Sécurité des patients

Les stratégies visant à réduire les erreurs de médication font couramment appel aux SDCS (tableau 1). Les erreurs impliquant des interactions médicamenteuses (DDI) sont citées comme étant courantes et évitables, jusqu’à 65 % des patients hospitalisés étant exposés à une ou plusieurs combinaisons potentiellement dangereuses.17 Les systèmes CPOE sont désormais conçus avec un logiciel de sécurité des médicaments qui dispose de protections pour le dosage, la duplication des thérapies et la vérification des DDI.18 Les types d’alertes générées par ces systèmes font partie du type d’aide à la décision le plus diffusé19. Cependant, des études ont révélé un niveau élevé de variabilité entre la manière dont les alertes pour les DDI sont affichées (par exemple, passives ou actives/disruptives), qui sont hiérarchisées,20,21 et dans les algorithmes utilisés pour identifier les DDI.18,22 Les systèmes ont souvent des degrés variables d’alertes non pertinentes présentées, et il n’y a pas de norme sur la meilleure manière de mettre en œuvre ces alertes pour les fournisseurs. L’Office of the National Coordinator for Health Information Technology des États-Unis a élaboré une liste de DDI  » hautement prioritaires  » pour les CDS, qui a atteint divers niveaux d’approbation et de déploiement dans les CDSS’ d’autres pays, notamment le Royaume-Uni, la Belgique et la Corée20,21,23.

Les autres systèmes ciblant la sécurité des patients comprennent les systèmes électroniques de distribution de médicaments (EDDS), et les systèmes d’administration de médicaments au point de service (BPOC) à code à barres24. Ces systèmes sont souvent mis en œuvre ensemble pour créer une  » boucle fermée « , où chaque étape du processus (prescription, transcription, délivrance, administration) est informatisée et se déroule dans un système connecté. Au moment de l’administration, le médicament est automatiquement identifié au moyen d’une identification par radiofréquence (RFID) ou de codes-barres et est comparé aux informations sur le patient et aux prescriptions. Il s’agit là d’une autre cible pour les CDSS, dont l’avantage potentiel est la prévention des erreurs d’administration de médicaments au chevet du patient (par opposition à celles qui se produisent en amont). L’adoption de ces systèmes est relativement faible, en partie à cause des exigences technologiques et des coûts élevés.25 Cependant, les études montrent une bonne efficacité de ces systèmes dans la réduction des erreurs.26 Mohoney et al. ont montré que beaucoup de ces systèmes peuvent être combinés simultanément avec le CPOE et le CDSS, avec des taux d’erreur de prescription réduits pour la détection des allergies aux médicaments, les dosages excessifs et les commandes incomplètes ou peu claires.24 Comme avec la plupart des CDSS, des erreurs peuvent encore être commises si les prestataires omettent ou contournent délibérément la technologie.27

Les CDSS améliorent également la sécurité des patients grâce à des systèmes de rappel pour d’autres événements médicaux, et pas seulement ceux qui sont liés aux médicaments. Parmi de nombreux exemples, un CDSS pour la mesure de la glycémie dans l’unité de soins intensifs a permis de diminuer le nombre d’événements d’hypoglycémie.28 Ce CDSS incitait automatiquement les infirmières à effectuer une mesure de la glycémie selon un protocole local de surveillance de la glycémie, qui spécifiait la fréquence des mesures à effectuer en fonction des caractéristiques démographiques spécifiques du patient et des niveaux/tendances antérieurs de la glycémie.

Dans l’ensemble, les CDSS ciblant la sécurité des patients par le biais du CPOE et d’autres systèmes ont généralement réussi à réduire les erreurs de prescription et de dosage, les contre-indications grâce à des avertissements automatisés, la surveillance des événements médicamenteux et plus encore29. La sécurité des patients peut être considérée comme un objectif secondaire (ou une exigence) de presque tous les types de CDSS, quel que soit le but premier de leur mise en œuvre.

Gestion clinique

Des études ont montré que les CDSS peuvent augmenter l’adhésion aux directives cliniques30. Ceci est important car il a été démontré que les directives cliniques et les parcours de soins traditionnels sont difficiles à mettre en œuvre dans la pratique, avec une faible adhésion des cliniciens.31,32 L’hypothèse selon laquelle les praticiens liront, intérioriseront et mettront en œuvre les nouvelles directives ne s’est pas vérifiée.33 Cependant, les règles implicitement codées dans les directives peuvent être littéralement codées dans les CDSS. Ces CDSS peuvent prendre diverses formes, comme des ensembles d’ordonnances standardisées pour un cas ciblé, des alertes à un protocole spécifique pour les patients auxquels il se rapporte, des rappels pour des tests, etc. En outre, les CDSS peuvent aider à gérer les patients sous protocoles de recherche/traitement,34 à suivre et à passer des commandes, à assurer le suivi des orientations, ainsi qu’à garantir des soins préventifs.35

Les CDSS peuvent également alerter les cliniciens pour qu’ils prennent contact avec les patients qui n’ont pas suivi les plans de gestion, ou qui doivent être suivis, et aider à identifier les patients éligibles pour la recherche sur la base de critères spécifiques.36 Un CDSS conçu et mis en œuvre à la Cleveland Clinic fournit une alerte au point de service aux médecins lorsque le dossier d’un patient correspond aux critères d’un essai clinique.37 L’alerte invite l’utilisateur à remplir un formulaire qui établit l’admissibilité et le consentement au contact, transmet le dossier du patient au coordinateur de l’étude et imprime une fiche d’information pour le patient sur l’essai clinique.

Contrôle des coûts

Les CDSS peuvent être rentables pour les systèmes de santé, par le biais d’interventions cliniques,38 de la diminution de la durée de séjour des patients hospitalisés, de systèmes intégrés au CPOE suggérant des alternatives médicamenteuses moins coûteuses,39 ou de la réduction de la duplication des tests. Une règle CPOE a été mise en œuvre dans une unité de soins intensifs (ICU) cardiovasculaire pédiatrique qui limitait la programmation des analyses de numération sanguine, de chimie et de coagulation à un intervalle de 24 heures.40 Cela a permis de réduire l’utilisation des ressources de laboratoire avec une économie projetée de 717 538 dollars par an, sans augmenter la durée de séjour (LOS), ni la mortalité.

Les CDSS peuvent informer l’utilisateur des alternatives moins chères aux médicaments, ou des conditions que les compagnies d’assurance couvriront. En Allemagne, de nombreux patients hospitalisés sont remplacés par des médicaments figurant sur les listes de médicaments des hôpitaux. Après avoir constaté qu’une substitution sur cinq était incorrecte, l’hôpital de Heidelberg a développé un algorithme de changement de médicament et l’a intégré à son système CPOE existant.41 Le CDSS pouvait changer 91,6 % des 202 consultations de médicaments automatiquement, sans aucune erreur, augmentant ainsi la sécurité, réduisant la charge de travail et réduisant les coûts pour les prestataires.

Fonctions administratives

Les CDSS fournissent un support pour le codage clinique et diagnostique, la commande de procédures et de tests, et le triage des patients. Des algorithmes conçus peuvent suggérer une liste affinée de codes de diagnostic pour aider les médecins à sélectionner le ou les codes les plus appropriés. Un CDSS a été conçu pour remédier à l’imprécision du codage des admissions dans les services d’urgence (CIM-9) (la CIM est la classification statistique internationale des maladies, codes normalisés utilisés pour représenter les maladies et les diagnostics).42 L’outil utilisait une interface anatomographique (représentation visuelle et interactive du corps humain) liée aux codes CIM pour aider les médecins des services d’urgence à trouver plus rapidement les codes de diagnostic d’admission.

Les CDSS peuvent directement améliorer la qualité de la documentation clinique. Un CDSS en obstétrique comportait un système d’incitation amélioré, améliorant de manière significative la documentation des indications de déclenchement du travail et l’estimation du poids du fœtus, par rapport à l’hôpital témoin.43 L’exactitude de la documentation est importante car elle peut aider directement les protocoles cliniques. Par exemple, un CDSS a été mis en place pour s’assurer que les patients étaient correctement vaccinés après une splénectomie, afin de lutter contre le risque accru d’infections (notamment pneumococciques, Haemophilus influenzae, méningococciques, etc.) qui accompagne l’ablation de la rate. Cependant, les auteurs ont constaté que 71 % des patients ayant le terme  » splénectomie  » dans leur DSE ne l’avaient pas documenté dans leur liste de problèmes (ce qui déclenche l’alerte du CDSS).44 Un CDSS supplémentaire a alors été développé pour améliorer la documentation de la liste de problèmes concernant la splénectomie,45 et améliorer l’utilité du CDSS de vaccination original.

Soutien au diagnostic

Les CDSS pour le diagnostic clinique sont connus sous le nom de systèmes d’aide à la décision diagnostique (DDSS). Ces systèmes ont traditionnellement fourni une étape de  » consultation  » ou de filtrage informatisée, par laquelle on pourrait leur fournir des données/sélections de l’utilisateur, puis sortir une liste de diagnostics possibles ou probables.46 Malheureusement, les DDSS n’ont pas eu autant d’influence que les autres types de CDSS (encore) pour des raisons incluant les perceptions négatives et les biais des médecins, une faible précision (souvent due à des lacunes dans la disponibilité des données) et une mauvaise intégration du système nécessitant une saisie manuelle des données47,48. Ce dernier point s’améliore avec une meilleure intégration du DSE et un vocabulaire normalisé comme les termes cliniques Snomed.

Un bon exemple de DDSS efficace est celui qui a été créé par Kunhimangalam et al.49 pour le diagnostic de la neuropathie périphérique en utilisant la logique floue. Grâce à 24 champs d’entrée qui comprennent les symptômes et les résultats des tests de diagnostic, ils ont obtenu une précision de 93 % par rapport aux experts pour identifier les neuropathies motrices, sensorielles, mixtes ou les cas normaux. Bien que cette méthode soit très utile, en particulier dans les pays où l’accès aux experts cliniques est limité, il existe également un désir pour des systèmes qui peuvent compléter les diagnostics des spécialistes. DXplain est un DDSS électronique de référence qui fournit un diagnostic probable basé sur les manifestations cliniques.50 Dans un essai de contrôle randomisé impliquant 87 résidents en médecine familiale, ceux qui ont été randomisés pour utiliser le système ont montré une précision significativement plus élevée (84% contre 74%) sur un test de diagnostic validé impliquant 30 cas cliniques50.

Compte tenu de l’incidence connue des erreurs de diagnostic, en particulier dans le domaine des soins primaires51, il y a beaucoup d’espoir dans les solutions CDSS et informatiques pour apporter des améliorations au diagnostic.52 Nous voyons maintenant des systèmes de diagnostic développés avec des techniques non basées sur la connaissance, comme l’apprentissage automatique, qui peuvent ouvrir la voie à un diagnostic plus précis. Le système de triage et de diagnostic alimenté par l’IA Babylon au Royaume-Uni est un bon exemple du potentiel, mais aussi du travail qu’il reste à faire avant que ces systèmes ne soient prêts pour le prime-time.53,54

Soutien au diagnostic : imagerie

Les CDSS d’imagerie basés sur la connaissance sont généralement utilisés pour la commande d’images, où les CDSS peuvent aider les radiologues à sélectionner le test le plus approprié à effectuer, en fournissant des rappels des directives de meilleures pratiques ou en alertant sur les contre-indications au contraste, par exemple.55 Il a été démontré qu’un CDS interventionnel pour la commande d’images au Virginia Mason Medical Center a permis de réduire considérablement le taux d’utilisation de l’IRM lombaire pour les lombalgies, de l’IRM de la tête pour les maux de tête et du CT des sinus pour la sinusite.56 Le CDS exigeait que les prestataires répondent à une série de questions avant la commande d’images (POC), afin de vérifier la pertinence. Il est important de noter que si une image était refusée, le système proposait une alternative. Un autre exemple commercialisé est RadWise®, qui guide les cliniciens vers la commande d’imagerie la plus pertinente en analysant les symptômes du patient et en les faisant correspondre à une grande base de données de diagnostics, tout en fournissant également des recommandations d’utilisation appropriée au point de soins.57

La CDS non basée sur la connaissance suscite un grand intérêt pour l’imagerie améliorée et la radiologie de précision ( » radiomique « ).58,59 Les images représentant des quantités croissantes de données médicales, mais nécessitant une interprétation manuelle approfondie, les prestataires ont besoin de technologies pour les aider à extraire, visualiser et interpréter60. Les technologies d’IA s’avèrent capables de fournir des informations sur les données au-delà de ce que l’homme peut faire.61 Pour ce faire, ces technologies utilisent des algorithmes avancés de reconnaissance de pixels et de classification d’images, dont le plus important est l’apprentissage profond (DL).62 IBM Watson Health, DeepMind, Google et d’autres sociétés sont à l’avant-garde, développant des produits destinés à être utilisés pour la détection des tumeurs,63 l’interprétation de l’imagerie médicale,64 le diagnostic de la rétinopathie diabétique,65 le diagnostic de la maladie d’Alzheimer par l’apprentissage de caractéristiques multimodales,62 et d’innombrables autres applications. Les  » Yeux de Watson  » d’IBM ont pu combiner la reconnaissance d’images d’un scanner cérébral avec la reconnaissance textuelle de descriptions de cas pour fournir une aide à la décision complète (ou ce qu’IBM décrit comme un  » assistant cognitif « ).60

Plusieurs projets ont pu démontrer des performances qui sont incontestablement  » à égalité  » avec les experts humains65,66,67,68. Par exemple, l’équipe de Google a entraîné un réseau neuronal convolutif profond (CNN) à détecter la rétinopathie diabétique (lésions des vaisseaux sanguins dans l’œil) à partir d’un ensemble de données de 130 000 images rétiniennes avec une sensibilité et une spécificité très élevées65. Les performances des algorithmes étaient équivalentes à celles d’ophtalmologistes américains certifiés. Une autre étude récemment publiée par le groupe de Stanford a démontré qu’un CNN pour la détection d’arythmies sur un électrocardiogramme dépassait la précision (F1 et sensibilité avec spécificité correspondante) du cardiologue moyen pour toutes les classes de rythme.68 Au rythme actuel des progrès, certains experts spéculent de manière controversée que dans 15 à 20 ans, la majorité de l’interprétation de l’imagerie diagnostique sera effectuée (ou au moins prétraitée) par des ordinateurs.69 Pour l’instant cependant, nous devons considérer ces premiers systèmes comme un ajout ou une augmentation de l’ensemble des outils disponibles d’un clinicien.

Soutien au diagnostic : laboratoire et pathologie

Un autre sous-ensemble de diagnostics où les SDCS peuvent être utiles est celui des tests de laboratoire et de l’interprétation. Les alertes et les rappels pour les résultats de laboratoire anormaux sont simples et omniprésents dans les systèmes de DSE. Les CDSS peuvent également étendre l’utilité des tests de laboratoire dans le but d’éviter des diagnostics plus risqués ou plus invasifs. Dans le cas des tests de dépistage de l’hépatite B et C, les biopsies du foie sont considérées comme l’étalon-or du diagnostic, tandis que les tests de laboratoire non invasifs ne sont pas assez précis pour être acceptés. Cependant, des modèles d’IA sont en cours de développement pour combiner plusieurs tests (marqueurs sériques, imagerie et tests génétiques) afin d’obtenir une précision beaucoup plus grande.70 Il existe également des applications pour les CDSS en tant qu’outil d’interprétation lorsque les plages de référence d’un test sont hautement personnalisées, par exemple l’âge, le sexe ou les sous-types de maladies.71

Les rapports de pathologie sont cruciaux en tant que points de décision pour de nombreuses autres spécialités médicales. Certains CDSS peuvent être utilisés pour le classement automatisé des tumeurs. Cela a été fait pour le classement des tumeurs de la vessie urinaire et l’estimation de la récurrence, avec une précision allant jusqu’à 93 %.72 La même chose a été faite pour la classification et le classement des tumeurs cérébrales.73 Il existe de nombreux autres exemples, notamment l’analyse informatisée de l’ECG, l’interprétation automatisée des gaz du sang artériel, les rapports d’électrophorèse des protéines et les CDSS pour le comptage des cellules sanguines46.

Aide à la décision orientée vers le patient

Avec l’avènement du  » dossier médical personnel  » (DMP), nous assistons à l’intégration de la fonctionnalité CDS, similaire aux DSE, avec le patient comme utilisateur final ou  » gestionnaire  » des données. Il s’agit d’un grand pas vers des soins axés sur le patient, et les DSP soutenus par les CDS sont l’outil idéal pour mettre en œuvre la prise de décision partagée entre le patient et le prestataire de soins, notamment parce que les CDS peuvent éliminer le  » manque d’information  » comme obstacle à la participation du patient à ses propres soins74 . Lorsqu’ils sont connectés aux DSE, les DSP peuvent avoir une relation bidirectionnelle, dans laquelle les informations saisies directement par le patient peuvent être disponibles pour leurs fournisseurs, et également les informations du DSE peuvent être transmises au DSP pour que les patients les consultent.76

L’un des premiers DSP, le  » Patient Gateway « , était simplement un tableau de bord permettant aux patients de consulter les médicaments et les analyses, et de communiquer avec leurs médecins.77. Ce concept s’est développé et certains systèmes permettent désormais aux patients de modifier leur propre dossier de soins, ce qui a également un effet sur les données du DSE78 . Un autre exemple est MyHealthAtVanderbilt de l’université Vanderbilt, un DSP entièrement intégré au DSE de l’établissement. En plus de la diffusion de matériel éducatif destiné aux patients et axé sur la maladie, l’université a intégré un outil de dépistage de la grippe pour les patients présentant des symptômes grippaux, afin de déterminer le niveau de soins dont ils ont besoin et de les aider à se faire soigner.79 Le suivi des symptômes est une caractéristique utile et courante des DSP, mais la variété des données recueillies est pratiquement illimitée, des allergies à la couverture d’assurance en passant par les informations sur les prescriptions et les médicaments.80 En outre, les DSP et d’autres applications de suivi des patients peuvent être conçus pour recueillir des informations à partir d’appareils de santé et d’autres  » wearables « , afin de créer des informations exploitables pour les prestataires. Le traitement du diabète en est un excellent exemple. De nombreux systèmes sont déjà utilisés81, mais l’un d’entre eux, mis au point par la Stanford School of Medicine, utilise un glucomètre portable qui transmet des données à un appareil Apple (HealthKit).82 Apple a rendu HealthKit interopérable avec le DSE Epic et le DSP Epic, « MyChart ». Cela permet avec succès aux prestataires de surveiller les tendances glycémiques de leurs patients entre deux visites, et de les contacter via MyChart pour un suivi ou des recommandations urgentes. L’étude pilote a démontré une amélioration du flux de travail des prestataires, de la communication avec les patients et, en fin de compte, de la qualité des soins.82 Divers autres domaines médicaux déploient des systèmes similaires de surveillance qui combinent le DSP/DSE, les technologies portables et le CDSS, y compris, mais sans s’y limiter, l’insuffisance cardiaque (cardiologie), l’hypertension, l’apnée du sommeil, les soins palliatifs/les soins aux personnes âgées, et plus encore.

Il convient de noter qu’à mesure que les DSP sont devenus plus avancés avec des capacités CDSS, l’accent a également été mis de plus en plus sur la conception de ces systèmes pour servir la prise de décision partagée entre le patient et le fournisseur, et pour être des outils interactifs pour rendre les patients plus informés/impliqués dans leurs propres soins. Les DSP qui ne servent que de référentiel d’informations sur la santé sont désormais considérés comme manquant la cible, en particulier par les patients eux-mêmes75 .