Une fatigue liée aux alertes chez les professionnels de santé
Cette étude met en lumière l’importance de la prévention des événements indésirables liés aux médicaments, en particulier dans le contexte hospitalier, où ils sont fréquents et souvent évitables. Les systèmes d’aide à la décision clinique sont largement utilisés pour prévenir les événements indésirables, mais les alertes qu’ils génèrent entraînent souvent une fatigue due à leur nombre élevé, ce qui peut compromettre la sécurité des patients.
Pour améliorer la pertinence et la valeur clinique des alertes médicamenteuses, diverses interventions ont été proposées, telles que l’inactivation des alertes, la reclassification de la gravité des alertes, l’utilisation de l’information contextuelle, etc. Cependant, le manque de spécificité des alertes poussent les acteurs de la pharmacie hospitalière à chercher des alternatives plus efficaces.
L’IA pour améliorer les systèmes d’aide à la décision :
Dans un tel contexte, l’IA se présente comme une solution potentielle. Elle promet d’optimiser davantage les alertes médicamenteuses. En effet, les méthodes d’apprentissage automatique, ou machine learning (ML), d’apprentissage profond, ou deep learning (DL), et de traitement du langage naturel (NLP), ont la capacité :
- d’analyser des quantités importantes de données médicales ;
- de reconnaître des schémas complexes ;
- et de fournir des prédictions individualisées.
Leur utilisation pourrait ainsi réduire la fatigue liée aux alertes en les priorisant en fonction de leur pertinence et de leur utilité, tout en améliorant la détection des événements indésirables liés aux médicaments.
Seulement 10 études identifiés entre 2013 et 2022
Cette scoping review (ou étude de la portée) a démarré sur un total de 7 553 citations identifiées. Après la suppression des doublons et des citations non pertinentes, 64 études ont été retenues, parmi lesquelles seulement 10 répondaient aux critères des chercheurs et ont été incluses pour l’analyse des données.
Les 10 études incluses présentaient les caractéristiques suivantes :
- elles ont toutes été publiées entre 2013 et 2022 ;
- 9 d’entre elles ont été menées dans un hôpital universitaire ;
- 4 études ont précisé la spécialité médicale étudiée (médecine interne, pédiatrie, prescriptions d’antimicrobiens (inappropriées), gynécologie-obstétrique, chirurgie, oncologie…).
Résultats :
Dans un environnement hospitalier, les outils d’IA peuvent aider à optimiser les alertes médicamenteuses générées par des systèmes d’aide à la décision clinique, augmentant ainsi leur valeur et réduisant la fatigue des professionnels de santé liées à ces alertes. Selon cette revue publiée dans le Jamia :
- les alertes optimisées par l’IA entraînent une réduction de la charge d’alerte, une meilleure identification des prescriptions inappropriées ou atypiques et permettent de prédire les réponses des utilisateurs ;
- 30 % des études rapportent des performances statistiques à la fois et des résultats cliniques, avec notamment une valeur prédictive positive, allant de 9 % à 100 % ;
- seulement 2 études rapportent que les alertes basées sur l’IA ont été mises en œuvre dans la pratique hospitalière ;
- et aucune des études n’a été soumise à une validation externe.
Les méthodes basées sur l’IA peuvent être utilisées pour optimiser les alertes médicamenteuses dans un environnement hospitalier. Cependant, il convient d’améliorer le compte-rendu du développement et de la validation des modèles. Les auteurs précisent, par ailleurs, que la validation externe ainsi que la mise en œuvre dans la pratique hospitalière devraient être encouragées.
Une validation plus rigoureuse des études est nécessaire
Alors que le potentiel de l’IA dans la réduction de la charge d’alerte et l’identification des erreurs de prescription est avéré, les auteurs de cette revue soulignent que les études démontrant de son efficacité sont souvent réalisées sur des ensembles de données relativement petits. Ils appellent, en outre, à l’adoption de protocoles de validation plus formelle des modèles d’IA et à leur mise en œuvre dans la pratique hospitalière.
A l’avenir, les auteurs insistent sur le besoin, pour les études des méthodes basées sur l’IA, de se référer et suivre des lignes directrices de reporting telles que l’initiative Tripod (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) qui a développé “un ensemble de recommandations pour le reporting des études développant, validant ou mettant à jour un modèle de prédiction, que ce soit à des fins diagnostiques ou pronostiques”.
* The use of artificial intelligence to optimize medication alerts generated by clinical decision support systems: a scoping review
Jetske Graafsma, Rachel M Murphy, Ewoudt M W van de Garde, Fatma Karapinar-Çarkit, Hieronymus J Derijks, Rien H L Hoge, Joanna E Klopotowska, Patricia M L A van den Bemt,
Journal of the American Medical Informatics Association, 2024;, ocae076, https://doi.org/10.1093/jamia/ocae076