Connaître les systèmes d'aide à la décision OIC-003-20-B

Version Novembre 2024

Les systèmes d’aide à la décision médicale

Du fait de l’augmentation continue des connaissances, il est difficile pour les professionnels de santé de se tenir à jour des dernières recommandations de prise en charge pour les différentes pathologies qu’ils ont à traiter. Aider à la décision, c’est proposer au décideur les prises en charge validées (en anglais, on parle de process pour qualifier les soins prodigués) capables de produire les meilleurs résultats chez les patients (en anglais, on parle de clinical outcomes pour qualifier les bénéfices cliniques). Les outils et ressources permettant d’aider la décision sont multiples, et varient selon leur mode d’utilisation, leur complexité, les tâches qu’ils assistent, et leurs supports.

Les systèmes informatisés capables de délivrer une information personnalisée en fonction de caractéristiques patient sont qualifiés de systèmes d’aide à la décision médicale (SADM) ou Clinical Decision Support Systems (CDSSs). Ils sont définis comme des applications logicielles fournissant aux cliniciens et aux patients des informations cliniques ou des données relatives au patient, intelligemment filtrées et présentées au moment opportun pour faciliter la décision de prise en charge. Les SADM ont prouvé qu’ils étaient des outils ayant le potentiel d’améliorer la conformité des décisions aux recommandations préconisées par l’état de l’art.

On distingue trois types de SADM selon les ressources sur lesquelles fonctionnent leurs algorithmes :

Les SADM qui s’appuient sur des connaissances explicites, représentées sous une forme symbolique, et traitées dans le cadre de la logique. Ce sont des SADM basés sur les connaissances qui, lorsqu’elles sont complexes relèvent des techniques d’intelligence artificielle symbolique.
Les SADM qui reposent sur des modèles construits par apprentissage à partir de jeux de données existantes. Ce sont des SADM basés sur les données qui relèvent des techniques d’apprentissage automatique (machine learning) ou intelligence artificielle numérique
Les SADM issus de l’IA générative. Ce sont des SADM entraînés sur de gigantesques ensembles de données textuelles provenant d'Internet et d'autres sources, leur permettant d'apprendre des représentations linguistiques générales et les connaissances nécessaires dans certains domaines dont celui de la santé. Ils répondent en langage naturel à des questions qui leur sont posées en langage naturel.

Des systèmes d’aide à la décision pour chaque étape du parcours de soins

Il existe une multitude de SADM dont les modèles sous-jacents vont du plus simple à l’extrêmement complexe. De même, les domaines d’intervention où les SADM peuvent être mobilisés dans une pratique médicale sont variés.

Les systèmes d’aide à la décision pour le dépistage (par exemple, le dépistage organisé des cancers du sein, de l’utérus et colo-rectal), la prévention (par exemple, les rappels de vaccination), le pronostic (par exemple, les calculs de risque, cardiovasculaire, de rechute d’un cancer, etc.).
Les scores cliniques sont considérés comme des outils d’aide à la décision, même si leur conception est parfois simple. Il existe de nombreux sites, programmes et applications pour calculer des scores cliniques, avec des origines diverses (qu’elles soient publiques, issues des sociétés savantes, comme celle de la Société française de médecine d’urgence, ou privées qui foisonnent sur le web). Ce sont des modules qui peuvent être intégrés aux logiciels métiers, dossiers patient informatisés ou systèmes d’information hospitaliers, par exemple, le test de Fagerström pour évaluer le niveau de dépendance au tabac, le score de Wells pour évaluer le risque d’embolie pulmonaire, Predict Breast Cancer pour évaluer la probabilité de survie à 5, 10 et 15 ans après un cancer du sein, etc.
Les systèmes d’aide au diagnostic, activité hautement cognitive, visent à rechercher la, ou les, pathologies susceptibles d'expliquer un tableau clinique observé, décrit par un ensemble de signes, symptômes, syndromes et antécédents. DXplain est le système historique d’aide au diagnostic, développé aux États-Unis en 1984. L’utilisateur saisit un ensemble de critères permettant de décrire une situation clinique. Les diagnostics évoqués par cette description sont alors affichés, en distinguant les diagnostics communs et les diagnostics rares. Le système suggère à l’utilisateur de documenter des critères additionnels permettant d’affiner la sélection des diagnostics possibles et de s’orienter vers un diagnostic spécifique (démarche hypothético-déductive). L’aide au diagnostic peut également être proposée dans le domaine de l’imagerie avec des approches numériques de l’aide à la décision basées sur la décomposition de l’image en pixels (par exemple, l’analyse d’image en radiologie).
Les systèmes d’aide à la prise en charge thérapeutique : l’objectif est de proposer le meilleur traitement ou plan de soins pour un patient donné, à un moment donné de sa prise en charge, selon l'état de l'art courant. Pour élaborer ce type de SADM, on se réfère aux connaissances médicales sur la prise en charge que l’on souhaite assister. Celles-ci sont synthétisées sous la forme de recommandations de bonnes pratiques (RBP) dans des guides de bonne pratique (GBP) ou encore des lignes directrices (guidelines). On est bien ici dans le cadre de l'evidence-based medicine. Les GBP sont élaborées par la Haute Autorité de Santé (HAS) ou par les sociétés savantes selon une méthodologie établie par la HAS.
Les systèmes d’aide à la prescription médicamenteuse (ou logiciel d’aide à la prescription, LAP) visent à garantir la bonne utilisation des médicaments et à sécuriser l’ordonnance (détection des surdosages, des interactions médicamenteuses, des contre-indications). Les contrôles sont réalisés automatiquement une fois la prescription établie par le médecin, et déclenchent des alertes en cas de détection d'un problème. Il est à noter que les LAP ne fournissent pas d'aide au choix des « bons » médicaments, i.e. ceux qui sont indiqués pour traiter les pathologies du patient. Ainsi, on peut prescrire des antibiotiques à un patient atteint de diabète, le LAP vérifiera le dosage, les interactions médicamenteuses éventuelles et les contre-indications, mais ne signalera pas que la prescription d’antibiotiques n’est pas la prescription recommandée pour traiter le diabète.

Ressources pour l’aide à la décision

Les ressources documentaires à l’origine des bases de connaissances des systèmes d’aide à la décision logico-symboliques sont habituellement textuelles et exprimées en langage naturel. Il s’agit des manuels de sémiologie pour l’aide au diagnostic, des Résumés des Caractéristiques du Produits (RCP) pour l’aide à la prescription et des guides de bonnes pratiques pour l’aide à la décision thérapeutique. Ces textes doivent d’abord être traduits dans un format computationnel (structuration du contenu et codage dans un formalisme de représentation des connaissances) avant d’être utilisés pour construire les bases de connaissances des SADM. Shiffman (chercheur à Yale, New Haven, Connecticut, États-Unis) a proposé une séquence d’étapes permettant de contrôler la formalisation du contenu des textes : l’atomisation pour identifier les notions d’intérêt, incluant la normalisation des libellés et leur catégorisation en variables de décision (caractérisant la situation clinique) et variables d’action (caractérisant l’action recommandée) ; la désabstraction pour quantifier les notions et les rendre exploitables par un traitement informatisé (par exemple, passer de « fièvre élevée » à « fièvre > 38°C »); la désambiguïsation pour éliminer les ambiguïtés du texte et figer, si nécessaire, l’interprétation, c’est-à-dire, prendre un parti pris (par exemple,passer de « il faudrait éviter les beta-bloquants » à « il faut éviter les beta-bloquants »), et la complétion pour compléter l’ensemble des profils cliniques couverts par les guides de bonnes pratiques.

Pour les systèmes d’aide au diagnostic, les bases de connaissances peuvent être représentées sous la forme de règles de production liant les critères décrivant le tableau clinique et les symptômes aux diagnostics possibles. On pourra citer Aidediag pour les médecins généralistes (payant), et les symptom checkers à destination du grand public qui permettent d’évaluer le niveau d’urgence d’une situation clinique et d’orienter les patients vers le service médical adéquat (pharmacien, médecin généraliste, ou service d’urgences), notamment le symptom-checker de la Mayo Clinic (https://www.mayoclinic.org/symptom-checker/select-symptom/itt-20009075) ou Symptomate disponible en français en français (https://symptomate.com/fr).

Pour l’aide à la prescription, le travail de formalisation des RCP est réalisé par les éditeurs de base de données médicamenteuses. Le répertoire des médicaments comportant l’extrait, le RCP et la notice patient est publié par l’Agence Nationale de Sécurité du Médicament et des produits de santé (ANSM). Les principales bases de données médicamenteuses sont Thériaque , Thésorimed , la base Claude Bernard (BCB), et Vidal. On notera que la base de données publique des médicaments (https://base-donnees-publique.medicaments.gouv.fr/), mise en ligne par l’ANSM, n’est pas une ressource exploitable par les LAP.

En ce qui concerne l’aide à la décision thérapeutique, les ressources sont les guides de bonnes pratiques diffusés par les agences nationales en charge de la qualité des soins : la Haute Autorité de Santé (HAS) en France, le NICE au Royaume Uni. Le site équivalent aux États-Unis, le National Guideline Clearinghouse, maintenu par l’AHRQ a fermé en 2018 suite à l’arrêt des financements fédéraux.

Les systèmes d’aide à la décision à base de données sont entraînés sur des données massives, d’images annotées en radiologie ou en anatomopathologie (lames virtuelles), ou sur des corpus de textes pour l’aide à la décision nécessitant la mise en œuvre de méthodes de traitement du langage naturel (synthèse d’un dossier patient, recherche d’information, etc.). Outre les entrepôts de données cliniques qui sont en cours de construction dans les établissements de santé, le Health Data Hub (groupement d’intérêt public) regroupe les données des organismes publics (dont celles du Système National des Données de Santé (SNDS)), des informations de l’Assurance Maladie et des hôpitaux français afin de les rendre accessibles pour les travaux de recherche. L’accès et l’analyse de données personnelles de santé sont très encadrés en France. Si les données sont parfaitement anonymes, les porteurs de projet peuvent accéder librement aux données. Si elles ne le sont pas parfaitement, il est nécessaire d’obtenir une autorisation de la CNIL avant la mise en œuvre du projet. L’intérêt public et l’éthique du projet devra être validé par le Comité Éthique et Scientifique pour les Recherches, les Études et les Évaluations dans le domaine de la Santé (CESREES).

Objectif de connaissance
Identifiant	OIC-003-20-B
Item parent	Le raisonnement et la décision en médecine. La médecine fondée sur les preuves (Evidence Based Medicine, EBM). La décision médicale partagée. La controverse
Rang	B
Intitulé	Connaître les systèmes d'aide à la décision
Description	Bonnes pratiques d'utilisation des aides à la décision pour la gestion des prises en charge du patient, incluant la construction et l'utilisation des parcours cliniques et des recommandations
Rubrique	Prise en charge
Contributeurs	Jacques Bouaud, Brigitte Seroussi
Ordre	20

Objectif de connaissance
Identifiant	OIC-003-20-B
Item parent	Le raisonnement et la décision en médecine. La médecine fondée sur les preuves (Evidence Based Medicine, EBM). La décision médicale partagée. La controverse
Rang	B
Intitulé	Connaître les systèmes d'aide à la décision
Description	Bonnes pratiques d'utilisation des aides à la décision pour la gestion des prises en charge du patient, incluant la construction et l'utilisation des parcours cliniques et des recommandations
Rubrique	Prise en charge
Contributeurs	Jacques Bouaud, Brigitte Seroussi
Ordre	20