Un itinéraire clinique est une vue pluridisciplinaire du processus de traitement nécessaire pour un groupe de patients présentant la même pathologie et dont l’évolution clinique est prévisible. Alors que la planification des étapes de l’itinéraire d’un unique patient est triviale, la planification pour un ensemble de patients, dans un contexte hospitalier limité en ressources, soulève un certain nombre de problématiques à prendre en compte et pour lesquelles un support logiciel devient crucial.
En effet, il faut non seulement assurer le niveau de qualité des soins de chaque patient, mais également utiliser les ressources équitablement entre tous les patients. Par ailleurs, il y a un enjeu économique à rationaliser le traitement des patients, autrement dit les ressources nécessaires doivent être mobilisées efficacement.
Dans ce contexte, un outil d’optimisation peut aider à organiser les itinéraires cliniques. Cet outil doit prendre en compte le fait que le flot de patients est continu, et que des imprévus concernant le personnel ou l’évolution clinique des patients peuvent nécessiter des décalages ou des adaptations dans les traitements. Ainsi la planification doit pouvoir être ajustée à la volée mais sans interférer avec les rendez-vous déjà confirmés.
Actuellement, l’utilisation d’outils est encore balbutiante et le niveau d’automatisation reste souvent très simple, typiquement via des tableurs ou des modèles de planning. Différentes approches ont été proposées, mais elles ne tiennent pas compte de toutes les problématiques mises en jeu, en particulier celle de la qualité des soins.
Notre objectif est de montrer que la planification des rendez-vous d’un itinéraire clinique peut être principalement dirigée par des indicateurs de qualité de soins. Ceci permet de garantir que les plannings de tous les patients restent compatibles avec un soin optimal, tout en assurant une allocation optimale des ressources.
Dans notre recherche, essentiellement menée au sein du projet PIPAS, nous avons concentré nos efforts sur la planification d’itinéraires de chimiothérapies en oncologie. Le rythme d’une chimiothérapie a un impact critique sur l’efficacité du traitement. Si un intervalle minimum entre les différentes administrations de molécule n’est pas respecté, la santé du patient peut être sérieusement mise en cause. En effet, les traitements de chimiothérapie sont très toxiques et le corps a besoin d’un temps de récupération entre les instillations. Si, à l’inverse, ces administrations sont trop espacées, l’efficacité du traitement est dégradée car les cellules cancérigènes restantes ont alors plus de chance de se multiplier à nouveau (voir figure 1).
Afin de mesurer la qualité de soin, un indicateur numérique appelé "relative dose intensity" (RDI) a été défini. Il tient compte à la fois du respect de la dose requise et du rythme d’administration, sur une échelle allant de 0% (échec total) à 100% (conformité totale). La littérature médicale a montré que, pour de nombreux cancers, l’espérance de vie en rémission est fortement corrélée avec le RDI. On constate notamment une détérioration notable pour le cancer du sein en deçà de 85%. Cet indicateur peut donc être considéré comme une jauge qu’il faut gérer avec précaution sur la durée de chaque itinéraire clinique.
Nous avons développé un prototype en suivant une approche agile, pour évaluer l’application d’une planification optimisée de rendez-vous, qui maximise l’efficacité de la chimiothérapie tout en respectant les contraintes de disponibilité de ressources. Nous avons commencé avec un modèle simplifié combinant les modèles de workflow de chimiothérapie issus d’une analyse rigoureuse, les contraintes de ressources et les événements pouvant interférer avec ces éléments. Nous avons développé un planificateur de rendez-vous, ainsi qu’un ensemble clé d’outils tels qu’une base de scénarios, une interface graphique pour gérer les rendez-vous, ainsi qu’un simulateur d’événements liés aux patients. Ceci a largement participé à faciliter des validations régulières avec les oncologues de plusieurs hôpitaux (Institut du Cancer de l’UCL, Grand Hopital de Charleroi et UZ Leuven). L’architecture de notre outillage est décrite dans la figure 2.
Les aspects suivants ont progressivement été explorés, pour finalement obtenir un modèle suffisamment réaliste pour envisager une validation en situation réelle :
Une exigence importante était de pouvoir raisonner sur de larges ensembles de patients, impliquant typiquement des centaines de patients simultanément et à différents stades de leurs itinéraires cliniques respectifs. Afin de résoudre des problèmes de cet ordre, nous nous sommes appuyés sur des techniques de recherche locale spécifiques (ex. iFlatRelax, BinPacking). Nous avons développé nos prototypes à l’aide du moteur CBLS déjà présenté dans ce blog et qui s’appuie sur la librairie Open Source OscaR qui continue d’évoluer (version 2.0 sortie en ce mois de mars 2015).
Le planificateur fonctionne comme un service d’arrière plan qui tente continuellement d’améliorer la solution dans un futur ouvert (i.e. au delà de tous les rendez-vous déjà confirmés).
La fonction objectif à maximiser est le RDI de l’ensemble de patients considéré. Nous avons développé deux critères généraux. Un premier critère consiste à maximiser le RDI minimum dans l’ensemble des patients. Un deuxième critère consiste à maximiser la somme de tous les RDI. Notre prototype est capable de planifier les rendez-vous de chimiothérapie pour un ensemble de l’ordre de cinq cents patients en quelques secondes, avec la possibilité de faire des ajustements interactifs.
Le simulateur a facilité la validation de l’outil. Il permet de l’exécuter pas-à-pas et d’analyser le comportement du système sur une longue période, ainsi qu’en conditions extrêmes. Le retour des médecins est plutôt positif concernant le fait de garantir à la fois la qualité de soins et l’usage intelligent des ressources. La figure suivante illustre un exemple typique de simulation où la qualité des soins a été garantie avec un RDI élevé pour tous les patients.
Le prototype a soulevé des aspects éthiques, liés au cas où l’outil serait confronté à un conflit entre les rendez-vous de plusieurs patients dans un service en manque de ressources. Notre conclusion est que le système devrait signaler de telles situations le plus tôt possible pour permettre à l’équipe d’opérer les mesures correctives qui s’imposent, telles que l’augmentation du personnel. Le développement de l’interface graphique est aussi une amélioration notable pour que l’équipe médicale garde le contrôle sur l’outil. Certaines fonctionnalités telles que la visualisation des fenêtres d’allocation de rendez-vous garantissant un bon niveau de RDI aident les oncologues et les infirmières en charge de la mise à jour des rendez-vous.
En combinant l’utilisation d’une technologie de planification CBLS Open Source et flexible avec des composants de visualisation et de simulation, nous avons montré la faisabilité de la planification d’un large ensemble de patients, pilotée par des indicateurs de qualité. Néanmoins, la question suivante, sujette à controverse pour les praticiens, a fini par être soulevée : est-ce vraiment une bonne idée d’utiliser un outil d’optimisation dans un contexte aussi critique ? Comme toujours, la réponse n’est pas dans la technologie, mais dans la manière qu’on a de l’utiliser et de la contrôler. Les itinéraires cliniques impliquent de prendre des décisions complexes et notre expérience montre que le planificateur peut véritablement aider les acteurs médicaux dans leur travail.
La prochaine étape consiste à faire évoluer nos prototypes et les valider sur site en collaboration avec Palantiris, la parrain industriel du projet. En terme de recherche, une exigence est d’effectuer une gestion plus fine des tâches, c’est-à-dire, à la journée. Ceci nécessite de pousser plus avant l’intégration du solveur de BinPacking dans le moteur de planification.