Volume 6, No. 1 • Février 2023   Issue PDF

Utilisation des données pour améliorer la sécurité et la qualité

Holly B. Ende, MD, Jonathan P. Wanderer, MD, MPhil

Utilisation des données pour améliorer la sécurité et la qualitéL’administration d’une anesthésie efficace et sans danger repose sur le principe de l’amélioration de la qualité, qui dépend du signalement précis et pertinent du devenir des patients. À l’ère du dossier médical électronique (DME) et de l’expansion des bases de données nationales, des montagnes de données concernant les patients et leurs soins continuent de s’accumuler, présentant le potentiel d’orienter des initiatives visant à assurer la sécurité des patients aujourd’hui et à l’avenir. Sans une formation poussée en science des données et en informatique, les anesthésistes en première ligne de la prise en charge des patients éprouvent des difficultés pour accéder, interpréter et utiliser les données provenant du DME et d’autres sources permettant de soutenir la sécurité des patients et les initiatives en matière de qualité. Pour que les données soient utiles dans l’amélioration des soins prodigués aux patients, elles doivent être organisées, structurées, s’articuler dans un contexte et avoir du sens. Un moyen de réaliser cette transformation des données en informations et connaissances consiste à créer des modèles de données.1 Les modèles de données peuvent être un outil utile dans la structuration, la simplification et la mise en application des données dans le monde réel.

Les modèles de données sont un outil qui permet de standardiser et d’apporter un sens aux données, facilitant ainsi le partage des connaissances, l’extraction et l’utilisation. Grâce à la cartographie des principaux points de données et à la validation ultérieure, les utilisateurs peuvent accéder beaucoup plus facilement aux données importantes.2,3 Par exemple, si un directeur ou une directrice de la qualité souhaitait développer des courriels automatiques pour récupérer des données des DME concernant les résultats postopératoires et les distribuer chaque semaine aux médecins, il ou elle pourrait utiliser un modèle de données pour définir et identifier ces résultats.

Dans notre établissement, l’Entrepôt des données périopératoires (Perioperative Data Warehouse, PDW) est un référentiel de données élaboré en interne, qui recueille et stocke les données provenant de diverses sources, facilitant l’accès à des programmes opérationnels, de recherche et de qualité. Les sources de données pour ces types d’entrepôt de données peuvent inclure les données des dossiers médicaux électroniques (DME), les données fournies par les patients (p. ex. enquêtes auprès des patients) et les données qui ne sont pas dans les DME et qui proviennent des médecins (p. ex. signalement d’évènements indésirables). Le recueil et l’association des données provenant de ces sources diverses dans un référentiel commun est un moyen puissant d’investir d’entrée de jeu aussi bien en termes d’argent que d’énergie, afin de permettre aux médecins de toutes spécialités et aux compétences technologiques variées un accès facile, efficace et simple aux données. Dans l’exemple précédent, chaque résultat intéressant (lésions rénales aiguës, nausées et vomissements postopératoires, réintubation, etc.) a déjà été défini, cartographié et validé dans le PDW, permettant de simplifier et de rationaliser l’utilisation de ces données (p. ex. en envoyant des courriels hebdomadaires automatiques aux médecins).

Par ailleurs, les agents responsables de l’amélioration de la qualité et les chercheurs peuvent facilement accéder à ces données a posteriori afin d’évaluer l’efficacité des programmes d’amélioration des pratiques. Par exemple, après la mise en œuvre d’un système de rappel électronique pour encourager les médecins à vérifier le taux de glucose peropératoire des patients diabétiques, les chercheurs de notre établissement ont pu facilement surveiller le respect des normes, puis publier des données indiquant non seulement une augmentation de la surveillance du taux de glucose, mais également une baisse du nombre d’hypoglycémies et d’infections du site opératoire.4 Dans le cadre d’une autre initiative d’amélioration de la qualité dans un service de maternité, les chercheurs ont démontré qu’une approche fondée sur des algorithmes normalisés de l’administration de doses supplémentaires de péridurale quand les douleurs se font à nouveau sentir pendant le travail finissait par le remplacement d’un plus grand nombre de cathéters dans les 30 minutes suivant la première dose supplémentaire, reflétant une identification plus rapide du mauvais fonctionnement des cathéters.

Les modèles de données peuvent être développés en interne ou acquis auprès de fournisseurs tiers, mais ils sont également disponibles dans le cadre de nombreux DME commerciaux, qui utilisent des modèles de données pour créer des fonctions permettant aux utilisateurs d’accéder aux données cliniques et de qualité sans nécessiter une formation intensive ou chronophage. Par exemple, Oracle Cerner (Austin, Texas) et Epic Systems (Verona, Wisconsin), qui sont des DME couramment utilisés dans les systèmes nationaux de santé, emploient plusieurs interfaces conviviales pour permettre aux médecins d’accéder aux données des patients (Tableau 1).

Tableau 1. Interfaces conviviales pour accéder aux données des patients

PowerInsight Explorer Outil Cerner Millennium® de veille stratégique qui permet la création en temps réel de rapports opérationnels, cliniques et sur les performances
Reporting Workbench Un outil Epic qui permet aux utilisateurs de créer des rapports personnalisés à partir de modèles spécifiques avec des critères qui définissent les populations et les données intéressantes (p. ex. bloc opératoire, diagnostic principal, etc.)
Slicer Dicer Un outil Epic qui permet d’explorer les données grâce à des recherches personnalisables compatibles à de nombreux modèles de données, notamment un modèle de données de dossiers d’anesthésie

Enfin, les personnes qui cherchent à comprendre les tendances nationales en matière de données sur la qualité et la sécurité peuvent se tourner vers les sources de données nationales, telles que le Registre national des résultats cliniques en anesthésie (National Anesthesia Clinical Outcomes Registry, NACOR), le Groupe multicentrique sur les résultats périopératoires (Multicenter Perioperative Outcomes Group, MPOG) ou le Programme national d’amélioration de la qualité chirurgicale (National Surgical Quality Improvement Program, NSQIP). Chacune de ces sources de données présente des avantages et des limites et les personnes qui souhaitent utiliser ces ressources pour répondre à des questions relatives à la qualité doivent comprendre ces limites. Par exemple, NACOR, qui a l’aval de l’American Society of Anesthesiologists et comporte des données sur des millions de cas provenant de milliers de cabinets à travers les États-Unis, contient des éléments solides sur la facturation, mais dont les données sur les résultats ne sont pas homogènes. Compte tenu de ces limites relatives à l’accès et à l’analyse des données provenant de ces grandes sources de données nationales, les médecins peuvent les utiliser tout en prenant en compte ces éléments pour répondre aux questions concernant la sécurité qui nécessitent des données longitudinales, des types de pratiques différents et un nombre important d’agents anesthésiques. Cette méthodologie a déjà été utilisée pour évaluer des questions telles que les effets du chevauchement des chirurgies, les facteurs de risque liés à l’hypoglycémie peropératoire pédiatrique, les douleurs postopératoires et les habitudes d’utilisation des opiacés.6-8

Pour faire avancer les programmes d’amélioration de la qualité et faire progresser la sécurité des patients pendant une anesthésie, il est impératif d’avoir accès à des données périopératoires et aux compétences pour travailler avec ces données. Traiter des données sous-jacentes brutes peut s’avérer compliqué, cependant il existe de nombreux outils dans les DME qui permettent aux utilisateurs d’analyser les données. L’utilisation d’un modèle de données peut faciliter l’élaboration de rapports et la récupération des données, mais cela nécessite un effort en amont pour développer un modèle de données local ou pour réaliser les travaux de cartographie et de validation nécessaires à l’utilisation du modèle de données du fournisseur de DME. En fait, ces approches peuvent être utilisées en synergie pour fournir une vue d’ensemble des opérations périopératoires et des résultats d’anesthésie, transformant les données en connaissances applicables que les anesthésistes peuvent employer pour favoriser l’amélioration des pratiques.

 

Holly Ende, MD, est professeure adjointe du département d’anesthésie du Centre médical de l’Université Vanderbilt, Nashville, Tennessee.

Jonathan Wanderer, MD, MPhil, est professeur des services d’anesthésie et d’informatique biomédicale du Centre médical de l’Université Vanderbilt, Nashville, Tennessee.

Les auteurs ne signalent aucun conflit d’intérêts.

Documents de référence

  1. Hofer IS, Gabel E, Pfeffer M, et al. A systematic approach to creation of a perioperative data warehouse. Anesth Analg. 2016;122:1880–1884. PMID: 27195633.
  2. Epstein RH, Dexter F. Database quality and access issues relevant to research using anesthesia information management system data. Anesth Analg. 2018;127:105–114. PMID: 29596094.
  3. Epstein RH, Hofer IS, Salari V, Gabel E. Successful implementation of a perioperative data warehouse using another hospital’s published specification from Epic’s electronic health record system. Anesth Analg. 2021;132:465–474. PMID: 32332291.
  4. Ehrenfeld JM, Wanderer JP, Terekhov M, et a. A perioperative systems design to improve intraoperative glucose monitoring is associated with a reduction in surgical site infections in a diabetic patient population. Anesthesiology. 2017;126:431–440. PMID: 28106608.
  5. Ende HB, Tran B, Thampy M, et al. Standardization of epidural top-ups for breakthrough labor pain results in a higher proportion of catheter replacements within 30min of the first bolus dose. Int J Obstet Anesth. 2021;47:103161. PMID: 33931311.
  6. Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
  7. Riegger LQ, Leis AM, Golmirzaie KH, Malviya S. Risk factors for intraoperative hypoglycemia in children: a multicenter retrospective cohort study. Anesth Analg. 2021;132:1075–1083. PMID: 32639390.
  8. Stuart AR, Kuck K, Naik BI, et al. Multicenter perioperative outcomes group enhanced observation study postoperative pain profiles, analgesic use, and transition to chronic pain and excessive and prolonged opioid use patterns methodology. Anesth Analg. 2020;130:1702–1708. PMID: 31986126.