Introduction : Les erreurs médicamenteuses demeurent un enjeu majeur de sécurité des soins à l´hôpital. Selon la DGOS, il est actuellement impossible pour les pharmaciens cliniciens d´effectuer en temps réel une analyse approfondie et exhaustive des prescriptions de tous les patients hospitalisés (1). Afin d´aider à prioriser les prescriptions à risque, un premier modèle « 1.0 » (2), fondé sur des arbres décisionnels analysant chaque ligne de prescription indépendamment, avait montré des performances intéressantes, mais présentait plusieurs limites : absence de vision globale de la prescription, prise en compte limitée de la temporalité et difficulté à sécuriser la détection des associations médicamenteuses contre-indiquées. L´objectif du présent travail était de développer et d´évaluer un modèle d´apprentissage profond capable d´analyser une prescription dans sa globalité afin d´identifier les prescriptions à risque susceptibles de nécessiter une intervention pharmaceutique. (1) sante.gouv.fr/IMG/pdf/Guide_qualite_de_la_prise_en_charge_medicamenteuse.pdf (2) doi.org/10.1093/ajhp/zxaf089

Matériel & méthode : Nous avons développé un modèle « 2.0 » hybride reposant sur une architecture de type BiLSTM (Long Short-Term Memory bidirectionnel) associée à un mécanisme d´attention. L´analyse est réalisée à l´échelle de la prescription complète et non plus ligne par ligne, en tenant compte des relations entre lignes, de la temporalité et du contexte patient. Le modèle intègre des variables catégorielles, médicamenteuses, biologiques, numériques, temporelles, séquentielles et des variables dédiées aux associations contre-indiquées issues du thésaurus de l´ANSM. Pour chaque ligne de prescription, il prédit une probabilité d´intervention pharmaceutique. Un post-traitement fondé sur des règles expertes garantit en outre le signalement des couples de molécules contre-indiqués identifiés par le thésaurus ANSM.

Résultats & discussion : Le jeu de données du modèle comprenait plus de 2 millions de lignes de prescription, dont 12,3 % associées à une intervention pharmaceutique. Les performances observées étaient une AUC-ROC à 0,888 sur le jeu de test et une meilleure AUC au cours de l´entraînement/validation à 0,903. À seuil optimisant le compromis précision-rappel, la sensibilité atteignait 59,4 % avec une spécificité de 94,1 %. Par comparaison avec le modèle « 1.0 » de type LGBM (2), l´AUC-ROC passait d´environ 0,83 à 0,88 et la sensibilité de 46 % à 59 %. Sur le jeu de test, l´intégration des associations contre-indiquées du thésaurus ANSM et du post-traitement expert permet en outre de signaler à 100 % les couples concernés quelle que soit la sortie initiale du modèle.

Conclusion : Ce modèle hybride d´aide à l´analyse pharmaceutique à l´hôpital montre des performances prometteuses pour l´identification des lignes de prescription à risque, grâce à une meilleure prise en compte du contexte global de prescription, de la temporalité et des interactions médicamenteuses. Une validation externe et prospective demeure nécessaire avant toute utilisation en routine.

Mots-clefs : Pharmacie clinique, Analyse prescription, Erreurs médicamenteuses, Big Data, Intervention pharmaceutique