Development and validation of an algorithm to identify front-line clinicians using EHR audit log data

Cette étude a développé et validé un algorithme évolutif utilisant les journaux d'audit des dossiers médicaux électroniques pour identifier avec une grande précision le clinicien de première ligne responsable d'un patient, surpassant ainsi les approches traditionnelles basées sur la fréquence des actions.

L'essentiel

Imaginez un grand hôpital comme une ville très animée où des milliers de patients arrivent chaque jour. Dans cette ville, il y a une équipe de soignants (médecins, infirmiers, assistants) qui tourne en rond pour s'occuper de chacun. Mais il y a un problème : dans un tel brouhaha, il est très difficile de savoir qui est le capitaine du navire pour chaque patient à chaque instant précis.

Traditionnellement, pour trouver ce "capitaine", il fallait qu'une personne passe des heures à feuilleter des dossiers papier ou numériques, comme un détective qui relit chaque page d'un journal intime. C'est long, épuisant et impossible à faire pour des milliers de patients.

Voici comment cette étude a résolu le problème avec une idée brillante :

1. Le Problème : Trouver l'aiguille dans la botte de foin

Dans les hôpitaux modernes, tout ce que font les médecins (ouvrir un dossier, prescrire un médicament, regarder un résultat) est enregistré dans un journal de bord numérique (appelé "journal d'audit" ou EHR audit log). C'est comme si chaque médecin laissait une trace de pas sur le sol de l'hôpital.

Le défi était de créer un robot intelligent capable de lire ces millions de traces de pas pour dire : "Ah ! À 14h00, c'est le Dr. Martin qui était le plus actif, donc c'est lui le responsable principal de ce patient aujourd'hui."

2. La Solution : Un détective numérique

Les chercheurs ont créé un algorithme (une recette de cuisine mathématique) qui agit comme un détective ultra-rapide. Au lieu de compter simplement "qui a le plus de traces de pas" (ce qui est comme compter qui a le plus de pas dans la ville, mais qui ne dit pas qui est le chef), l'algorithme regarde la nature des actions.

Ils ont testé plusieurs versions de ce détective :

• La version "naïve" : Elle comptait juste le nombre d'actions. Résultat : elle se trompait souvent (78 % de réussite). C'est comme dire que celui qui a le plus de pas est forcément le chef, alors qu'un assistant peut juste courir partout pour aider.
• La version "intelligente" : Celle-ci a appris à distinguer les actions importantes (comme signer un ordre) des actions mineures.

3. Le Résultat : Une précision de champion

Lorsqu'ils ont comparé le détective numérique avec un vrai humain qui relisait les dossiers à la main (la référence absolue), le robot a eu 91 % de réussite. C'est une performance incroyable !

Ensuite, ils ont laissé ce robot travailler sur tout l'hôpital (plus de 5 800 patients). Il a pu dire, jour après jour :

• Qui était le médecin principal (le capitaine) ? (79 % du temps)
• Qui était le médecin en formation (l'élève) ? (9 % du temps)
• Qui était l'assistant avancé (le bras droit) ? (12 % du temps)

4. Pourquoi c'est important ?

Imaginez que vous vouliez savoir si les patients sont bien suivis. Avant, c'était comme essayer de compter les voitures dans une ville entière en regardant par la fenêtre une seule rue. Maintenant, avec cet algorithme, c'est comme avoir un drone qui filme toute la ville en temps réel.

Cela permet de voir clairement comment les patients passent d'un soignant à l'autre (les "transferts" ou handoffs). Par exemple, ils ont découvert qu'en moyenne, un patient changeait de "capitaine" une seule fois pendant son séjour, ce qui est une bonne nouvelle pour la continuité des soins.

En résumé :
Les chercheurs ont créé un outil magique qui lit les traces numériques des médecins pour savoir instantanément qui est responsable de qui, sans avoir besoin de passer des heures à lire des dossiers. C'est plus rapide, plus précis, et cela permet de mieux comprendre comment fonctionne l'équipe soignante, un peu comme si on avait enfin une carte claire de qui fait quoi dans le grand labyrinthe de l'hôpital.

Résumé technique

Résumé Technique : Développement et validation d'un algorithme d'identification des cliniciens de première ligne via les journaux d'audit des DME

1. Problématique

Les équipes interprofessionnelles sont essentielles pour assurer des soins de haute qualité. Cependant, l'identification précise du clinicien principalement responsable d'un patient à un moment donné (le "clinicien de première ligne") repose traditionnellement sur des méthodologies manuelles, intensives en main-d'œuvre et non évolutives. Bien que les journaux d'audit des dossiers médicaux électroniques (DME ou EHR en anglais) offrent une alternative évolutive, leur utilisation pour identifier systématiquement le clinicien de première ligne reste sous-développée et peu exploitée.

2. Méthodologie

L'étude adopte une approche de cohortes transversales menée sur un système de santé unique regroupant 12 hôpitaux.

• Population et Données : L'analyse porte sur les admissions en médecine interne pour adultes sur la période du 1er février 2023 au 30 avril 2023. Les critères d'inclusion exigeaient une durée de séjour d'au moins 3 jours et l'exclusion des admissions en soins intensifs (USI).
• Développement de l'Algorithme : Quatre itérations d'algorithmes ont été conçues pour identifier, pour chaque jour de patient, le médecin traitant (attending), le résident ou le fournisseur de soins avancés (APP) principalement responsable.
• Validation : La performance des algorithmes a été comparée à une revue manuelle des dossiers (étalon-or) effectuée sur un échantillon aléatoire de 246 encounters (séjours), totalisant 1 401 jours-patient.
• Analyse Statistique : La précision de chaque algorithme par rapport à la revue manuelle a été évaluée à l'aide du test de McNemar, avec des valeurs p ajustées par la méthode de Bonferroni pour corriger les comparaisons multiples.

3. Contributions Clés

• Innovation Algorithmique : Développement d'une méthode automatisée capable de distinguer le rôle principal (attending, résident, APP) parmi les multiples interactions d'un journal d'audit, dépassant les approches naïves basées uniquement sur la fréquence des actions.
• Évolutivité (Scalability) : Création d'un outil capable de traiter des volumes massifs de données (des milliers de jours-patient) sans intervention humaine directe, permettant une analyse systémique de la continuité des soins.
• Cartographie de la Continuité : Capacité à quantifier les transferts de responsabilité (handoffs) et les patterns de soins au sein d'un grand réseau hospitalier.

4. Résultats

• Performance de Précision : L'algorithme le plus performant a correctement identifié le clinicien de première ligne dans 91 % des cas (1 268 sur 1 401 jours-patient). Cette performance est statistiquement supérieure à l'approche naïve basée sur la fréquence des actions (78 % de précision, p < 0,001).
• Sources d'Erreurs : Les erreurs résidaient principalement dans la mauvaise identification de la spécialité médicale ou dans l'ambiguïté lors des jours de transition de soins ou de responsabilités partagées entre plusieurs cliniciens.
• Application à la Cohorte Complète : Appliqué à l'ensemble des 5 801 encounters (34 001 jours-patient), l'algorithme a réparti les rôles de la manière suivante :
  • Médecins traitants (Attending) : 79 % (26 750 jours).
  • Fournisseurs de soins avancés (APP) : 12 % (4 145 jours).
  • Résidents : 9 % (3 106 jours).
• Continuité des Soins : Chaque encounter présentait une médiane de 1 transfert de responsabilité (intervalle interquartile 0-2) entre les cliniciens de première ligne.

5. Signification et Impact

Cette étude démontre la faisabilité et la haute précision d'un algorithme basé sur les journaux d'audit des DME pour déterminer le clinicien de première ligne.

• Efficacité Opérationnelle : Elle remplace les revues manuelles fastidieuses par une solution automatisée, permettant une analyse en temps réel ou rétrospective à grande échelle.
• Amélioration de la Qualité : En permettant une identification fiable des responsables de soins, cet outil facilite l'analyse de la continuité des soins, l'optimisation des équipes interprofessionnelles et l'évaluation de la charge de travail clinique.
• Reproductibilité : La méthodologie proposée peut être adaptée à d'autres systèmes de santé partageant des architectures DME similaires, ouvrant la voie à des études comparatives nationales sur les modèles de soins hospitaliers.