Les encouragements personnalisés ne sont pas seulement pour les patients, ils sont aussi pour les cliniciens
Dans mon article précédent, j'ai abordé la question des conseils personnalisés dans le domaine de la santé, en particulier dans le contexte de l'amélioration du comportement des patients en matière de santé. Bien qu'il s'agisse d'une tendance récente, c'est un concept assez largement connu qui a gagné beaucoup de terrain. Ici, j'explore comment le même concept de personnalisation pourrait être appliqué à l'amélioration du comportement des cliniciens.
Au cours de la dernière décennie, plusieurs études ont démontré l'efficacité des nudges pour améliorer la prise de décision des cliniciens. Cependant, très peu d'entre elles se sont intéressées à la manière dont les différentes caractéristiques des médecins peuvent être associées à des niveaux variables d'efficacité des nudges. En outre, l'utilisation du dossier médical électronique (DME) et les schémas d'activité peuvent fournir des données précieuses qui peuvent être utilisées pour identifier les prises de décision sous-optimales des cliniciens. La combinaison de ces informations pourrait aider à personnaliser les nudges, mais pourquoi ne pas simplement fournir des nudges à tous les cliniciens ?
Avant d'aborder les raisons pour lesquelles la personnalisation des nudges pourrait être importante pour les cliniciens, je souhaite évoquer deux groupes d'études spécifiques pour aider à contextualiser la discussion. Je me concentre sur ces deux exemples particuliers pour plusieurs raisons :
- Il s'agit de deux exemples de "nudges" visant à améliorer la prise de décision clinique en alignant le comportement des médecins sur les lignes directrices établies en matière de traitement ;
- Les interventions réalisées dans le cadre de ces études perturbent le déroulement des opérations cliniques, contrairement à d'autres formes de "nudges" telles que les choix par défaut ; et
- Des recherches concomitantes ont été menées sur les caractéristiques des cliniciens associées à des schémas décisionnels sous-optimaux.
References
1. Almusalam N, Oh J, Terzaghi M, Maurino J, Bakdache F, Montoya A, et al. Comparison of Physician Therapeutic Inertia for Management of Patients With Multiple Sclerosis in Canada, Argentina, Chile, and Spain (Comparaison de l'inertie thérapeutique des médecins dans la prise en charge des patients atteints de sclérose en plaques au Canada, en Argentine, au Chili et en Espagne). JAMA Netw Open. 2019;2 : e197093-e197093.
2. Saposnik G, Mamdani M, Montalban X, Terzaghi M, Silva B, Saladino ML, et al. Traffic Lights Intervention Reduces Therapeutic Inertia : A Randomized Controlled Trial in Multiple Sclerosis Care. MDM Policy Pract. 2019;4 : 2381468319855642.
3. Ma J, Sehgal NL, Ayanian JZ, Stafford RS. National trends in statin use by coronary heart disease risk category (Tendances nationales de l'utilisation des statines par catégorie de risque de maladie coronarienne). PLoS Med. 2005;2. doi:10.1371/journal.pmed.0020123
4. Patel MS, Kurtzman GW, Kannan S, Small DS, Morris A, Honeywell S, et al. Effect of an Automated Patient Dashboard Using Active Choice and Peer Comparison Performance Feedback to Physicians on Statin Prescribing : The PRESCRIBE Cluster Randomized Clinical Trial. JAMA Network Open. 2018;1. doi:10.1001/jamanetworkopen.2018.0818
5. Kannan S, Asch DA, Kurtzman GW, Honeywell S Jr, Day SC, Patel MS. Patient and physician predictors of hyperlipidemia screening and statin prescription. Am J Manag Care. 2018;24 : e241-e248.
6. Gregory ME, Russo E, Singh H. Electronic Health Record Alert-Related Workload as a Predictor of Burnout in Primary Care Providers. Appl Clin Inform. 2017;8 : 686.
7 Changolkar S, Rewley J, Balachandran M, Rareshide CAL, Snider CK, Day SC, et al. Phenotyping physician practice patterns and associations with response to a nudge in the electronic health record for influenza vaccination : A quasi-experimental study. PLoS One. 2020;15 : e0232895.
8. Hsiang EY, Mehta SJ, Small DS, Rareshide CAL, Snider CK, Day SC, et al. Association of Primary Care Clinic Appointment Time With Clinician Ordering and Patient Completion of Breast and Colorectal Cancer Screening. JAMA Netw Open. 2019;2 : e193403-e193403.
9 Patel MS, Volpp KG, Small DS, Wynn C, Zhu J, Yang L, et al. USING ACTIVE CHOICE WITHIN THE ELECTRONIC HEALTH RECORD TO INCREASE PHYSICIAN ORDERING AND PATIENT COMPLETION OF HIGH-VALUE DIAGNOSIS CANCER SCREENING TESTS. Healthcare (Amsterdam, The Netherlands). 2016;4:340.
About the Author
Sanketh Andhavarapu
Sanketh est un étudiant de premier cycle à l'Université du Maryland : College Park, où il étudie les sciences de la décision en matière de santé (diplôme d'études individuelles) et la biologie. Il est cofondateur et co-PDG de Vitalize, une plateforme numérique de bien-être pour les travailleurs de la santé, et a publié des recherches sur des sujets liés à la prise de décision clinique, à la neurologie, à la médecine d'urgence et aux soins intensifs. Il dirige actuellement le développement commercial d'une nouvelle innovation en matière d'IA chez PediaMetrix, une startup spécialisée dans la santé pédiatrique, et a précédemment fondé STEPS, une organisation à but non lucratif dans le domaine de l'éducation. Sanketh s'intéresse aux applications des sciences comportementales et décisionnelles pour améliorer la prise de décision médicale, et à la façon dont la santé numérique et la politique de santé servent de canal évolutif pour y parvenir.
