Intelligence artificielle et analyse pharmaceutique : une approche par machine learning

Contexte

Les personnes âgées de plus de 75 ans, population le plus souvent polymorbide et donc polymédiquée, sont particulièrement à risque d’iatrogénie médicamenteuse. L’analyse pharmaceutique des prescriptions des patients âgés hospitalisés est un processus indispensable pour limiter cette iatrogénie médicamenteuse. Cette vérification experte demeure néanmoins imparfaite avec certaines erreurs médicamenteuses (EM) non détectées. L’aide de l’intelligence artificielle (IA) dans la détection en temps réel d’EM et la priorisation des prescriptions médicales à analyser semble alors indispensable.

Objectifs

L’objectif est d’évaluer et d’appliquer un ensemble de méthodes d’IA afin d’optimiser l’analyse pharmaceutique des ordonnances des personnes âgées de plus de 75 ans dans un contexte hospitalier.

Méthode

Deux approches de modélisation d’IA ont été testées : le Random Forest Classifer (RFC) permettant l’analyse d’une ligne unique de prescription, et le modèle Long Short-Term Memory (LSTM) permettant de discerner des EM plus complexes de prescriptions concomitantes.

L’apprentissage automatique ou « machine learning » de ces algorithmes a été réalisé à partir de l’ensemble des prescriptions validées par un pharmacien ou un interne en pharmacie au cours de l’année 2021 pour les patients âgés de plus de 75 ans. Cette base de données, extraite du logiciel PHARMA®, comprenait également les interventions pharmaceutiques (IP) réalisées sur la période.

Résultats

Afin d’améliorer l’apprentissage supervisé des algorithmes, la base donnée a été consolidée (correction des problèmes inhérents à l’extraction, revalidation des IP, etc.). Chaque version et chaque point d’étape des algorithmes ont été vérifiés en revalidant les faux négatifs et les faux positifs. Au total sur 55 675 prescriptions analysées, le modèle RCF a obtenu 3056 vrais positifs, 51 626 vrais négatifs, 147 faux positifs et 846 faux négatifs, témoignant d’excellentes performances (exactitude : 98,2 %, précision : 98,2 %, sensibilité : 78,3 %) dans la détection d’EM sur des prescriptions individuelles. Le modèle LSTM, a obtenu de moins bons résultats (exactitude : 76 %, précision : 75 %, sensibilité : 74 %) à ce stade.

Discussion - Conclusion

Ce travail préliminaire a permis d’identifier différents défis à relever pour améliorer les modèles d’apprentissage : qualité de la base, extraction des données, conversion des unités, analyse de lignes de prescription redondantes et concomitantes (surdosage, interactions médicamenteuses). L’incrémentation des données cliniques et biologiques du patient permettrait d’améliorer la qualité de l’analyse par l’outil. L’intégration d’un algorithme fiable au flux XML (au standard PN13) issu de notre logiciel d’aide à la prescription permettrait d’assurer une veille continue des prescriptions hospitalières et de faciliter les missions du pharmacien hospitalier dans l’analyse pharmaceutique.