Sommaire
00:00 Introduction : un enjeu toujours d’actualité
01:02 Quels outils utilisons-nous pour repérer les interactions ?
02:28 Bases de données : performances et limites
04:08 Problèmes de couverture des bases d’interactions
05:30 La fatigue à l’alerte : pourquoi les médecins ignorent-ils les alertes ?
06:42 Quel rôle pour les pharmaciens hospitaliers ?
07:34 Outils intégrés aux logiciels de prescription : état des lieux
09:05 L’outil interne des HUG : fonctionnement et évaluation
10:30 Intelligence artificielle : quelles promesses ? quelles limites ?
11:54 Exemple clinique : statine + inhibiteur du CYP3A4
13:02 Pourquoi l’IA actuelle ne suffit pas ? Sensibilité, accès, entraînement
14:16 Focus sur la modélisation PBPK : principes et cas concrets
16:05 Applications cliniques de la modélisation en interaction médicamenteuse
17:50 Perspectives d’intégration clinique : entre automatisation et jugement humain
19:18 Conclusion : vers une approche intégrée et raisonnée des interactions
Résumé
La détection des interactions médicamenteuses repose sur diverses bases de données, intégrées ou non aux logiciels de prescription. Ces outils varient en accessibilité (gratuits ou payants) et en performances. Leur principal défaut réside dans l’analyse binaire (par paires), sans prise en compte du contexte clinique ni des interactions multi-médicamenteuses. De plus, la concordance avec l’expertise clinique est faible : une étude a montré un taux d’alerte pour interactions dans 74 % des hospitalisations, mais seulement 11 % étaient cliniquement pertinentes selon les prescripteurs, soulignant un excès d’alertes non spécifiques. Ce phénomène contribue à la "fatigue à l’alerte", entraînant une perte de vigilance.
Aux HUG, un outil interne accessible via l’interface de prescription (icône en forme de cloche) offre des analyses documentées des effets indésirables et interactions, avec références bibliographiques. Cet outil est peu utilisé mais constitue un support pertinent à la révision thérapeutique.
Les approches par intelligence artificielle (IA) sont explorées, mais les performances actuelles restent limitées. Une étude parue en 2022 note une sensibilité de 11 % et une spécificité de 98 %, illustrant le risque élevé de faux négatifs. Ces systèmes sont aussi limités par l’accès restreint à certaines sources scientifiques.
La modélisation pharmacocinétique basée sur la physiologie (PBPK) offre une perspective avancée : en intégrant les données démographiques, comorbidités, génotypes enzymatiques (CYP, etc.), et caractéristiques pharmacocinétiques, elle permet de simuler l’exposition au médicament via des « jumeaux numériques ». Cette technologie, déjà utilisée en recherche pharmaceutique, pourrait à terme guider la personnalisation des posologies en pratique clinique, notamment dans les contextes complexes (polymédication, insuffisance hépatique/rénale, etc.).