Intégration d’un score d’optimisation des analyses pharmaceutiques dans un système d’aide à la décision : un match pas gagné d’avance !
Notice bibliographique
Résumé
Les systèmes d’aide à la décision en pharmacie (SADP) se développent de plus en plus et leur intérêt dans l’aide à la détection de problèmes liés à la thérapeutique est incontestable. Plusieurs outils existent pour optimiser l’analyse pharmaceutique des prescriptions ainsi que le nombre d’interventions pharmaceutiques (IP). Avec l’augmentation du nombre de données issues des séjours hospitaliers, ils pourraient bénéficier d’une approche fondée sur l’aide à la décision, mais en réalité peu sont intégrés dans les SADP. L’objectif de ce travail est d’évaluer l’intégration d’un score dans un SADP afin de déterminer un seuil qui permettrait de distinguer les séjours hospitaliers bénéficiant d’une analyse pharmaceutique pouvant être à l’origine d’IP des séjours hospitaliers moins à risque de conduire à une ou plusieurs IP. Il s’agit d’une étude rétrospective et observationnelle, menée du 2 mars au 16 avril 2022. Le score qui a été intégré dans le SADP PharmaClass® (Keenturtle) est inspiré d’un score canadien. Les critères du score se composent de l’âge, du nombre de médicaments et du type de médicaments présents dans la prescription. Pour chaque hospitalisation, un score a été calculé au début du séjour et nous avons regardé rétrospectivement si un pharmacien avait fait une analyse pharmaceutique et si cette analyse avait abouti à une ou plusieurs IP. Une analyse statistique (courbe ROC et indice de Youden) a ensuite été menée pour déterminer le seuil de score optimal distinguant les séjours hospitaliers avec analyse pharmaceutique susceptible de conduire à une IP des séjours avec analyse pharmaceutique moins probable de conduire à une IP. Pendant la période de l’étude, 1717 séjours ont bénéficié d’un calcul de score, dont 973 (56,7 %) séjours, une analyse pharmaceutique a été effectuée. Suite aux analyses statistiques, un seuil de 4 a été considéré comme discriminant pour identifier les séjours analysés conduisant à une ou plusieurs IP. À ce seuil, 600 (61,7 %) séjours hospitaliers sont détectés dont 33,3 % ont conduit à une IP, et 5,0 % des séjours totaux n’ont pas été détectés bien qu’ayant fait l’objet d’au moins une IP. Les résultats de cette étude montrent qu’un score intégré dans un SADP peut aider les pharmaciens à détecter les séjours hospitaliers susceptibles de conduire à une IP. Cependant, le seuil optimal est difficile à déterminer, car il faut contrebalancer les séjours qui seront bien détectés de ceux qui seront détectés à tort ou encore des séjours qui ne seront pas détectés, alors qu’ils auraient dû. En pratique, ce score pourrait être utilisé en premier lieu sans seuil pour optimiser l’organisation des analyses pharmaceutiques à entreprendre et ainsi maximiser la détection des prescriptions à risque. L’intégration d’un score pour optimiser l’analyse pharmaceutique est une tâche complexe et les résultats peuvent être améliorés en collaborant avec les développeurs des SADP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».