Sur les possibilités de réduction du nombre des alertes automatiques lors de la prescription créées par un logiciel métier Dr. Wolfgang B. Lindemann, Cabinet de médecine générale, 67 rue du Maréchal Foch 67113 Blaesheim/Alsace docteur@blaesheim-medical.fr Une mission des logiciels métier (LM) est l’aide à la décision lors de la prescription électronique en créant des alertes automatiques en fonctions des antécédents et du traitement du patient ou des interactions médicamenteuses. En général, ces alertes sont trop surabondantes et trop peu spécifiques pour pouvoir être utiles 1 2 3. Une étude récente2 a évalué dans le cadre d’un hôpital universitaire que les informations déjà à la disposition du LM pourraient améliorer la qualité de ces alertes. J’ai refait cette étude en médecine générale. Méthodes J’ai évalué combien d’alertes automatiques affichées lors de la prescription du traitement habituel auprès de 88 patients choisis au hasard dont je suis le médecin traitant auraient pu être évitées si l’information normalement présente dans le LM aurait été prise en compte. J’ai effectué la même évaluation pour (à ce jour) 18 traitements intercurrents choisis au hasard prescrit aux patients dont je suis également le médecin traitant. Au moment de l’évaluation, j’avais vu tous les patients au moins 5 fois en consultation pendant au moins 3 mois (le temps nécessaire pour compléter le dossier électronique du patient). L’évaluation statistique a été faite avec Excel 2016 et SPSS 24 1. ont été créées en interaction entre mon LM Axisanté 5 (Compugroup) et la base des données VIDAL : depuis 2012, la 11e convention incite les généralistes à l’utilisation d’un LM comme le mien ayant une telle fonctionnalité dite d’aide à la décision lors de la prescription. La qualité des alertes est plus qu’insuffisante comme il a été rapporté maintes fois et cet « alert overkill » peut encore passer à côté d’erreurs de prescription graves5 6. Cette incitation financière bien coûteuse ne devrait donc pas améliorer la pratique médicale7 mais seulement Tableau 1 : Alertes évitables par la prise en compte des informations présentes au LM Alerte évitable par la prise en compte du/ de la clearance rénale correcte nombre (%) d’alertes 198 (12.1%) (cause pas claire) 138 (8.40%) comédication protectrice 59 (3.59%) chronologie/ répartition de la prise dose 52 (3.17%) dernières valeurs de la tension artérielle 43 (2.62%) âge 36 (2.19%) évolution de la thérapie 33 (2.00%) dernières valeurs de l’HbA1c voie d’administration dernières fréquences cardiaques dernières glycémies à jeun dernières valeurs de la TSH 21 (1.28%) 14 (0.85%) 12 (0.11%) Résultats obtenus Les 88 patients (44 ♀) étaient âgés entre 17 et 88 ans, en moyenne 59.9 ans. Ils avaient en moyenne 4.17 antécédents saisies en mode structuré et recevaient en moyenne 5.5 médicaments comme traitement habituel. Des patients plus âgés avaient plus de pathologies structurées** r=0.44 et recevaient plus de médicaments** r=0.46. (Je n’ai que saisi >85% des antécédents en mode structuré mais il est improbable qu’il y a un biais quelconque). Des patients qui avaient plus d’antécédents recevaient plus de médicaments ** r=0.60. 482 médicaments prescrits déclenchaient dans la fenêtre de prescription (image 1) un nombre total d’alertes de 343 de niveau de vigilance bas, 398 de niveau moyen et 536 de niveau élevé, une moyenne de 0.72, 0.83 et 1.11 alertes par médicament prescrit respectivement. 38.0%, 35.3% et 27.0% respectivement étaient sans alerte. Un nombre total de 2173 alertes apparaissait dans la fenêtre « VIDAL résumé », dont 527 étaient insignifiantes car le médicament responsable n’était pas sur la prescription actuelle. Quant aux 1646 alertes restantes, 215 (13.0%) étaient des doublons# et 245 (14.9%) était « la vérification des risques ne peut pas être effectuée » (indiquant ainsi un problème de la base des données et pas de la prescription). Durant l’étude (décembre 2015 à septembre 2016, le premier traitement habituel a été saisi le 1.2.2016), il y avait 1 à 2 mises à jour mensuelles de la base des données VIDAL qui est responsable pour les alertes et le nombre d’alertes pour « données insuffisantes » diminuait significativement** r=-0.53 indiquant probablement une amélioration continue de la base des données. 18 (1.09%) alertes étaient dues au fait que le LM ne permettait pas une saisie appropriée de la posologie en mode structuré (comme « une fois par semaine ») ##, 14 (0.85%) des alertes n’étaient pas justifiées car il s’agissait d’un traitement « si besoin » ##. Finalement, 99 (6.02%) alertes apparaissaient car le LM interprétait mal un antécédent saisi en mode structuré#, indiquant ainsi également un problème de la base des données (par exemple en identifiant une hémochromatose traitée avec « cirrhose/insuffisance du foie » ou « hypertension artérielle » avec « cardiomyopathie hypertensive ») J’ai évalué 357 (21.7%) alertes comme inévitables, la plupart étant liées à l’âge du patient comme « précaution d’emploi chez le sujet âgé », dans 3 cas (0.18% de toutes les 1646 alertes retenues ou 0.56% de toutes les 536 alertes de niveau élevé dans la fenêtre de prescription) j’ai changé un traitement à cause d’une alerte justifiée que je n’avais pas pris en compte lors de la consultation parce que l’alerte s’était perdue dans la masse des alertes inutiles ou injustifiées. Ainsi, 3 (0.62%) de mes 482 prescriptions ont été améliorées, en plus d’une douzaine que j’ai évité lors de la consultation car dans la fenêtre de prescription l’alerte « contre-indication absolue » était présente. Aucun patient n’a subi un dommage. Durant l’étude, je n’ai pas considéré moins d’alertes comme inévitables p<0.88 r=-0.018. Seulement le nombre des alertes de posologie diminuait significativement durant l’étude** r=0.55, suggérant une amélioration continue de la base des données (je n’ai pas changé mes habitudes de prescription). Pour 668 des alertes restantes (40.5% de toutes les 1646 alertes pertinentes), j’ai évalué quelles informations déjà présentes dans le LM auraient pu les éviter (tableau 1). Pour les 18 traitements intercurrents (âge des patients 5 – 78 ans, moyenne 48.5, 11 ♀), 43 prescriptions déclenchaient dans la fenêtre de prescription 13 alertes de niveau de vigilance bas, 17 de niveau moyen et 25 de niveau élevé, une moyenne de 0.30, 0.40 et 0.58 alertes par médicament prescrit respectivement. 67.5%, 48.8%, 55.8% respectivement des prescriptions restaient ainsi sans alerte. Un nombre total de 204 alertes apparaissait dans la fenêtre « VIDAL résumé », dont 139 (68.1%) étaient insignifiantes car le médicament responsable n’était pas sur la prescription actuelle. Quant aux 65 alertes restantes, 25 (38.5%) me paraissaient inévitables, 12 (18.5%) étaient des doublons, 8 (12.3%) auraient pu être évitées en considérant la voie d’administration, 7 (10.8%) en considérant la chronologie, 4 (6.2%) la fonction rénale, 2 (3.1%) le dosage, une alerte interprétait mal une pathologie saisie et une alerte avait une cause que je n’ai pas compris. 1 www.spss.com * p<0.05 ** p< 0.01 Pearson bilatéral Discussion Je n’ai pas trouvé d’étude comparable en médecine générale4, Seidling (2014)2 et Czock (2015)3 paraissent bien être les seules études comparables en milieu hospitalier. Les alertes 45 (2.74%) Exemple d’alertes évitables Commentaires Chez les seniors, la clairance rénale est mieux reflétée par les formules MDRD ou CKDEPI que la formule de Cockcroft. En plus, il n’y a généralement pas de limite précise de 90, 60 ou 30 ml/min contre-indiquant un médicament donné comme le VIDAL présume. Première prescription d’insuline à un patient n’ayant jamais eu un traitement significatif quelconque affiche l’alerte « contre-indication car association avec piogliatazone ». Un IEC affiche « contre-indication car hypertension artérielle ». AINS avec IPP. Traitement anti-épileptique déjà en cours chez un patient recevant une médication abaissant le seuil épileptogène. Lévothyroxine, biphosphonate ou antacide topique prise à distance d’une autre médication. Acide salicylique en dose “cardiaque” (75160mg). Spray de nitrate avec benzodiazepine car le spray contient des traces d’alcool. Bisoprolol et tamsulosine chez un patient ayant une tension artérielle normale et stable (et sous traitement par amlodipine pour hypertension). Cothérapie à long cours par ramipril et indapamide. Des statines, des sartans et des traitements anticoagulants affichent « contre-indiqué/non recommandé chez la femme en âge de procréer ».Zolmitriptane affiche « précaution chez la femme post-ménopausée » Risque d’hypotension brutale surtout lors de l’instauration/du changement d’un traitement associant diurétique et sartan. Hydrochlorothiazide ou ICE chez un patient ayant un diabète de type II équilibré. Application cutanée, transbronchique ou par autre voie topique. Aténolol chez un patient ayant un bloc de branche droit incomplet. # Axisanté/VIDAL se référent uniquement à la clearance Cockcroft du patient en omettant le profil spécifique du patient et de la prescription # Je n’ai pas compris au moins partiellement la cause de l’alerte # # # #+ ## ## ## + ## ## + 13 (0.79) Hydrochlorothiazide ou ICE chez un patient ## + ayant un diabète de type II équilibré. 2 (0.12% Alerte “évaluation d’un éventuel sous- ou ## + surdosage ne prend pas en compte une possible adaptation à la personne âgée” dernières valeurs de 2 Alerte à cause d’un dosage de warfarine plus ## + (prescription l’INR (0.12%) élevée que la norme auprès d’un patient ayant respective: image 1) besoin de ce dosage Somme: 668 (40.5%) + jugé comme “sûre” si le patient a des valeurs normales stables dans le temps (le développement d’un algorithme qui déterminera si une valeur est stable et normale sera un challenge) # ne changeait pas lors de la poursuite de l’étude ## un éventuel changement lors de la poursuite de l’étude n’a pas été évalué aggraver la charge cognitive du médecin8. Cette étude soutient mon hypothèse lors d’une étude antérieure9 10 que la réactivité aux alertes auto-déclarée par des généralistes, qui était pourtant faible, était encore trop élevée. La limitation principale de mon étude est que je ne suis pas pharmacien et qu’il devrait être évalué par un tiers si vraiment seulement 3 de mes 482 prescriptions avaient besoin d’une amélioration. Il y a à la fois un grand besoin et un grand potentiel d’amélioration des alertes automatiques lors de la prescription. Références de littérature 1 Sittig DF, Longhurst CA et al. Electronic health record features, functions and privileges that clinicians need to provide safe and effective care for adults. In: Weaver CA, Ball MJ, Kim GR, Kiel JM (editors). Healthcare Information Managament Systems: Cases, Strategies, and Solutions, Springer International 4th edition 2015 2 Seidling HM, Klein U, Schaier M, Czock et al. What, if all alerts were specific – Estimating the potential impact on alert burden, Int J Med Inf 2014; 83: 285-291 3 Czock D, Konias M, Seidling HM et al. Tailoring of alerts substantially reduces the alert burden in computerized clinical decision support for drugs that should be avoided in patients with renal disease, J Am Med Inform Assoc 2015; 22:881-887 4 Ma stratégie de recherche était comme suit: D’abord, j’ai effectué une recherche Pubmed avec la formule “(EHR or (electronic health record) or (electronic health records) or (electronic patient record) or EPR or (clinical decision support system) or (clinical decision support systems) or (health information technology)) AND ((primary care) or (ambulatory care) or (family medicine) or (general practitioner)) AND (alert or alerts or (alerting function) or (alerting functions)) AND ((alert specificity) or (alert fatigue) or (alert reduction) or reduction or specificity). Ensuite, j’ai cherché dans Pubmed, researchgate.net et les sites web des journaux respectifs des articles citant les articles de Seidling (2014) and Czock (2015), dans Pubmed j’ai également cherché des articles similaires. Finalement, j’ai scanné manuellement les années 2010 à 2016 des 5 journaux suivants : Applied Clinical Informatics, Methods of Information in Medicine, Journal of the American Medical Informatics Association, International Journal of Medical Informatics, Journal of Innovation in Health Informatics (jadis: Informatics in Primary Care) 5 Slight S, Eguale T, Amato MG et al. The vulnerabilities of computerized physician order entry systems: a qualitative study. J Am Med Inf Ass 2016; 23 (2): 311-316 6 Topaz M, Segler DL, Slight SP et al. Rising drug allergy overrides in electronic health records: an observational retrospective study of a decade of experience. J Am Med Inf Ass 2016; 23 (3): 601fin608 7 Bayoumi I, Balas MA, Handler SM et al. The effectiveness of computerized drug-lab alerts: A systematic review and meta-analysis, Int J Med Inf 2014; 83 (8): 406-415 8 Ariza F, Kalra D, Potts HWW. How do clinical information systems affect the cognitive demands of general practitioners? Usability study with a focus on cognitive workload. J Innov Health Inform. 2015; 22(4): 379-390. Image 1: Exemple de la fénêtre de prescription au niveau d’alerte moyen (c’est ainsi que j’ai considéré dans cette étude le niveau 4) alerte (contre-indication) absolue alerte de surdosage alerte (contre-indication) relative alerte liée à une interaction alerte de posologie aucune alerte détectée 9 Lindemann WB Über (Aus)nutzung von Arztinformationssystemen und ärztliche (Lebens)qualität). Poster 83: 60th Annual meeting of the German Society of Medical Informatics GMDS 9/ 9/ 2015 (Krefeld/Allemagne). (Sur l’utilisation du logiciel métier et la qualité (de vie) de l’omnipraticien.). Allemand non Français. Lindemann WB Über (Aus)nutzung von Arztinformationssystemen in der hausärztlichen Praxis. Poster 201: 59th Annual meeting of the German Society of Medical Informatics GMDS 8/ 9/ 2014 (Göttingen/Allemagne). (Sur l’utilisation du logiciel métier en médecine générale.). Allemand non Français. Les deux posters sont disponibles sur www.researchgate.net “Wolfgang B. Lindemann”. 10 Nanji KC, Slight SP, Seger DL et al. Overrides of medication related clinical decision support alerts in outpatients. J Am Med Inform Assoc 2014; 21: 487-481 Poster n° 253 – 16e Congrès annuel du CNGE 23-25/11/2016 à Grenoble. Ce poster se trouve sur www.researchgate.net « Wolfgang B. Lindemann »