Intégration d’un score d’optimisation des analyses pharmaceutiques dans un système d’aide à la décision : un match pas gagné d’avance !
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.044 | 0.102 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".