modalités de présentation d’alerte aux habitudes des médecins. Dans le cas d’une association ne faisant pas partie d’habitudes médicales, le message sera intrusif (interruption du travail du médecin). En revanche, dans le cas d’une prescription entrant dans le cadre d’habitudes de prescription, le système devra informer l’utilisateur sans interrompre son travail.

Tableau 1 Classification des alertes non prises en compte par les médecins.

Modélisation des connaissances

Le logiciel d’analyse morpho-syntaxique Syntex-Upery^® a proposé 22 650 candidat-termes dont 9 393 apparaissent au moins deux fois dans le corpus de texte analysé.

Le pharmacien ayant analysé cette liste de candidat-termes a retenu 2 657 de ces candidat-termes comme des termes du domaine des IAM. Il les a regroupés selon 5 axes sémantiques : « pharmacologie et pharmacocinétique » (931 termes), « galénique, principe actif et posologie » (936 termes), « physiopathologie » (282 termes), « physiologie » (188 termes), « autres termes du domaine » (188 termes).

Le premier axe permet de regrouper les termes relevant de la pharmacologie et de la pharmacocinétique. Le deuxième axe contient les termes relatifs au médicament (composition et forme pharmaceutique) et à ses modalités d’administrations (posologie). Le troisième axe est relatif à la physiopathologie : les maladies et les symptômes (signes cliniques). Le quatrième axe est dédié aux termes de la physiologie. Le cinquième axe contient des termes du domaine des IAM mais qui ne peuvent être attribués à un autre axe.

La description sémantique des termes retenus a permis de constituer une liste de 888 concepts.

Par normalisation sémantique, nous avons construit un modèle de l’IAM, constitué de 49 types d’objet. Ce modèle représente l’objet « interaction médicamenteuse » comme étant constitué de 6 types d’objets principaux : « association », « mécanisme », « conséquences », « précautions », « facteurs de risque », « limitations ». L’ensemble des objets définis permet de modéliser les concepts du domaine de l’IAM.

Acquisition des connaissances

Pour faciliter le travail d’encodage au format XML des monographies, nous avons développé le logiciel X-DIE (XML drug interaction editor) [29]. Pour une monographie d’IAM, ce logiciel permet d’écrire un fichier XML contenant les connaissances présentes dans la monographie.

À l’aide du logiciel X-DIE, nous avons procédé à l’encodage de 1 053 monographies. L’ensemble des fichiers XML obtenus constitue une base de connaissances sur les IAM, utilisables par des SAD capables de lire le format XML. La base de connaissances a fait l’objet d’une évaluation selon la méthodologie présentée précédemment.

L’évaluation du modèle a permis d’obtenir un score moyen de 8,2 sur 10 pour le modèle évalué dans son ensemble. Par conséquent, le modèle assure une couverture satisfaisante des connaissances présentes dans les monographies. L’évaluation par rubrique met en évidence un score de couverture compris entre 2,7 et 2,2 sur une échelle de 3, selon la rubrique évaluée. Nous avons conclu que le modèle assure une couverture satisfaisante des connaissances, lorsqu’il est évalué par rubrique.

Le logiciel X-DIE a également fait l’objet d’une évaluation pour rechercher une variabilité inter-opérateurs. Le test de comparaison des moyennes sur séries appariées est significatif. Il y a une différence significative du nombre de balises utilisées par les utilisateurs de X-DIE. De plus, le pourcentage moyen des balises communes aux deux experts est de 86 %. Nous avons conclu que le logiciel X-DIE induit une certaine variabilité entre les opérateurs.

Adaptation au travail médical

On constate une différente significative (p < 0,001) entre les services, de la nature des alertes. Sur 20 types d’alertes étudiées, 5 présentent une différence statistiquement significative de traitement (confirmation ou annulation de la prescription) entre les services.

Les deux résultats précédents soulignent la double hétérogénéité des alertes produites par les SDIAM : les IAM sont différentes selon le service prescripteur. Un même type d’IAM est traité différemment suivant le service où il est détecté.

L’existence de cette hétérogénéité ouvre des perspectives pour l’amélioration des SDIAM. Nous proposons que cette hétérogénéité soit transposée dans le signalement des IAM. Dans un service n’ayant aucune antériorité dans l’utilisation de l’association à risques, objet de l’alerte, le signalement doit être intrusif. Le travail de l’utilisateur doit être interrompu pour que celui-ci évalue bien le rapport bénéfice/risque d’une association qu’il n’a pas l’habitude d’utiliser. En revanche, dans un service ayant l’habitude plus ou moins régulière d’utiliser l’association, objet de l’alerte, le message peut être non intrusif et prendre la forme d’un simple affichage ne nécessitant pas d’action de l’utilisateur.

Discussion

Dans un premier temps, à la suite de l’étude d’un SDIAM existant, nous avons démontré que la principale carence des SDIAM, est la non prise en compte de l’ensemble des items de la prescription. Cette carence est à l’origine de message d’alerte non pertinent interrompant le travail des médecins. Bien que limitées à l’observation d’un système ancien utilisé dans un seul hôpital pédiatrique, nos conclusions dans le cas particulier des SDIAM sont conformes avec les résultats décrits dans la littérature pour les SAD en général : des interruptions non pertinentes et trop fréquentes du travail médical.

La proportion des recommandations non pertinentes peut être suivie à l’aide du taux des alertes non prises en compte. Le taux observé dans notre étude est très important (70 %). Néanmoins, il ne doit pas être interprété comme une remise en cause totale ou comme une inutilité du système. D’une part, 30 % des alertes ont été prises en compte par l’utilisateur (annulation de la prescription) d’où un bénéfice pour le patient et, d’autre part, le schéma de l’étude ne permet pas de conclure sur l’absence d’impact des alertes qui n’ont pas été prises en compte (confirmation de la prescription). Nous ne pouvons exclure la possibilité que l’utilisateur ait mis en place une surveillance non relevée par l’étude (surveillance clinique) ou qu’il ait modifié sa prescription après une réflexion approfondie suscitée par le message d’alerte. Dans cette dernière hypothèse, l’utilisateur, après avoir confirmé initialement la prescription, décide d’annuler, de suspendre ou de modifier (dose, schéma d’administration) la prescription d’un des deux médicaments impliqués dans l’IAM.

De manière moins précise, notre étude met également en évidence l’ignorance par ces systèmes, des habitudes de prescription des médecins, connaissance par les systèmes pourtant demandée par les utilisateurs dans la littérature. On constate en effet que des alertes n’ont pas été prises en compte car les associations signalées entrent dans le cadre de protocoles où le bénéfice attendu est supérieur au risque.

Malgré ces limites, cette étude a pour originalité de ne pas utiliser de questionnaire à destination des utilisateurs, méthode pouvant être subjective. Au contraire, elle s’appuie sur des critères objectifs pour juger de la pertinence ou de l’absence de pertinence clinique des alertes.

Dans un deuxième temps et à partir des résultats de notre observation, nous avons développé un algorithme capable d’améliorer la spécificité des SDIAM. La complexité de cet algorithme par rapport à l’algorithme classiquement utilisé démontre que la détection des IAM ne se limite pas à une recherche dans une table. Elle doit reposer également sur une analyse fine de la prescription et du contexte clinique, ce que réalise notre algorithme. La structure de cet algorithme repose sur la synthèse des carences du SDIAM utilisé à l’hôpital Robert Debré. La limite de cet algorithme résulte du caractère monocentrique de l’étude dont il est issu. Néanmoins, les SDIAM fonctionnant tous sur le principe de recherche dans une table contenant des IAM jugées comme cliniquement significatives, l’impact de cette limite est très restreint. Par conséquent et compte tenu de la méthode suivie pour le construire, cet algorithme a un fort potentiel pour réduire la fréquence des alertes non pertinentes. Ce potentiel de réduction résulte notamment de la prise en compte du facteur temps dans l’analyse des prescriptions. Conformément aux désirs des médecins exprimés dans la littérature, notre algorithme ne limite pas son action au simple signalement des IAM. Il propose également des modalités de gestion (adaptation de la posologie, alternative thérapeutique, etc.) et de surveillance (examens biologiques et paracliniques) du risque. Cette fonctionnalité implique que l’algorithme ait accès, sous un format adapté, aux connaissances nécessaires sur les IAM. C’est pour ajouter cette fonctionnalité à notre algorithme que dans un troisième temps, nous avons construit une base de connaissances sur les IAM.

Il existe des bases de données sur le médicament (Theriaque^®, Vidal^®, etc.) mais aucune ne présente un degré de structuration permettant aux systèmes informatisés de manipuler les connaissances qu’elles contiennent. Dans toutes ces bases de données, les connaissances sont exprimées en texte libre, format que les systèmes informatisés ne peuvent ni interpréter ni manipuler. Par conséquent, afin que l’algorithme soit utilisable, il était nécessaire de construire une base contenant les connaissances sur les IAM, sous un format adapté.

Pour construire notre base de connaissances, nous avons utilisé deux techniques reconnues de l’ingénierie des connaissances. Le modèle sur lequel repose la base de connaissances a fait l’objet d’une validation. Il est en mesure de modéliser l’ensemble des connaissances présentes dans le référentiel encodé. Le langage XML utilisé pour réaliser l’encodage est un langage reconnu, la base de connaissances développée est donc implantable dans différents SDIAM.

Le référentiel encodé est le thésaurus des IAM rédigé et entretenu par l’Afssaps. Par conséquent, notre base de connaissance est le reflet exact des recommandations de l’Afssaps. Elle a fait l’objet d’une étape de validation qui s’est révélée être satisfaisante. Les alertes et suggestions réalisées par les systèmes susceptibles d’utiliser cette base de connaissances sont donc conformes aux recommandations de l’Afssaps.

L’outil développé pour l’écriture au format XML facilite le travail d’encodage et d’entretien de la base de connaissances. Cependant, ce travail reste encore très manuel et nous avons mis en évidence des différences d’encodage entre les utilisateurs. Néanmoins l’encodage est susceptible d’être facilité et la variabilité qu’il induit est susceptible d’être réduite par l’utilisation de techniques de traitement automatique des langues comme la reconnaissance des opérateurs déontiques [30].

Dans une troisième partie, nous avons également mis en évidence une hétérogénéité dans le traitement des alertes des SDIAM en fonction du service où l’IAM est détectée. Cette étude est restreinte à un seul hôpital et n’utilise pas de véritables techniques de « fouille de données ». Mais elle ouvre des perspectives pour l’utilisation de ces techniques pour améliorer le fonctionnement des SDIAM. La réaction d’un médecin en réponse à une alerte constitue un élément de connaissance qui devrait faire l’objet d’un enregistrement. L’ensemble de ces réponses constitue une base de cas pouvant faire l’objet d’une étude par des techniques de fouilles de données. Ces techniques permettraient de mettre en évidence des habitudes de prescription qui, formalisées par des règles, permettraient aux SDIAM d’adapter leurs modalités d’interaction avec l’utilisateur : émission ou non d’alertes, modalités de présentation des alertes, etc.

Dans ce travail, nous avons présenté le début d’un cycle d’assurance qualité d’un SDIAM. Au travers des différentes étapes suivies, nous avons analysé son fonctionnement, mis en évidence ses carences et proposé des pistes pour améliorer sa spécificité. Ce cycle d’assurance qualité n’est néanmoins pas achevé. En effet, les améliorations proposées n’ont pas été mises en application et par conséquent ne peuvent pas encore faire l’objet d’une évaluation. Les résultats que nous avons obtenus n’ont pas fait l’objet d’une utilisation dans un SDIAM. De ce fait, nous n’avons pas abordé des problèmes comme l’intégration dans un système d’information hospitalier (SIH) ou d’interface homme-machine (IHM). Cette dernière problématique est particulièrement importante car située à l’intersection entre différentes disciplines : ergonomie, psychologie, sociologie, etc.

L’ensemble de ce travail a porté sur le cas particulier des SDIAM. Mais chaque partie peut être appliquée au cas général des SAD de type « alerte » car tous font l’objet de critiques sur la non pertinence clinique de leurs interventions.

Le recours aux techniques de l’ingénierie des connaissances pour construire des bases de connaissances est possible, pourvu que les connaissances soient synthétisées sous la forme de référentiels. Par conséquent, l’ensemble des SAD peut bénéficier de l’apport de connaissances pour en améliorer leur fonctionnement et la pertinence de leurs recommandations.

L’analyse du fonctionnement, selon une méthodologie similaire à notre travail, est également généralisable et souhaitable pour l’ensemble des SAD. Seule une telle analyse est susceptible de trouver les causes de non pertinence des alertes pour proposer des solutions.

De même, la recherche des habitudes de prescription des médecins peut bénéficier à tous les types de SAD, afin d’enregistrer ces habitudes sous la forme de règles d’analyse des prescriptions.

Pour finir, dans le domaine des SAD de type « alerte » relatifs à l’utilisation des médicaments, notre travail s’inscrit dans le changement de méthode d’analyse que doivent adopter ces systèmes. Aujourd’hui les SAD travaillent dans deux dimensions : un cas clinique générique auquel le cas du patient est réduit et le traitement du patient. L’intégration d’une troisième dimension d’analyse est aujourd’hui nécessaire. Cette dimension doit correspondre au contexte clinique (antécédents, pathologie(s) actuelle(s) du patient.

Conclusion

Depuis une dizaine d’années, on assiste à un mouvement de remise en cause de ces systèmes. En effet, leur impact sur l’organisation du travail médical n’est pas anodin, ce qui peut aboutir à un phénomène de rejet de la part des utilisateurs.

Dans le domaine des SAD, la principale critique faite est une fréquence trop importante des interruptions du travail par des recommandations qui ne sont pas cliniquement pertinentes. Cette absence de pertinence résulte de la non prise en compte du contexte clinique. Ceci peut aboutir à une perte totale de confiance de l’utilisateur dans le système, avec pour conséquence que celui-ci n’accorde plus aucun crédit à ces systèmes ; phénomène connu, sous le nom de wolf cry syndrom.

À l’aide d’une étude descriptive et de l’utilisation des techniques de l’ingénierie des connaissances, nous proposons deux artefacts informatiques qui ont la potentialité d’améliorer la pertinence clinique des recommandations faites par les SDIAM. Nous proposons également d’extraire les connaissances présentes dans les bases de données enregistrant la conduite tenue par les utilisateurs lorsqu’une interaction est signalée. L’extraction de ces connaissances peut permettre d’adapter le fonctionnement de ces systèmes aux habitudes de prescription des médecins.

Les deux artefacts ainsi que les hypothèses que nous proposons sont des pistes encourageantes pour l’amélioration des SDIAM, au service de la sécurité des patients.

Références

2 Garg AX, Adhikari NK, McDonald H, Rosas-Arellano MP, Devereaux PJ, Beyene J, et al. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes : a systematic review. Jama 2005 ; 293 : 1223-38.

3 Taylor LK, Kawasumi Y, Bartlett G, Tamblyn R. Inappropriate prescribing practices : the challenge and opportunity for patient safety. Healthc Q 2005 ; 8 (Spec.) : 81-5.

4 Galanter WL, Didomenico RJ, Polikaitis A. A trial of automated decision support alerts for contraindicated medications using computerized physician order entry. J Am Med Inform Assoc 2005 ; 12 : 269-74.

5 Teich JM, Osheroff JA, Pifer EA, Sittig DF, Jenders RA. Clinical decision support in electronic prescribing : recommendations and an action plan : report of the joint clinical decision support workgroup. J Am Med Inform Assoc 2005 ; 12 : 365-76.

6 Ahearn MD, Kerr SJ. General practitioners’ perceptions of the pharmaceutical decision-support tools in their prescribing software. Med J Aust 2003 ; 179 : 34-7.

7 Taylor LK, Tamblyn R. Reasons for physician non-adherence to electronic drug alerts. Medinfo 2004 ; 11 : 1101-5.

8 Ashworth M. GPs’ views on computerized drug interaction alerts. J Clin Pharm Ther 2002 ; 27 : 311-2.

9 Feldstein A, Simon SR, Schneider J, Krall M, Laferriere D, Smith DH, et al. How to design computerized alerts to safe prescribing practices. Jt Comm J Qual Saf 2004 ; 30 : 602-13.

10 Glassman PA, Belperio P, Simon B, Lanto A, Lee M. Exposure to automated drug alerts over time : effects on clinicians’ knowledge and perceptions. Med Care 2006 ; 44 : 250-6.

11 Glassman P, Simon B, Belperio P, Lanto A. Improving recognition of drug interactions : benefits and barriers to using automated alerts. Med Care 2002 ; 40 : 1161-71.

12 Magnus D, Rodgers S, Avery AJ. GPs’ views on computerized drug interaction alerts : questionnaire survey. J Clin Pharm Ther 2002 ; 27 : 377-82.

13 Bobb A, Gleason K, Husch M, Feinglass J, Yarnold PR, Noskin GA. The epidemiology of prescribing errors : the potential impact of computerized prescriber order entry. Arch Intern Med 2004 ; 164 : 785-92.

14 Eslami S, Abu-Hanna A, de Keizer NF, de Jonge E. Errors associated with applying decision support by suggesting default doses for aminoglycosides. Drug Saf 2006 ; 29 : 803-9.

15 Ko Y, Abarca J, Malone DC, Dare DC, Geraets D, Houranieh A, et al. Practitioners’ views on computerized drug-drug interaction alerts in the VA system. J Am Med Inform Assoc 2007 ; 14 : 56-64.

16 Tamblyn R, Huang A, Taylor L, Kawasumi Y, Bartlett G, Grad R, et al. A randomized trial of the effectiveness of on-demand vs computer-triggered drug decision-support in primary care. J Am Med Inform Assoc 2008 ; 15 : 430-8.

17 Bergk V, Gasse C, Rothenbacher D, Loew M, Brenner H, Haefeli WE. Drug interactions in primary care : impact of a new algorithm on risk determination. Clin Pharmacol Ther 2004 ; 76 : 85-96.

18 Bergk V, Gasse C, Schnell R, Haefeli WE. Requirements for a successful implementation of drug interaction information systems in general practice: results of a questionnaire survey in Germany. Eur J Clin Pharmacol 2004 ; 60 : 595-602.

19 Koppel R. Defending computerized physician order entry from its supporters. Am J Manag Care 2006 ; 12 : 369-70.

20 Saleem JJ, Patterson ES, Militello L, Render ML, Orshansky G, Asch SM. Exploring barriers and facilitators to the use of computerized clinical reminders. J Am Med Inform Assoc 2005 ; 12 : 438-47.

21 Mishelevich D, Slyke DV. The IBM Patient Care System: an overview of its software. ACM SIGMIS Database 1980 ; 11 : 64-75.

22 Mishelevich D, Slyke DV. Application development system : the software architecture of the IBM Health Care Support/DL/I-Patient Care System. IBM system journal 1980 ; 19 : 478-504.

23 Rudnichi A, Brion F, Arnaud P, Lombrail Y, Aujard Y, Boisson A, et al. Prescription pharmaceutique informatisée dans PCS : principe et expérience. In : Degoulet P, Fieschi M, eds. Informatique et médicaments. Paris : Springer – Verlag, 1989.

24 Condamines A. Aide à l’acquisition de connaissances par l’étude de terminologie. In : Aussenac - Gilles N, Laublet P, Reynaud C, eds. Acquisition et ingéniérie des connaissances : tendances actuelles. Toulouse : Cépadues, 1996.

25 Bourigault D, Aussenac-Gilles N, Charlet J. Construction de ressources terminologiques ou ontologiques à partir de textes : un cadre unificateur pour trois études de cas. Revue d’intelligence artificielle. Paris : Lavoisier, 2004.

26 Bourigault D. Un analyseur syntaxique opérationnel : SYNTEX. Laboratoire CLLE-ERSS (UMR 5263). Toulouse-Le Mirail, 2007 : 158.

27 Bourigault D, Fabre C, Frérot C, Jacques MC, Ozdowska S. Syntex, analyseur syntaxique de corpus. 12^es journées sur le traitement automatique des langues naturelles. Dourdan, 2005.

28 Handler JA, Feied CF, Coonan K, Vozenilek J, Gillam M, Peacock PR, et al. Computerized physician order entry and online decision support. Acad Emerg Med 2004 ; 11 : 1135-41.

29 Mille F, Degoulet P, Jaulent MC. Modeling and acquisition of drug-drug interaction knowledge. Stud Health Technol Inform 2007 ; 129 : 900-4.

30 Georg G, Colombet I, Jaulent MC. Structuring clinical guidelines through the recognition of deontic operators. Stud Health Technol Inform 2005 ; 116 : 151-6.