Systèmes déclaratifs [1, 2]

Présentation au sujet: "Systèmes déclaratifs [1, 2]"— Transcription de la présentation:

0 Patient Safety Through Intelligent Procedures in medication
Les « ADE Scorecards », outil de détection et visualisation des effets indésirables médicamenteux Emmanuel Chazard1, Grégoire Ficheur1, Adrian Baceanu2, Romaric Marcilly3, Régis Beuscart1 1CHRU de Lille, service d’information et des archives médicales, EA2694, Lille, France 2 IDEEA Advertising, Bucarest, Roumanie 3 CI-CIT Biocapteurs et Technologies pour la santé, EVALAB, Lille, France

1 Systèmes déclaratifs [1, 2]
Comment les EIM sont-ils habituellement détectés ? EIM=effets indésirables liés aux médicaments Systèmes déclaratifs [1, 2] Biais : déclaration < 5% ! Revues de cas [3] Très chronophage Natural Language Processing [4] … sous réserve que les ADE soient décrits dans le texte Data Mining [5] Mise en évidence de motifs depuis de grandes bases de données, en combinant statistiques et intelligence artificielle Souvent utilisé pour analyser les déclarations volontaires… supposant que les EIM sont déclarés => aucun système de visualisation [1] Morimoto T et all. Adverse drug events and medication errors: detection and classification methods. Qual Saf Health Care Aug;13(4): [2] Murff HJ et all. Detecting adverse events for patient safety research: a review of current methodologies. J Biomed Inform Feb-Apr;36(1-2): [3] Kilbridge PM, Campbell UC, Cozart HB, Mojarrad MG. Automated surveillance for adverse drug events at a community hospital and an academic medical center. J Am Med Inform Assoc 2006 Jul;13(4):372-7. [4] Aramaki E et all. Extraction of adverse drug effects from clinical records. Stud Health Technol Inform. 2010;160(Pt 1): [5] Almenoff JS et all. Perspectives on the use of data mining in pharmaco-vigilance. Drug Saf. 2005;28(11):

2 Matériel et méthodes

3 Processus général de la génération de connaissance
Base de séjours Découverte de règles de détection des EIM Identification des cas d’EIM Calcul de statistiques Data Mining & élicitation de connaissances Outil de visualisation synthétique

4 Médicaments administrés
Data Repository Un modèle de données pour détecter les EIM Diagnostics E119 Diabète I251 Athérosclérose I10 HTA N300 Cystite Patient XXX Age 80 Homme ? 0 Décédé ? 0 Durée séjour 9 (…) Administered drugs NPU03230 Potassium Médicaments administrés Courriers et compte-rendus 4

5 Data Mining > Induction supervisée de règles Exemple: arbre de décision  INR ≥ 5
Risque hémorragique (INR5) Anti-Vitamine K ? Oui INR trop bas récemment ? Non Oui Arrêt d’une butyrophénone récemment ? Hypocalcémie ? Non Oui Non Oui Feuille1: p=0.2% Feuille 2: p=14% Feuille3: p=7% Feuille4: p=30%

6 Résultats

7 Résultats Données intégrées dans la base de séjours :
plus de séjours complets : PMSI+médicaments+biologie+courriers Règles de détection des EIM 236 règles validées, dont 171 (72%) apportent de nouvelles connaissances Statistiques contextualisées sur les EIM (propres à chaque service) Outil de visualisation des statistiques, règles et cas Outil web multilingue (Fr, En, Da, Bu) Utilisé dans 5 hôpitaux Evaluation prospective dans un hôpital français

8

9

10

11 Number of cases per month
Histogram of appearance delay

12

13

14

15

16

17 1 2 3 4 5

18

19 Biologie : (…) Hypokaliémie à 2.6 à l’admission aux Urgences (…) Evolution : (…) Sur le plan biologique, après supplémentation potassique, les résultats biologiques sont satisfaisants.

20 Merci de votre attention
Projet financé par l’European Research Council Agreement Ner , 7th framework program