PAPY : Pré-screening par Python : une méthode informatique pour détecter les patients éligibles aux études cliniques - 19/04/19
Résumé |
Introduction |
À l’heure de la médecine personnalisée, les études cliniques sont une opportunité pour les patients et un challenge pour les investigateurs. Les critères de sélection étant de plus en plus complexes, l’identification des patients éligibles est chronophage, coûteuse et souvent infructueuse. L’informatisation des dossiers médicaux devrait permettre l’utilisation en routine d’outils automatisés de pré-screening. L’objectif de ce travail était de développer une application informatique permettant de fouiller les dossiers médicaux afin d’émettre une alerte automatique lorsqu’un patient éligible est détecté.
Méthodes |
Au Centre Antoine Lacassagne (CAL) les dossiers médicaux (DM) sont informatisés et stockés dans le logiciel Clinicom®. Ils sont exportés quotidiennement sous forme de fichiers texte. PAPY (Pré-screening par Python®), a été développé afin de récupérer ces DM et les indexer. Il va ensuite rechercher dans les DM, à l’aide d’expressions régulières, les patients éligibles. La performance de PAPY a été évaluée sur l’étude « Iodine Breast : NCT02759133 ». Toutes les patientes venues au CAL d’avril à juillet 2018 pour un cancer du sein ont été évaluées (population source). Trois cohortes de patientes ont été constituées et comparées. Cohorte C1 : toutes les patientes éligibles évaluées manuellement sur la population source (cinqminutes de relecture par dossier). Cohorte C2 : patientes incluses dans l’étude en pratique standard (patientes identifiées lors des consultations). Cohorte C3 : patientes détectées par PAPY. La performance a été évaluée par le calcul de la sensibilité, spécificité, vrais positifs, faux positifs, gain de temps.
Résultats |
La population source était constituée de 184 patientes, la cohorte C1 était de 23 patientes (100 %). La pratique standard (C2) inclus 15/23 (65 %) patientes éligibles. PAPY (C3) identifie 26 patientes éligibles dont 14/23 (60 %) appartiennent à C1 et 9/15 (60 %) appartiennent à C2 ; 5/26 (20 %) patientes de C3 n’ont pas été détectées dans C2 mais sont éligibles (C1) et 12/26 (35 %) patientes sont des faux positif. Trois (13 %) des patientes de C1 ne sont ni incluses en pratique standard ni identifiées par PAPY. L’analyse montre que la pratique standard a une sensibilité de 0,65 [0,45, 0,80] et une spécificité de 100 %, PAPY est proche 0,60 [0,41, 0,77] avec une spécificité de 0,92 [0,87, 0,95]. Le temps nécessaire pour analyser les dossiers C1 est de 46heures, le temps de contrôle manuel des 23 dossiers sélectionnés par PAPY a été estimé à 1heures 55minutes.
Conclusion |
PAPY est proche de la pratique standard (sensibilité : 0,60 versus 0,65). Malgré 35 % de faux positifs, le gain de temps reste considérable, seules les patientes détectées étant évaluées pour l’inclusion. PAPY détecte 20 % de patientes éligibles mais non incluses et peut donc venir en complément de la pratique courante. PAPY se heurte aux problèmes connus des systèmes automatisés de recrutement tels que le temps de validation des comptes rendus médicaux et la disponibilité du personnel hospitalier pour les inclusions. PAPY a été utilisé en routine pour sept études, des e-mails automatiques sont envoyés à chaque détection de patient éligible. Afin de diminuer le taux de faux positifs, l’intégration des critères de non inclusion à l’aide d’expressions négatives est en cours. Une collaboration avec l’équipe de linguistique Base, Corpus, Langage (UMR7320) devrait permettre une meilleure sélection des patients en améliorant l’identification de termes.
Le texte complet de cet article est disponible en PDF.Mots clés : Pré-screening, Oncologie, Data management, Python, Expressions régulières
Plan
Vol 67 - N° S3
P. S129-S130 - mai 2019 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.