S'abonner

PAPY : Pré-screening par Python : une méthode informatique pour détecter les patients éligibles aux études cliniques - 19/04/19

Doi : 10.1016/j.respe.2019.03.091 
R. Schiappa a, , C. Giroud b, K. Zorzi b, Y. Chateau a, D. Rener a, d, E. Barranger c, E. Chamorey a
a Centre Antoine Lacassagne, Unité d’épidémiologie et de biostatistiques, Nice, France 
b Centre Antoine Lacassagne, Direction de la recherche clinique et de l’innovation, Nice, France 
c Centre Antoine Lacassagne, Pôle de chirurgie oncologique générale, gynécologique et sénologique, Nice, France 
d Centre hospitalier universitaire de Nice, Direction de la recherche clinique et de l’innovation, Nice, France 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

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


© 2019  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 67 - N° S3

P. S129-S130 - mai 2019 Retour au numéro
Article précédent Article précédent
  • Gestion en temps réel d’une base de données biologiques centralisée pour un essai clinique vaccinal de phase II multicentrique en Afrique
  • C. Campion, R. Vatrinet, M. Bererd Camara, J. McCullough, K. Awuondo, Y. Sarro, E. Lhomme, L. Richert
| Article suivant Article suivant
  • Utilisation de l’espérance de vie tardive (EDVT) pour mesurer le bénéfice des immunothérapies
  • A. Vivot, P. Créquit, R. Porcher

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.