Introduction : Les ruptures médicamenteuses représentent un enjeu important pour la sécurité des patients et une charge de travail majeure pour les PUI (pharmacies à usage intérieur). En France, les signalements transmis à l´ANSM (Agence Nationale de Sécurité du Médicament et des produits de santé) ont fortement progressé entre 2019 et 2023, sous l´effet du renforcement des obligations déclaratives des MITM (Médicaments d´Intérêt Thérapeutique Majeur) et d´une tension structurelle croissante sur les chaînes d´approvisionnement. Anticiper ces ruptures est devenu une priorité : détecter les signaux précurseurs à 1-2 mois avant la rupture effective. L´essor de l´IA et l´ouverture des données publiques offrent une opportunité concrète d´automatiser cette détection.

Matériel & méthode : Un dataset de 14 535 signalements ANSM (2019–2023) a été croisé avec la Base de Données Publique des Médicaments (statut MITM, code ATC, forme galénique, prix), structuré en panel DCI (Dénomination Commune Internationale) × mois (126 720 observations). La variable cible était la survenue d´un signalement dans les 1 à 2 mois suivants, définie selon une fenêtre glissante intégrant 26 features dynamiques et statiques (volumes sur 3, 6 et 12 mois, tendance, saisonnalité, récurrence historique). Quatre algorithmes ont été comparés : régression logistique, Random Forest, XGBoost et LightGBM.

Résultats & discussion : Quatre modèles ont été évalués sur le jeu de test (2023). La régression logistique obtient les meilleures performances (ROC-AUC (Receiver Operating Characteristic - Area Under the Curve) = 0,899 ; rappel = 0,811), devançant le Random Forest (ROC-AUC = 0,863), XGBoost (ROC-AUC=0,794) et LightGBM (ROC-AUC=0,796). La supériorité du modèle le plus simple suggère que la structure temporelle des signalements est hautement prédictive, sans nécessiter de complexité algorithmique supplémentaire. L´optimisation du seuil de décision est un paramètre crucial en PUI où rater une rupture est plus grave qu´une fausse alerte. Elle a permis d´atteindre un rappel de 80 % avec une précision de 42 %. L´analyse d´interprétabilité (SHAP (SHapley Additive exPlanations)) révèle que la dynamique des 3 derniers mois de signalements constitue le signal prédictif dominant, devant le statut MITM et la récurrence historique. Appliqué à octobre 2023, le modèle identifie correctement des molécules critiques (lansoprazole, aripiprazole, aténolol) effectivement en tension les mois suivants, de façon entièrement automatisée.

Conclusion : Ce travail démontre qu´un modèle prédictif des ruptures médicamenteuses, entraîné sur données ouvertes et interprétable, est réalisable avec d´excellentes performances, permettant une détection précoce à un horizon de 1 à 2 mois. Intégré au système d´information hospitalier, un tel outil permettrait aux pharmaciens d´anticiper automatiquement les tensions d´approvisionnement, d´adapter les stocks de sécurité et de prioriser les alternatives thérapeutiques, transformant une gestion réactive de crise en un pilotage anticipé du risque de ruptures médicamenteuses.

Mots-clefs : Rupture d´approvisionnement, Big Data, Approvisionnement, Informatisation, Analyse de risques