L’absence d’observance du traitement médicamenteux peut entraîner un risque d’échec thérapeutique et un coût financier non négligeable. Actuellement, les personnels de santé ne peuvent déterminer l’observance à venir d’un patient, soit par manque de temps et/ou manque d’outils Cette information serait pourtant intéressante.

Développer un outil à base d’intelligence artificielle permettant de prédire l’observance attendue d’un patient.

Pour construire un outil pour estimer l’observance des patients, nous disposions des données de la cohorte PREMAGE. Pour chaque observation, nous disposions de l’âge et du sexe du patient, du contenu qualitatif de l’ordonnance et de l’observance du patient évaluée à l’aide du score de GIRERD. Nous avons utilisé comme variable cible le score de GIRERD et comme variables explicatives l’âge, le sexe, le nombre total de médicaments présents dans l’ordonnance, le nombre de médicaments psychotropes, le nombre de médicaments de la liste de Laroche, le nombre de médicaments de la liste de Beers, le nombre de médicaments par classe thérapeutique ATC (Anatomique Thérapeutique & Chimique). Nous avons utilisé des algorithmes d’apprentissage supervisés LightGBM, Gradient boosting classification, et Random forest. Ainsi que l’algorithme non supervisé K-mean pour faire de la réduction de dimensions. Et Canvas sage maker comme algorithme random de classification.

L’entraînement des algorithmes supervisés a permis d’obtenir une précision de 30,4 %, un rappel de 27,4 % et une score F1 de 28,3 %. Faute d’une précision suffisante, l’algorithme entraîné ne peut donc répondre au problème de prédiction de l’observance des patients à partir de la composition qualitative de leur ordonnance.

Nous ne sommes pas parvenus à développer un outil de prédiction de l’observance médicamenteuse. Le manque de précision peut être expliqué par différentes raisons comme le trop faible volume d’observations ou la qualité des données. Nous n’avons pas pu utiliser les posologies et la forme galénique comme variables explicatives. La question du lien entre posologies/galénique et observance des patients est donc ouverte. En dernier lieu, le score de GIRERD est un score calculé à partir des réponses données par les patients. Les questions font appel au ressenti du patient. Il y a donc beaucoup de subjectivité dans le score utilisé comme variable à expliquer à l’aide de variables objectives.