Détection automatisée d'effets indésirables liés aux médicaments par fouille statistique de données issues du dossier patient électronique
Auteur / Autrice : | Emmanuel Chazard |
Direction : | Régis Beuscart |
Type : | Thèse de doctorat |
Discipline(s) : | Biostastistiques, informatique médecine et technologies de communication |
Date : | Soutenance le 09/02/2011 |
Etablissement(s) : | Lille 2 |
Ecole(s) doctorale(s) : | École doctorale Biologie-Santé (Lille ; 2000-....) |
Résumé
Les effets indésirables liés aux médicaments (EIM) sont des dommages liés au traitement médicamenteux plutôt qu’aux conditions sous-jacentes du patient. Ils mettent les patients en danger, et la plupart d’entre eux sont évitables. La détection des EIM repose habituellement sur les reports spontanés d’EIM et sur la revue de dossiers. L’objectif du présent travail est d’identifier automatiquement les cas d’EIM en utilisant des méthodes de Data Mining (fouille statistique de données). Le DataMining est un ensemble de méthodes statistiques particulièrement adaptées à la découverte de règles dans de grandes bases de données.Matériel Un modèle de données commun est tout d’abord défini, dans le but de décrire les données qui peuvent être extraites des dossiers patient électroniques. Plus de 90 000séjours hospitaliers complets sont extraits de 5 hôpitaux français et danois. Ces enregistrements incluent les diagnostics, les résultats de biologie, les médicaments administrés, des informations démographiques et administratives, et enfin du texte libre (courriers, comptes-rendus). Lorsque les médicaments ne peuvent être extraits d’un CPOE (système de prescription connectée), ils sont extraits des courriers pa rSemantic Mining (fouille de texte). De plus, la société Vidal fournit un ensemble exhaustif de RCP (Résumés des Caractéristiques du Produit).Méthode On tente de tracer dans les données tous les événements indésirables décrits dans les RCP. Puis en utilisant les méthodes de Data Mining, en particulier les arbres de décision et les règles d’association, on identifie les circonstances qui favorisent l’apparition d’EIM. Plusieurs règles de détection des EIM sont ainsi obtenues, elles sont ensuite filtrées et validées par un comité d’experts. Enfin, les règles sont décrites sous forme de fichiers XML et stockées dans une base. Elles sont exécutées afin de calculer certaines statistiques et de détecter les cas d’EIM.Résultats236 règles de détection des EIM sont ainsi découvertes. Elles permettent de détecter27 types d’événements indésirables différents. Plusieurs statistiques sont calculées automatiquement pour chaque règle dans chaque service, comme la confiance ou le risque relatif. Ces règles impliquent des conditions innovantes : par exemple certaines règles décrivent les conséquences de l’arrêt d’un médicament. De plus, deux outils Web sont développés et mis à la disposition des praticiens via Internet : les Scorecards permettent de présenter des informations statistiques e tépidémiologiques sur les EIM propres à chaque service, tandis que l’Expert Explorer permet aux médecins d’examiner en détail les cas probables d’EIM de leur service.Enfin, une évaluation préliminaire de l’impact clinique des EIM est menée, ainsi que l’évaluation de la précision de détection des EIM.