Utilisation des Big Data pour l'identification des effets indésirables médicamenteux et des maladies : exemple de l'insuffisance rénale aiguë

The use of Big Data to identify diseases and adverse drug reactions : example of acute kidney injury

• Auteur / Autrice : Amayelle Rey
• Direction : Sophie Liabeuf, Valérie Gras-Champel
• Type : Thèse de doctorat
• Discipline(s) : Biologie-Santé. Physiopathologie humaine, approches pharmacologiques des cancers
• Date : Soutenance le 02/03/2022
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Mécanismes physiopathologiques et conséquences des calcifications cardiovasculaires (Amiens ; 2006-....)
• Jury : Président / Présidente : Gabriel Choukroun
• Jury : Examinateurs / Examinatrices : Julien Bezin
• Jury : Rapporteur / Rapporteuse : Jean-Baptiste Beuscart, Marie-Laure Laroche

Mots clés

Mots clés contrôlés

Pharmacoépidémiologie

Identification

Prévention

Maladies iatrogéniques

Insuffisance rénale aiguë

Mots clés libres

Insuffisance rénale aiguë

Iatrogénie

Pharmaco épidémiologie

Pmsi

Cim10

BigData

Acute kidney injury

Iatrogenic

Icd10

Résumé

L'exploitation des Big data cliniques, en pleine croissance exponentielle, permet d'augmenter la puissance des études sur le risque iatrogène. Pour cela, deux types de bases complémentaires peuvent être utilisées : les bases médico-administratives et les bases de pharmacovigilance. Nous avons étudié l'insuffisance rénale aiguë (IRA) selon son lieu d'acquisition (communauté [IRA-AC] ou à l'hôpital [IRA-AH]), car cette pathologie est fréquente et la part iatrogène y est souvent importante. Nos premiers travaux se sont concentrés sur l'exploitation de Vigibase®, la base mondiale de pharmacovigilance et ont montré que l'IRA était notifiée respectivement 5.7 et 3.3 fois plus fréquemment avec le febuxostat et l'allopurinol qu'avec les autres médicaments. Par la suite, nous avons constitué une cohorte de 1557 patients hospitalisés ayant présenté un épisode d'IRA grâce aux dossiers médicaux électroniques et aux valeurs de créatininémie. Cette cohorte a permis d'évaluer la performance des codes CIM10 (classification internationale des maladies dans sa 10ème révision) utilisée pour coder les IRA par le programme de médicalisation des systèmes d'information (PMSI). L'utilisation à la fois de codes de ''manifestation de la maladie'' et de ''cause externe'' donnait une spécificité et une VPP très élevée (respectivement 94,8% et 94,9%) tandis que la VPN et la sensibilité étaient modérées (respectivement 56,7% et 57,4%). Une IRA sur trois avait une part médicamenteuse ce qui nous a permis dans des troisièmes travaux d'étudier les facteurs de risques de l'IRA médicamenteuse : le sexe féminin, l'insuffisance rénale chronique et les antécédents d'effets indésirables médicamenteux ; mais également leur pronostic et les classes de médicaments impliquées (différentes selon le lieu d'acquisition de l'IRA). Enfin, grâce à une méthodologie capture-recapture combinant la cohorte constituée et les données de la base nationale de pharmacovigilance, nous avons pu calculer la prévalence de l'IRA médicamenteuse, montrant ainsi son importance, notamment lorsqu'elle est acquise à l'hôpital, et le taux important de sous-notification des IRA-AH. Ce travail apporte une meilleure connaissance sur les IRA et, avec la validation du codage des IRA, ouvre la voie à de futures recherches sur cette pathologie en utilisant les données du PMSI ou du système national des données de santé

Exploitation of clinical Big Data, which is growing exponentially, makes it possible to increase the power of studies on drug-induced pathologies. For this, two types of complementary databases can be used: medico-administrative databases and pharmacovigilance databases. We studied acute kidney injury (AKI) according to where it was acquired (community [CA-AKI] or hospital [HA-AKI]), because this pathology is frequent and drugs are often involved. Our initial work focused on the use of Vigibase®, the worldwide pharmacovigilance database, and showed that AKI was reported 5.7 and 3.3 times more frequently with febuxostat and allopurinol respectively than with other drugs. We then built a cohort of 1557 hospitalized patients who had an episode of AKI thanks to electronic medical records and creatinine values. We were able to validate the hospital coding codes (ICD10 codes, the 10th revision of the International Classification of Diseases) of the PMSI (French acronym Programme de Médicalisation des Systèmes d'Information) for AKI. The use of both ''disease manifestation'' and ''external cause'' codes gave a very high specificity and PPV (94.8% and 94.9%, respectively), whereas the NPV and sensitivity were moderate (56.7% and 57.4%, respectively). One out of three AKI were drug-induced, which allowed us in the third work to study risk factors of drug-induced AKI: female gender, chronic kidney disease and history of adverse drug reactions; but also their prognosis and the ATC classes involved (different according to where AKI was acquired). Finally, thanks to a capture-recapture methodology combining the cohort and data from the French national pharmacovigilance database, we were able to calculate the prevalence of drug-induced AKI. We showed its importance, especially when acquired in hospital, and the important rate of under-reporting of HA-AKI. This work provides a better knowledge of AKI and, with the validation of AKI coding, paves the way for future research on this pathology using data from the PMSI or the French national health data system