DM

  • Étude : prédire des scores de douleurs grâce au machine learning et à des dispositifs mobiles (JMIR)

    Il est possible, via des algorithmes de machine learning (apprentissage automatique) alimentés en données par des applications mobiles, de prédire avec une précision importante l’intensité des douleurs ressenties par des patients atteints de maladies chroniques. C’est ce que montre une étude* publiée le 2 décembre 2019 dans le Journal of Medical Internet Research (JMIR).

    Ce travail décrit comment divers dispositifs mobiles peuvent être utilisés et connectés entre eux de façon à prédire l’intensité de la douleur ressentie par les patients lors des crises liées à une maladie chronique, ici la drépanocytose, et ce dans l’objectif d’optimiser la prise en charge médicamenteuse des symptômes douloureux fortement invalidants. Lors de ce travail, 20 patients ont été recrutés et munis :
    • du bracelet Microsoft Band 2 capable de mesurer en temps réel des paramètres physiologiques associés à la douleur ;
    • et de l’application TRU-Pain à même de centraliser les données produites par le bracelet et de les traiter.
    Un algorithme de machine learning a été entraîné au moyen de ces données et des scores de douleurs déclarés par les patients éventuellement aidés d’un infirmier à prédire les scores d’intensité de douleur à partir des variations de mesure des paramètres physiologiques relevés par le bracelet et enregistrés sur l’application.

    Si le dispositif mis en place a permis de prédire avec une certaine précision les scores de douleur ressentie par les patients, il doit encore être testé sur une cohorte plus importante de patients et mieux inclure les données concernant les médicaments anesthésiques administrés aux patients afin de pouvoir réellement réaliser son objectif : permettre une optimisation de la prise en charge de la douleur lors des crises douloureuses connues par les patients souffrant de certaines maladies chroniques.

    Des applis mobiles pour une meilleure gestion des douleurs liées aux maladies chroniques

    De nombreuses maladies chroniques s’accompagnent de crises douloureuses intenses qui diminuent fortement la qualité de vie des patients et nécessitent parfois des hospitalisations répétées. C’est par exemple le cas de maladies rhumatologiques très invalidantes telles que la polyarthrite rhumatoïde, la spondylarthrite ankylosante, etc.

    Pour ces patients atteints de maladies chroniques, il serait intéressant de disposer de dispositifs mobiles capables d’aider à caractériser la crise douloureuse, et en particulier l’intensité des douleurs afin de permettre une prise en charge anesthésique optimale. C’est que la douleur étant subjective, les patients et prescripteurs expriment des difficultés à décrire ou comprendre l’intensité de la douleur ressentie et à déterminer le traitement idéal et les stratégies de gestion de la douleur les plus adaptées : la difficulté réside principalement dans la compréhension du degré de douleur du patient et de sa réponse à la gestion de la douleur. 

    Les auteurs de cette étude ont choisi comme maladie chronique associée à de régulières et importantes crises douloureuses la drépanocytose. « La douleur ressentie par les patients SCD est souvent chronique avec des crises vaso-occlusives aiguës qui sont imprévisibles et conduisent à des visites fréquentes au service d’urgence (ED) et à l’hôpital de jour pour la prise en charge.  La gestion de la douleur aiguë est palliative, avec une hydratation et un contrôle de la douleur via des anti-inflammatoires non stéroïdiens (AINS) », précisent les chercheurs.

    Afin de caractériser les crises douloureuses connues par les patients atteints de drépanocytose, les auteurs de ces travaux ont utilisé comme dispositif mobile une application mobile, TRU-Pain, et une solution d’enregistrement passif de données physiologiques telles que la fréquence cardiaque, Microsoft Band 2. Le dispositif mis en place a permis, par la déclaration de l’intensité des douleurs décrite par les patients aux professionnels de la santé à l’aide d’une échelle EVA, d’entraîner un algorithme d’apprentissage automatique qui visait à prédire, à partir de la mesure des constantes physiologiques, l’intensité de la douleur ressentie par le patient. L’objectif de l’étude était donc de tester la capacité d’un algorithme de machine learning (apprentissage automatique) à prédire des scores de douleur afin d’améliorer la prise en charge des symptômes douloureux.

    Recrutement de 20 patients

    20 patients hospitalisés en hôpital de jour pour des douleurs liées à la drépanocytose ont été inclus dans l’étude.

    « Après consentement, un appareil portable Microsoft Band 2 a été placé sur le poignet du patient afin de monitorer 8 paramètres physiologiques tels que la fréquence cardiaque, la température et la conductibilité de la peau », décrivent les auteurs. « Les patients ont également reçu un iPad avec l’application TRU-Pain afin d’enregistrer les scores de douleur et d’autres symptômes (humeur, etc.) en conjonction avec les scores de douleur déclarés par les infirmières en utilisant une échelle analogique visuelle (EVA) de 0 (aucune douleur) à 10 (pire douleur possible) ». 

    Des résultats prometteurs encore à reproduire

    Une prédiction des scores de douleur réussie…

     « Notre meilleur modèle a prédit la douleur avec une précision de 0,429 sur une échelle de notation à 11 points (0 à 10) et de 0,681 sur une échelle de notation à 4 points (aucune douleur, douleur légère, douleur modérée et douleur sévère) », annoncent les auteurs.

    D’après les chercheurs, cette étude montre donc qu’il est possible d’utiliser des données physiologiques recueillies sur un appareil portable et traitées par un algorithme d’apprentissage automatique afin de prédire avec précision les scores de douleur subjectifs. Ce travail s’inscrit par ailleurs dans la continuité d’autres recherches qui tentent d’établir des phénotypes numériques pour la douleur, phénotypes censés faciliter, après leur identification, la prédiction des scores de douleur et une prise en charge optimale (rapide et efficace) des symptômes douloureux.

    … sur une cohorte de patients trop réduite                                                 

    « Des travaux supplémentaires sont nécessaires pour continuer à développer des modèles avec une précision croissante dans la prédiction de la douleur en milieu hospitalier et en ambulatoire », indiquent les auteurs.

    C’est que l’étude présente plusieurs limites :

    • d’abord, l’échantillon de patients sur lequel a été mené l’étude présente une taille très réduite : des études futures devraient tester la pertinence du modèle sur une cohorte de patient plus importante ;
    • certains paramètres utilisés comme marqueurs de douleur, comme une variation de la fréquence cardiaque, peuvent être influencés par des événements autres que la douleur : les paramètres physiologiques mesurés doivent être interprétés dans le contexte clinique de l’histoire et de l’examen du patient ;
    • la sévérité de la maladie du patient (selon des indicateurs tels que le nombre d’hospitalisations) devrait être prise en compte par le modèle ;
    • les chercheurs ont postulé que les scores de douleur documentés par l’infirmière et les scores de douleur rapportés par les patients dans l’application n’étaient pas différents, or la pratique clinique montre que de nombreux patients surestiment ou au contraire sous-estiment la douleur ressentie : une étude plus approfondie est nécessaire pour déterminer si les scores renseignés par les infirmières et ceux rapportés par les patients peuvent être considérés comme similaires.

    Enfin, l’application de prédiction des scores de douleur visant à optimiser le traitement anesthésique administré aux patients, l’effet des médicaments absorbés devrait être mieux pris en compte : afin d’évaluer si le traitement proposé est adapté – s’il permet de diminuer l’intensité de la douleur de façon satisfaisante -, la différence entre la mesure des paramètres avant et après l’administration de médicaments pourrait être quantifiée par l’application de façon à prédire, à terme, le traitement le plus adapté pour le patient.

  • Utiliser le DP pour un meilleur usage des médicaments en établissement de santé (rapport Anap)

    L’utilisation du dossier pharmaceutique (DP) dans les établissements de santé est à même de sécuriser l’utilisation des médicaments tout en promouvant l’exercice coordonné des professions de santé et une circulation fluidifiée des informations de santé entre la ville et l’hôpital. C’est ce qu’indique un avis d’expert sur l’usage du DP en établissement de santé publié par l’Agence nationale d’appui à la performance (Anap) au début du mois de décembre 2019, en complément de son précédent rapport concernant les enjeux de l’informatisation de la conciliation médicamenteuse.

    Ce rapport, destiné aux médecins et pharmaciens désireux de mieux « identifier l’intérêt que peut recouvrir l’usage du [dossier pharmaceutique] dans un établissement de santé », présente le rôle du dossier pharmaceutique dans les recherches nécessaires à la conduite de conciliations médicamenteuses. Il propose de considérer ce dossier comme « la seule source d’information permettant d’avoir l’historique des dispensations en ville d’un patient », soit comme un outil professionnel d’information sur les médicaments indispensable à la rédaction d’ordonnances parfaitement adaptées à chaque patient.

    Après avoir indiqué que ce dossier devient de plus en plus exhaustif et fiable au fil de son déploiement, l’Anap pointe cependant 2 limites pratiques qui freinent encore son utilisation : la nécessité de disposer de la carte Vitale du patient afin d’accéder au DP de ce dernier et l’historique très limité dans le temps que permet de tenir ce dossier.

    Afin de répondre aux questions de ceux qui souhaiteraient déployer le dossier pharmaceutique au sein de leur établissement, l’agence nationale dresse par ailleurs dans cet avis un aperçu de prérequis techniques et des démarches administratives nécessaires.

    Un dispositif efficient encore affaibli par quelques limites pratiques

    Un dispositif de plus en plus efficient et exhaustif

    « [Le dossier pharmaceutique (DP)] est potentiellement efficient et exhaustif », estime dans son rapport l’Anap, qui indique par ailleurs :

    • qu’à la fin de l’année 2017, plus de 99 % des officines étaient raccordées au DP ;
    • qu’à la fin de l’année 2018, plus de 37 592 917 DP étaient actifs.

    Car plus les patients et les professionnels de santé renseignent les médicaments consommés par les patients sur leur dossier pharmaceutique, plus ce dernier est exhaustif et peut constituer un socle de réflexion fiable pour la conciliation médicamenteuse.

    Afin d’illustrer l’efficience et l’intérêt du DP, l’Anap rappelle dans son rapport quelques résultats d’études menées dans des établissements de santé français depuis 2015 comme :

    • un travail mené à la polyclinique côte basque, à Saint-Jean-de-Luz, qui a montré que 17 % des patients sous traitement omettent de notifier à l’anesthésiste certains « médicaments à impact clinique grave », justifiant l’utilisation du dossier pharmaceutique pour sécuriser la consultation d’anesthésie ;
    • une recherche effectuée au CH d’Agen, d’après laquelle le DP serait la seule source d’informations disponibles concernant les médicaments pour 25% des patients se présentant aux urgences, encourageant l’utilisation du dossier pharmaceutique dans les services d’urgences ;
    • une étude réalisée au CH de Vienne, selon laquelle le temps moyen de création et d’alimentation du DP serait de 5 minutes (2 minutes pour une alimentation seule).

     2 problèmes : accès par carte Vitale et sauvegarde limitée à 4 mois

    « L’historique, limité à 4 mois, suffit pour connaître les traitements actuels des maladies chroniques (les plus gros conditionnements correspondent à trois mois de traitement), mais pas pour certains traitements occasionnels épisodiques (migraine, allergie, etc.) », est-il indiqué dans le rapport.

    Par ailleurs, l’accès au dossier pharmaceutique n’étant possible que si le patient consent à fournir sa carte Vitale, les médicaments prescrits à des patients dont le consentement n’a pas été donné ne peuvent être entrés dans son DP. Par ailleurs, les médicaments dispensés hors prescription, non remboursés, ne sont généralement pas non plus inscrits dans l’historique (le pharmacien ne demande souvent pas au patient sa carte Vitale lors de la délivrance de médicaments non prescrits).

    Évolutions attendues pour dépasser ces limites

    « Avec le décret du 9 mai 2017, quatre avancées majeures vont permettre d’assurer un dispositif sécurisé et plus facile d’utilisation », prévoit l’Anap.

    Parmi ces avancées, la dématérialisation de la carte Vitale devrait permettre une meilleure circulation des informations contenues par les dossiers pharmaceutiques au sein des établissements de santé. « Au moment de l’admission ou pré-admission, la carte Vitale est enregistrée au niveau du bureau des admissions pendant une période de 15 jours. Les professionnels peuvent alors utiliser l’empreinte de cette carte Vitale à distance pour accéder au DP », décrit l’agence nationale.

    Aspect technique du déploiement du DP en établissement de santé

    Sécurité des données

    L’Anap met en avant dans son rapport 3 points clés garantissant la sécurité des données de santé enregistrées sur le dossier pharmaceutique :

    • le stockage des données chez un hébergeur agréé de données de santé ;
    • le chiffrage des données ;
    • l’utilisation d’un « numéro unique (NDP) calculé à partir des traits de la carte Vitale ».

    Prérequis techniques

    2 prérequis techniques simples sont également rappelés dans le rapport. Pour que le DP soit déployé dans un établissement de santé, celui-ci doit seulement disposer :

    • d’une connexion à internet ;
    • d’un lecteur de cartes fonctionnel.

    Pour plus d’interopérabilité, « les données sont fournies dans un format directement utilisable par les outils du circuit du médicament », note l’Anap.

    Connexion au DP

    Selon le rapport, il existe 2 façons de se connecter au dossier pharmaceutique :

    • par le système d’information hospitalier (SIH) intégré aux logiciels métier Pharma (éditeur : Computer Engeneering) ou Genois (éditeur : SIB) ;
    • via le logiciel FAST fourni par le Cnop.

    Démarches administratives

    L’Anap détaille une démarche de raccordement du DP à une PUI en 5 étapes :

    • demande de la PUI auprès de la direction ou de la commission médicale de l’établissement ;
    • accord de la direction et envoi un courrier de candidature au Cnop pour signature d’une convention entre l’établissement et le Cnop. « Il faut compter 500 euros de mise en service puis verser une redevance annuelle, variable selon la taille de l’établissement (entre 1200 et 2400 euros) », prévient l’agence ;
    • commande des cartes CPS auprès de l’Agence du numérique en santé (ex Asip) ;
    • réception par la PUI d’un kit de démarrage comprenant une brochure destinée aux patients, un guide pratique du DP et guide pratique FAST destiné au service informatique ;
    • réception par le service informatique d’un guide d’installation.

  • Étude : les forums et réseaux de patients en ligne comme nouveau terrain de pharmacovigilance (JMIR)

    Les données disponibles en ligne sur les forums et réseaux de patients pourraient constituer un nouvel outil de pharmacovigilance. Dans leurs messages, les auteurs de ces communautés de patients et de professionnels de la santé peuvent en effet décrire des effets indésirables rares de médicaments parfois encore jamais décrits dans la littérature médicale. Analyser le contenu textuel de ces publications pourrait donc permettre de repérer ces effets secondaires.

    C’est du moins ce que suggère une étude publiée le 21 novembre 2019 dans le Journal of Medical Internet Research (JMIR). Ce travail montre en effet comment l’analyse d’un ensemble messages postés sur un forums de patients, Inspire, peut permettre de repérer l’apparition d’un type d’effets indésirables dans la population générale.

    La méthodologie choisie par les auteurs reposait à la fois sur la technologie du traitement automatique du langage naturel ainsi que sur des analyses linguistiques plus classiques. L’analyse d’un corpus de messages selon cette méthodologie a en particulier conduit à montrer que les médicaments de la classe des statines peuvent provoquer des troubles cognitifs et de la mémoire.

    Si plus d’études sont requises pour affiner les méthodes d’analyse textuelle de grandes quantités de messages et que que ce genre de travaux ne pourra permettre qu’une identification préalable d’effets secondaires potentiels (et non pas une mise en évidence d’effets indésirables avérés), les auteurs considèrent cependant cette nouvelles source de données et cette nouvelle méthodologie comme prometteuses. Elles pourraient selon eux transformer les essais cliniques en particulier de phase 4 et faire en sorte que ceux-ci s’attachent à mieux prendre en compte certains groupes de patients « historiquement sous-représentés » dans les investigations cliniques.

    Recherche de nouvelles méthodes pour repérer précocement des effets indésirables rares de médicaments

    Les statines, médicaments inhibiteurs de l’HMG-CoA réductase utilisés comme hypolipémiants, comptent parmi les médicaments les plus prescrits notamment aux Etats-Unis : en 2013, l’American College of Cardiology et l’American Heart Association estimaient qu’un milliard d’individus dans le monde serait éligible pour recevoir des statines en prévention de maladies cardiovasculaires. Ces médicaments, bien que considérés comme sûrs et efficaces, peuvent cependant provoquer fréquemment des effets indésirables tels que des affections musculaires (douleurs, crampes et faiblesses musculaires). Des effets secondaires plus rares concernent des troubles de la mémoire ou de la cognition.

    Ce type d’affections iatrogènes semble cependant mal qualifié et quantifié par des études classiques (études de cas, méta-analyses de rapports et essais cliniques). C’est que le nombre de patients inclus dans les essais cliniques est limité et ne permet pas d’observer des effets rares du médicament, effets qui surviennent souvent au sein de groupes sous-représentés dans ces essais (et ce malgré les efforts réalisés au cours des années 2010 pour que les groupes de patients inclus dans les essais cliniques représentent au mieux la population réelle des patients qui pourraient recourir à une nouvelle molécule).

    « Pour combler ces lacunes, la communication en ligne dans les communautés de santé peut constituer un terrain supplémentaire de recherche d’effets secondaires relativement rares des médicaments », affirment les auteurs de l’étude. Selon eux, des études de phase IV, c’est-à-dire de pharmacovigilance post-commercialisation du médicament, pourraient être fondées sur l’analyse des données postées sous forme de courts textes sur divers forums de patients en ligne.

    Objectifs : identifier des effets indésirables rares et appréhender précisément l’expérience de traitement des patients

    « L’objectif de cette étude était d’utiliser un jeu de données non traditionnel afin d’identifier des signaux d’effets secondaires rares de médicaments tels que les statines », indiquent les auteurs de l’étude. Ce jeu de données non traditionnelles était disponible en ligne sur le forum d’une communauté de patients et de professionnels de la santé : Inspire.

    Ce travail de recherche visait également et plus généralement à mieux appréhender l’expérience de traitement des patients utilisant des statines, à comprendre plus précisément comment ces derniers exprimaient leurs inquiétudes concernant en particulier des troubles de la mémoire liés à la prise d’un médicament, effet indésirable particulièrement difficile à décrire par les patients et à relever pendant l’examen clinique par les praticiens.

    Il s’agissait donc d’identifier des croisements entre utilisation de statines (médicament) et affirmation d’une altération de la mémoire (effet indésirable) et de la cognition ainsi que de relever le lexique utilisé par les patients afin de décrire de tels troubles.

    Méthodes : traitement du langage naturel, statistiques et analyse linguistique

    Les chercheurs ont utilisé les contenus textuels générés par des utilisateurs (patients ou professionnels de santé) d’Inspire, soit plus de 11 millions de publications.

    Afin d’identifier des corrélations entre prise de statines et troubles de la mémoire ou de la cognition, les auteurs ont recouru à deux types d’outils :

    • la technologie du traitement automatique du langage ;
    • l’analyse linguistique pratique des mêmes contenus textuels.

    Traitement du langage naturel et comparaison statistique

    Pour analyser le corpus de plus de 11 millions de messages publiés sur Inspire, les auteurs ont utilisé un système de traitement automatique du langage permettant d’extraire de chaque message des entités (mots ou expressions éventuellement écrites avec des fautes d’orthographe se rapportant à un concept clinique donné) pertinentes, c’est-à-dire en relation avec une prise de statine, une perte de mémoire ou un déclin cognitif.

    Comme groupe témoin, les auteurs ont choisi un ensemble de publications textuelles mentionnant une autre classe de médicaments, les anti-TNF alpha car :

    • les anti-TNF alpha n’ont montré aucun lien avec des troubles de la cognition ou de la mémoire ;
    • cette classe de médicaments est utilisée par une partie importante des membres d’Inspire, ce qui permettait d’établir des statistiques et une référence solide concernant une quasi-absence de corrélations entre prise d’anti-TNF alpha et troubles de la mémoire ou de la cognition ; 
    • les anti-TNF alpha sont prescrits dans des indications très différentes des statines, par conséquent, choisir des publications concernant les anti-TNF alpha comme témoin permettait de réduire au maximum le nombre de chevauchements entre les deux groupes, c’est-à-dire le nombre de publications appartenant à la fois a groupe témoin (anti-TNF alpha) et au groupe test (statines) ;
    • la même cohorte d’âge utilise généralement des inhibiteurs du TNF et des statines, minimisant les effets du déclin cognitif liés à l’âge entre les 2 groupes.

    Analyse linguistique pratique

    « Afin de fournir un contexte qualitatif aux résultats statistiques, une curation manuelle utilisant une méthodologie linguistique a été effectuée sur un sous-ensemble de 246 messages publiés par les utilisateurs qui mentionnaient à la fois l’utilisation de statines et des événements de mémoire », indiquent les auteurs de l’étude. Ainsi, par une analyse linguistique et pour inclure tous les messages pertinents à leur étude, les chercheurs ont également défini précisément toutes les façons dont les auteurs de publications se référaient à leurs pertes de mémoire.

    Déclaration d’éthique

    « Toutes les informations personnellement identifiables ont été supprimées. Toutes les données ont été évaluées sans connaître l’identité des personnes impliquées », assurent les auteurs.

    Résultats : mise en évidence d’effets indésirables des statines

    L’étude a montré qu’il existait bien des corrélations significativement plus nombreuses entre prise de statines et troubles de la cognition ou de la mémoire qu’entre prise d’anti-TNF alpha (médicament témoin) et troubles de la cognition ou de la mémoire.

    De plus, l’analyse linguistique réalisée sur un ensemble de messages d’utilisateurs de statines qui traitaient de troubles de la mémoire a montré que de nombreux patients décrivaient la rapidité et la sévérité de ces changement connus à l’initiation du traitement comme une « maladie d’Alzheimer instantanée ».

    Utiliser de nouvelles sources de données pour optimiser la pharmacovigilance

    « Les résultats de cette étude confirment l’importance des sources de données nouvelles et non traditionnelles en tant signaux supplémentaires d’effets secondaires apparus dans la population générale », affirment les auteurs de l’étude.

    En pharmacovigilance, ces nouvelles sources de données semblent d’autant plus précieuses que la nature même de certains effets indésirables de médicaments peut mener à une sous-déclaration de ces symptômes aux professionnels de la santé. En effet, les patients connaissant des effets indésirables tels que des troubles de la mémoire ou de la cognition pourront oublier de rapporter ces symptômes à leur médecin lors d’une consultation. De même, des effets indésirables considérés comme tabous (troubles sexuels notamment) sont peu rapportés aux professionnels de la santé mais demeurent exprimés sur Internet par des utilisateurs alors anonymes.

    Une méthode combinant 2 outils d’analyse du langage

    Les auteurs, pour élaborer leur propre méthode, ont préalablement étudié dans une analyse méthodologique les résultats d’autres recherches obtenus :

    • après un traitement du langage naturel seul ;
    • après une analyse linguistique seule ;
    • après traitement automatique du langage naturel puis analyse linguistique.

    Ils ont conclu qu’une combinaison des deux outils d’analyse du langage que sont le traitement automatique du langage naturel et l’analyse linguistique, en autorisant les chercheurs à identifier et quantifier des concepts cliniques dans des messages textuels ainsi qu’en précisant certaines expressions particulières relevées dans ces messages, permettait d’obtenir « des résultats complets et de la plus haute qualité ».

    Les auteurs considèrent donc que leurs résultats ont été obtenus au moyen d’une méthode particulièrement fiable et puissante.

    3 limites à ces travaux

    Les auteurs relèvent cependant 3 limites principales de leur étude. Ces limites concernent en particulier :

    • le fait que les antécédents médicaux et le traitement par statine des auteurs d’Inspire sont aut-odéclarés et ne peuvent être confirmés ;
    • le fait que les données démographiques des auteurs d’Inspire soient inconnues : il est donc difficile d’affirmer avec certitude que les publications postées par le groupe d’auteurs étudié est bien représentatif de la population consommatrice de statines ;
    • le risque qu’il existe un biais de détection lié à « la viralité intrinsèque de la communication en ligne », selon les auteurs.

    D’autres travaux déjà publiés sur le sujet

    Les auteurs de cette étude ne sont pas les premiers à tester la puissance d’une telle méthodologie appliquée à des sources non traditionnelles de données comme des publications disponibles en ligne sur des forums de santé.

    Des chercheurs de la faculté de médecine de l’Université de Stanford avaient par exemple déjà mené des travaux sur plus de 8 millions de messages publiés sur Inspire. Une analyse automatique du langage avait alors permis de trouver des associations entre agents chimiothérapeutiques ou médicaments d’immunothérapie et effets indésirables rares. L’équipe avait en particulier découvert que certains patients traités par un médicament d’immunothérapie, l’Erlotinib, signalaient un effet secondaire encore jamais rapporté dans la littérature médicale à propos de ce médicament : l’hypohydrose (sudation insuffisante pouvant engendrer un épuisement éventuellement grave par la chaleur).

    Cette méthode non inédite semble donc prometteuse et de plus en plus utilisée en recherche.

    Il semble, selon cette étude, que les messages postés par les membres des communautés de santé en ligne constituent des sources de données intéressantes pour la recherche d’effets indésirables rares de médicaments dans la population générale.

    Ce nouveau terrain de la pharmacovigilance n’est cependant pas suffisant pour affirmer qu’un effet indésirable s’est bien manifesté dans la population générale, préviennent les auteurs de l’étude. Pour eux, des recherches supplémentaires demeurent toujours nécessaires pour identifier précisément l’étendue et la sévérité des troubles identifiés sur les forums ainsi que pour les expliquer et éventuellement permettre aux laboratoires d’améliorer les médicaments qu’ils proposent.

  • Multiplication de solutions polymorphes de télésuivi en cancéro : focus sur Moovcare et Ako@dom

    La multiplication d’outils d’accompagnement des patients atteints de cancer à domicile sont un atout pour le parcours de soins et pose les questions de fragmentation des solutions pour des cas complexes. Le sujet a été au cœur d’une session des Rencontres de la cancérologie française 2019, qui se sont déroulées fin novembre à Paris. Concernant les parcours ambulatoires en cancérologie, plusieurs « trous dans dans la raquette » ont été identifiés : la réactivité de la transmission d’information et l’exhaustivité d’abord ; l’interfaçage entre les logiciels producteurs de données et les dossiers patients ; l’éducation thérapeutique du patient qui va se retrouver de plus en plus seul au domicile à gérer ses traitements et plus généralement l’accès aux soins de support hors-établissements.

    Le triptyque hôpital-ville-patient doit évoluer en termes d’organisation, d’accès à l’expertise, d’anticipation et de coordination des différents professionnels du soins autour du patient. C’est l’objectif d’initiatives des pouvoirs publiques tel que le déploiement des plateformes territoriales d’appui (PTA), pour organiser la coordination des parcours de santé complexes et apporter une réponse aux professionnels, et en particulier aux médecins traitants, dans la prise en charge de ces situations.

    Des dispositifs de santé numériques, comme Moovcare (Sivan) et Ako@dom (association Patients en réseau et Continuum+), comportent de nombreux atouts pour optimiser cette coordination tout en posant des questions d’évaluation, de financement, de reproductibilité.

    Moovcare : des extensions envisagées pour le remboursement

    Le logiciel Moovcare destiné à la télésurveillance médicale des rechutes et des complications chez les patients atteints de cancer du poumon a été conçu par Fabrice Denis, médecin-chercheur au centre Jean Bernard et à la clinique Victor Hugo au Mans. C’est le premier dispositif de ce type dont le service médical rendu a été jugé suffisamment important par la Haute autorité de santé (HAS) pour être remboursé. « Le médecin qui suit ses patients avec ce genre d’outils a beaucoup moins d’appels intempestifs et génère plus de consultation en soins de support, explique son concepteur. Le problème est que cette application nécessite d’être connecté. »

    Une première limite est la proportion non négligeable de patients non-connectés, notamment après 70 ans, alors que cette population serait la plus bénéficiaire. « Plusieurs études ont montré que le bénéfice de la télésurveillance est bien plus important pour les personnes les plus isolés, en complément, le rôle de pharmacien peut-être une piste pour évaluer les toxicités par exemple », indique Fabrice Denis.

    Le médecin généraliste prend également sa place dans le suivi et le parcours en étant destinataire des alertes. « Le principal frein est l’absence d’acte, pour l’instant, pour le remplissage de ce type d’outils par les infirmières à domicile », note le fondateur de Moovcare, or elles sont les partenaires indispensable des infirmières de coordination.

    Par ailleurs, les pluri-pathologies et pluri-morbidités posent la question du développement de plateformes communes pour répondre aux besoins des médecins généralistes. Outre les financements, cela nécessite la réalisation de davantage d’études de bénéfices de ce type d’outils dans différentes pathologies, surtout chroniques.

    Le logiciel donne lieu à un forfait au parcours de 300 euros par an. Il est géré par l’infirmière de coordination et le médecin prescripteur. Le remboursement tel qu’il a été défini est lié à l’application, utilisée dans le parcours du cancer du poumon. Des extensions sont envisagées et devront, par une nouvelle série d’études, réduire le temps de développement, qui pourra plus facilement passer de 8 ans à 2 ans.

    Ako@dom : un outil conçu pour répondre aux exigences du Health Data Hub

    Ako@dom, créé par Guillaume Gaud, pharmacien, est une plateforme qui assure la continuité des soins et l’autonomie du patient à domicile en s’appuyant sur la relation de confiance entre infirmiers et patients. Elle répond à un enjeu du suivi longitudinale du patient, d’observance et de qualité de vie. À domicile, face à ses comprimés, « le patient est responsable de son go chimio », indique Guillaume Gaud. De plus, il existe un risque de retard de prise en charge des effets indésirables. « Nous avons l’ambition d’améliorer la qualité de vie et allons le valider lors d’une étude », annonce le concepteur d’Ako@dom. La plateforme s’adresse aux patients ayant une vulnérabilité particulière, psychologique en alliant le numérique et l’humain. « Il s’agit de faire du lien entre les acteurs », synthétise Guillaume Gaud.

    Dans le cadre du dispositif actuel, le patient est accompagné durant 3 mois une fois par semaine. Une cartographie de son équipe de soins primaire est réalisée avant d’organiser le parcours. Chacun à un rôle précis et des besoins d’information particulier. Les infirmières sont formées et tutorées par d’autres infirmières.

    Une autre spécificité de l’outil est d’avoir été conçu pour répondre aux exigences du Health Data Hub et d’être connecté aux centres régionaux de pharmacovigilance (CRPV) pour faciliter la conciliation médicamenteuse.

    La plateforme est en cours expérimentation dans le cadre de l’article 51. « Dans ce cadre est pris en charge toute la part dérogatoire, indique Guillaume Gaud. Pour le reste, les établissement doivent être parties prenantes car le financement par les industriels n’est pas pérenne. »

    Multiplication des solutions polymorphes

    Nous sommes actuellement face à une fragmentation de l’information disponible pour un patient donné, un éparpillement des acteurs avec des trous qui subsistent. Pour Yann-Maël Le Douarin, le « grand chantier est de travailler sur les fondations pour la cohabitation d’un ensemble de plateformes en bonne intelligence ». Cela passe par un référencement de l’ensemble des professionnels de santé d’un patient basé sur l’identifiant national de santé, avec une problématique qui subsiste autour de l’interopérabilité, malgré le cadre.

    3 outils publics facilitant sont identifié : le Health Data Hub, l’espace numérique de santé et le bouquet de services, qui est le pendant pour les éditeurs. « L’espace numérique de santé est centré patient, note Yann-Maël Le Douarin. Demain, si j’ai plusieurs applications, l’objectif est d’y avoir mes informations consolidées. » Spécificité de la cancérologie, le dossier communiquant de cancérologie y sera intégré aussi.

    Face à cela, des plateformes polymorphes se mettent en place, des solutions de télésuivi sur lesquelles le patient entre des données, a accès à ses rendez-vous, aux traitements et à des programmes d’éducation thérapeutique. « Elles sont organisationnelles et éducationnelles, commente Yann-Maël Le Douarin. D’autre part, les applications de télésurveillance récupèrent des données, les analyse, génèrent des alertes. »

    « Il faut donc les considérer dans leur contexte et évaluer le bon parcours, la bonne rémunération, les bons acteurs, ajoute-t-il. L’article 51 notamment est là pour poser un socle solide d’interopérabilité éthique, déontologique et définir les nouveaux modèles de financement. »

  • IA en oncologie : Owkin entraînera ses algorithmes sur les données de Gustave-Roussy

    Le centre anticancer Gustave Roussy (IGR) et la startup Owkin ont signé un partenariat de recherche suite au AI for Health Challenge 2019 organisé par la Région Ile-de-France avec l’IGR et remporté par Owkin. C’est ce qu’annoncent les deux partenaires dans un communiqué daté du 19 décembre 2019, précisant que la startup « pourra bénéficier d’un espace privilégié » dans les locaux de l’IGR et que les experts de ce dernier pourront venir travailler aux côtés des data scientists d’Owkin « pour favoriser la mise en place et le déroulement des projets collaboratifs ».  

    Directeur Général Adjoint de Gustave Roussy, Stéphane Pardoux précise qu’Owkin « appliquera ses modèles de machine learning et d’apprentissage fédéré » à la recherche clinique menée par l’IGR, et qu’elle bénéficiera ainsi de « l’accès à des experts de renommée internationale » et de la possibilité d’ « entraîner ses algorithmes sur des cohortes complètes et homogènes ».  Les équipes de Gustave Roussy auront pour leur part accès à la plateforme logicielle Owkin Studio : ils pourront ainsi collaborer directement avec les experts de la start-up, et « comprendre les résultats des algorithmes entraînés sur leurs données ».

    Analyse de données multiples et respect des données patient

    « Nous allons travailler à approfondir les modèles proposés par la start-up dans le cadre du challenge AI for Health » affirme le Pr Nathalie Lassau, radiologue à Gustave Roussy, professeur de radiologie à l’université Paris-Sud, co-directrice du laboratoire de recherche en imagerie IR4M Paris-Sud CNRS : il s’agira notamment de « développer un algorithme basé sur l’analyse de données multiples pour quantifier le risque de rechute chez les patientes présentant un cancer du sein localisé » et de « mettre en évidence un biomarqueur pronostique à partir de clichés d’imagerie scanner et ultrasons, afin de sélectionner le traitement le plus adapté pour chaque patient ».

    Owkin précise que « les données ne seront pas extraites de leur environnement d’hébergement », pour que les cliniciens de Gustave Roussy puissent bénéficier de nouvelles opportunités de recherche « dans le respect des données de leurs patients ».

  • Voluntis s’allie à Salesforce pour lancer une plateforme de prescription des thérapies digitales

    Voluntis, spécialiste en thérapies digitales (DTx), va collaborer avec Salesforce, groupe expert en gestion de la relation client (CRM), pour lancer Voluntis Practice Solutions (VPS), sa plateforme de services de prescription et de remboursement des DTx. La mise en service de la solution est prévue au deuxième trimestre 2020 avec une première version centrée sur le domaine du diabète, précise l’entreprise dans un communiqué publié le 16 décembre 2019.

    L’objectif de la plateforme est de soutenir les pratiques utilisant les solutions propriétaires de Voluntis aux États-Unis et d’automatiser le support des activités de facturation des professionnels de santé et de gestion du cycle des revenus. La plateforme intégrera les codes CPT (Current Procedural Terminology) récemment établis par les Centers for Medicare & Medicaid Services (CMS) aux États-Unis dans l’objectif « d’encourager l’adoption des technologies numériques pour la gestion des maladies chroniques« , explique la société française.

    Ce partenariat a pour objectif de permettre l’extension future de VPS à des solutions de santé digitales « développées par des tiers, à d’autres zones géographiques et à d’autres schémas de remboursement, y compris les contrats de performance (value-based health care) », ajoute-t-elle.

    L’IA pour mieux anticiper les comportements des utilisateurs

    « Les professionnels de santé ont souvent besoin de soutien pour intégrer les thérapies digitales dans leur organisation au quotidien et facturer les activités de gestion à distance des patients tout au long de leur parcours thérapeutique », contextualise Voluntis.

    Pour répondre à ce besoin, l’entreprise a lancé une offre de services, avec un premier focus sur le domaine du diabète.

    Dans le cadre du partenariat avec Salesforce, Voluntis « automatisera ces tâches administratives » pour que les professionnels de santé puissent adopter plus facilement les thérapies digitales dans leur pratique quotidienne.

    Par le biais de l’intelligence artificielle (IA), la plateforme pourra aider à identifier et à anticiper les comportements des utilisateurs, « en favorisant des interactions (…) personnalisées qui contribueront à l’engagement prolongé des patients, à l’amélioration des résultats des traitements et à une gestion clinique plus efficace », ajoute Voluntis.

  • Étude : l’IA à même de rendre plus précise la prédiction du risque de cancer du sein (Radiology)

    Un type sophistiqué d’intelligence artificielle (IA) est parvenue à surpasser les modèles existants pour prédire quelles femmes courent un risque de cancer du sein. Selon une étude* publiée le 17 décembre 2019 dans la revue Radiology par des chercheurs du Karolinska Institute (Suède), le taux de faux négatifs était plus faible avec le réseau neuronal profond formé sur les images mammographiques. Un tel dispositif permettrait d’identifier les femmes qui bénéficieraient d’un dépistage supplémentaire par IRM.

    Cancer du sein : donner accès à l’IRM aux femmes les plus à risques 

    Les programmes de dépistage du cancer du sein reposant sur une double lecture de la mammographie font régulièrement l’objet de critiques. Elles viennent notamment du fait que leur approche universelle ne permet pas d’optimiser la détection du cancer au niveau individuel. Or, des travaux ont démontré que l’IRM aide à améliorer cette détection précoce. Cependant, cet examen entraîne des coûts plus élevés et plus de biopsies par cancer détecté. Par conséquent, il est important de pouvoir sélectionner les femmes qui devraient se voir proposer une IRM ou pour lesquelles le programme de dépistage devrait être adapté.

    Un réseau neuronal pour explorer les mammographies

    Reste donc à prédire les femmes les plus à risques de développer un cancer du sein. Mais la tâche est ardue. Les modèles de prédiction actuels reposent sur des informations recueillies par questionnaire, telles que les antécédents familiaux de cancer du sein, l’utilisation d’une hormonothérapie substitutive et l’âge au premier accouchement. Pourtant, l’un des facteurs de risque majeurs n’est autre que la densité mammographique. Si elle peut être évaluée visuellement par le radiologue, d’autres caractéristiques échappent à l’œil humain.

    L’utilisation de l’intelligence artificielle (IA) pourrait éventuellement contourner ce dilemme. Des chercheurs suédois du Karolinska Institute ont développé un modèle de risque qui repose sur un réseau neuronal profond qui peut extraire de grandes quantités d’informations à partir d’images mammographiques. Il a été formé sur les mammographies réalisées à partir de cas diagnostiqués entre 2008 et 2012, puis étudié sur plus de 2 000 femmes âgées de 40 à 74 ans qui avaient subi une mammographie. Sur les 2 283 femmes de l’étude, 278 ont par la suite reçu un diagnostic de cancer du sein.

    Les résultats de cette étude ont été publiés le 17 décembre 2019 dans la revue Radiology.

    Résultats : plus précis sur les cancers agressifs

    • Le score de risque élaboré grâce au deep learning (apprentissage profond) prédisait plus précisément quelles femmes étaient à risque de cancer du sein.
    • Le taux de faux négatifs établi grâce à l’IA était inférieur par rapport au système traditionnel, en particulier pour les cancers agressifs.
    • La zone dense était un prédicteur plus précis du futur cancer du sein que le pourcentage de densité.

    Prendre de cours les métastases

    « Dans l’ensemble, le réseau neuronal profond était meilleur que les modèles basés sur la densité, commente le Dr Karin Dembrower, principal auteur de l’étude. Et il n’avait pas le même biais que le modèle traditionnel. Sa précision prédictive n’a pas été affectée négativement par des sous-types de cancer plus agressifs. »

    Le réseau neuronal n’est pas encore prêt à être déployé en clinique ; il doit être formé sur d’autres cas de cancer provenant de plusieurs institutions.

    Cependant, les chercheurs estiment qu’il pourrait, à terme, favoriser la détection précoce des femmes les plus à risque et de les identifier avant que le cancer ne se métastase aux ganglions lymphatiques.

  • Étude : des millions d’économies potentielles grâce à une IA prédisant les soins aux seniors (USA)

    Un modèle de réseau de neurones profond est parvenu à prévoir les visites dans les établissements de santé des personnes âgées. Ce système d’intelligence artificielle (IA), créé par des chercheurs finlandais, s’est révélé plus efficace que les modèles de régression traditionnels couramment utilisés pour prédire la fréquence de recours aux soins. Les auteurs de l’étude* parue en décembre 2019 dans Proceedings of Machine Learning Research (anciennement le Journal of Machine Learning Research), estiment que cet outil pourrait faire économiser des millions de dollars.

    L’intelligence artificielle pour anticiper la charge de travail

    De nombreux établissements de santé utilisent des systèmes pour prévoir les taux de recours aux soins et ainsi débloquer les ressources adéquates. Aux États-Unis, aux Pays-Bas et en Allemagne, notamment, ces modèles d’ajustement au risque sont basés sur le décompte des diagnostics de l’année précédente, le profil démographique des patients (âge, sexe) mais aussi leurs caractéristiques socio-économiques. Cependant, ces modèles de régression statistique ne sont pas d’une grande précision.

    Des chercheurs du Centre finlandais pour l’intelligence artificielle (IA), de l’Université Aalto, de l’Université d’Helsinki et de l’Institut finlandais de la santé et du bien-être ont donc décidé d’utiliser l’IA pour améliorer leurs prévisions. La démarche est relativement inédite car les applications du machine learning (apprentissage automatique) dans le domaine de l’allocation des ressources de soins de santé est assez rare.

    Un réseau de neurones basé sur 1,4 million de dossiers électroniques

    L’enjeu économique est majeure car comme l’explique Pekka Marttinen, professeur adjoint à l’Université Aalto et au Centre finlandais pour l’intelligence artificielle, « sans modèle d’ajustement du risque, les établissements de soins dont les patients sont plus souvent malades que la moyenne des gens seraient traités injustement ». Pour construire leur réseau de neurones, ils ont choisi les personnes âgées qui « sont un bon exemple d’un tel groupe de patients. L’objectif du modèle est de prendre en compte ces différences entre les groupes de patients lors de la prise de décisions de financement », explique Pekka Marttinen.

    Les chercheurs ont donc utilisé les dossiers de santé électroniques de 1,4 million de citoyens finlandais, âgés de 65 ans et plus, pour développer un modèle d’apprentissage approfondi (deep learning) séquentiel qui peut prédire quand et pourquoi les personnes âgées utiliseront les services de santé au cours de l’année suivante, et ce au niveau individuel. Les résultats de cette étude ont été publiés en décembre 2019 dans Proceedings of Machine Learning Network. 

    Résultats : un score de prévision amélioré de 10 %

    • Le score de prévision est amélioré de 10 % par rapport aux systèmes statistiques traditionnels.
    • Un tel réseau de neurones ne nécessite pas un énorme ensemble de données pour produire des résultats fiables.

    Une IA peu gourmande en données

    Les auteurs de cette étude soulignent que le nouveau modèle basé sur l’IA a mieux fonctionné que les modèles plus simples basés sur le nombre, « même s’il n’utilisait qu’un dixième de toutes les données disponibles ». En d’autres termes, expliquent-ils, « il fournit des prédictions précises même avec un ensemble de données relativement petit, ce qui est remarquable, car l’acquisition de grandes quantités de données médicales est toujours difficile ». Et « le fait d’avoir un modèle précis peut permettre d’économiser plusieurs millions de dollars », ajoute le principal auteur de l’article.

    En outre, les chercheurs finlandais n’envisagent pas de remplacer les modèles statistiques par les réseaux de neurones pour prévoir les soins mais d’intégrer les caractéristiques des modèles d’apprentissage en profondeur aux modèles existants, en combinant les meilleurs aspects des deux. « À l’avenir, l’objectif est d’utiliser ces modèles pour soutenir la prise de décision et allouer des fonds de manière plus raisonnable », précisent les auteurs des travaux. Enfin, un tel système ne se limite pas à prévoir les soins des personnes âgées ; il pourrait tout à fait s’appliquer à tout groupe de patients diagnostiqués avec des maladies qui nécessitent des traitements très coûteux.

  • Medissimo lance une application associée à un pilulier pour mieux suivre l’observance médicamenteuse

    Medissimo, une entreprise française de la e-santé spécialisée dans le bon usage du médicament, lance l’application web Siaam pour faciliter le suivi des patients et leur observance médicamenteuse. La solution s’associe à Medipac, le pilulier sécurisé de Medissimo préparé par le pharmacien, explique la société dans un communiqué publié le 11 décembre 2019. Par son biais, les pharmaciens et infirmiers peuvent accéder à un historique des prises de médicaments d’un patient donné et obtenir un bilan d’observance. Le résultat attendu est 98 % d’observance, indique l’entreprise dans une vidéo de présentation.

    Fonctionnement : lors de sa visite à domicile, l’infirmier enregistre via l’appli les informations de prises médicamenteuses du patient et de ses éventuels refus. Ces données sont ensuite partagées avec l’équipe de soins primaires autour du patient, si ce dernier le souhaite. Medissimo note à ce propos que les données personnelles du patient sont stockées chez un hébergeur agréé de données de santé (IDS) certifié par le ministère des Solidarités et de la Santé.

    La synthèse du bilan d’observance est téléchargeable et peut être consultée chaque mois. « Ce document est utile au pharmacien dans ses nouvelles missions comme le bilan de médication, et au médecin lors du renouvellement de ses prescriptions », note Medissimo.

    L’application est disponible gratuitement sur www.siaam.fr. Elle peut être utilisée sur smartphone et tablette tactile.

    L’activité de Medissimo est centrée sur l’amélioration de la coordination de proximité entre médecin, infirmiers et pharmaciens. Parmi les dernières actions de la société figure la participation à l’expérimentation « Gélule » (article 51) avec le Syndicat des médecins libéraux (SML), la Fédération des syndicats pharmaceutiques de France (FSPF) et la Fédération des infirmiers (FIN). « Elle a pour objet la prise en charge coordonnée par les acteurs de santé en ville de patients âgés polymédiqués, maintenus à leur domicile et désorientés, afin d’améliorer l’observance de leurs traitements et de prévenir l’iatrogénie », précise Medissimo, qui met à disposition pour ce projet son logiciel de traçabilité. Prévue sur 2 ou 3 ans, cette expérimentation nationale est dotée d’un budget de 4 millions d’euros.

  • L’application de gestion du diabète Accu-Chek SugarView (Roche) obtient le marquage CE

    L’application mobile Accu-Chek SugarView de Roche vient de recevoir le marquage CE. La solution détermine les taux de glycémie par le biais de photographies. L’utilisateur doit plus précisément prendre avec son smartphone 2 photos d’une bandelette de test pour qu’un algorithme lui indique son taux de glucose dans le sang, le tout sans avoir besoin d’un lecteur de glycémie.

    Accu-Chek SugarView a été créé pour aider les personnes non insulino-dépendantes atteintes de diabète de type 2 ou de pré-diabète dans la gestion de leur maladie entre 2 rendez-vous médicaux, en particulier dans les marchés émergents, où l’accès aux soins est souvent limité, précise Roche dans un communiqué publié le 10 décembre 2019.

    Cette approbation réglementaire européenne ouvre la voie au lancement de la solution en Europe et sur d’autres marchés étrangers pour lesquels un marquage CE est nécessaire.

    Désormais officiellement classée comme dispositif médical de diagnostic in vitro (DM DIV), l’application sera tout d’abord rendu largement accessible par Roche sur certains modèles de smartphones via un téléchargement disponible sur Google Play Store.

    Le diabète de type 2 est la forme la plus courante de diabète : il représente environ 90 % de tous les cas de diabète, indique Roche.

    Une application pour accompagner les patients

    L’application Accu-Chek SugarView détermine la plage de glycémie à l’aide de la bandelette de test Accu-Chek Active et de 2 photos prises sur la bandelette avec un appareil photo pour smartphone. L’utilisateur est guidé étape par étape tout au long du processus de test.

    Des conseils délivrés à l’utilisateur en fonction des résultats

    Un algorithme analyse l’image et établit le résultat en le classant dans une des catégories de la solution, allant de « faible » à « très élevé ». Sur la base de ces résultats, il combine la plage de glycémie avec des informations de base indiquant à l’utilisateur comment il doit réagir, en lui recommandant par exemple de faire de l’exercice ou en lui donnant des indications sur son alimentation.