BEPALING VAN DE GEBRUIKELIJKE POSOLOGIE IN HET KADER VAN HET ELEKTRONISCH VOORSCHRIJVEN VAN GENEESMIDDELEN

Transcriptie

1 UNIVERSITEIT GENT FACULTEIT FARMACEUTISCHE WETENSCHAPPEN Vakgroep Farmacologie Heymans Instituut Academiejaar BEPALING VAN DE GEBRUIKELIJKE POSOLOGIE IN HET KADER VAN HET ELEKTRONISCH VOORSCHRIJVEN VAN GENEESMIDDELEN Liesbeth VANWETTERE Eerste Master in de Farmaceutische Zorg Promotor Prof. Dr. R. Vander Stichele Commissarissen Prof. Dr. K. Boussery Prof. Dr. E. Mehuys

2

3 UNIVERSITEIT GENT FACULTEIT FARMACEUTISCHE WETENSCHAPPEN Vakgroep Farmacologie Heymans Instituut Academiejaar BEPALING VAN DE GEBRUIKELIJKE POSOLOGIE IN HET KADER VAN HET ELEKTRONISCH VOORSCHRIJVEN VAN GENEESMIDDELEN Liesbeth VANWETTERE Eerste Master in de Farmaceutische Zorg Promotor Prof. Dr. R. Vander Stichele Commissarissen Prof. Dr. K. Boussery Prof. Dr. E. Mehuys

4 AUTEURSRECHT De auteur en de promotor geven de toelating deze masterproef voor consultatie beschikbaar te stellen en delen ervan te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting uitdrukkelijk de bron te vermelden bij het aanhalen van de resultaten uit deze masterproef. 26 april 2010 Promotor Prof. Dr. Vander Stichele Auteur Liesbeth Vanwettere

5 Dankwoord: Ik dank oprecht mijn promotor, Professor R. Vander Stichele, omdat hij mij de kans heeft gegeven om mee te werken aan een uniek project. Hij liet me op een zelfstandige manier werken en gaf raad en informatie waar ik het nodig had. Mijn interesse is enorm toegenomen voor dit farmaceutisch domein doordat ik zelf initiatief en beslissingen kon nemen. Daarnaast zou ik graag Dirk Van Nimwegen bedanken voor zijn belangrijke bijdrage aan het project als programmeur. Hij was steeds bereikbaar en stond altijd klaar om aanpassingen in te voeren aan het programma. Ook Professor Marc Bogaert zou ik willen bedanken omdat hij met een kritisch oog de methodologische aanpak van het project heeft geëvalueerd. Bovendien dank ik ook Silas Rydant en Pieter Verheyen, medestudenten Farmaceutische Wetenschappen, voor hun bijdrage aan het project. Als laatste zou ik mijn familie en vriend willen bedanken, die steeds klaarstonden om mij een duwtje in de rug te geven wanneer ik het nodig had.

6 Dankwoord Inhoud Lijst met gebruikte afkortingen INHOUD 1. INLEIDING OBJECTIEVEN METHODEN LITERATUURSTUDIE IN PUBMED ZOEKTOCHT NAAR BESTAANDE MODELLEN ROND DOSERINGSINFORMATIE CONCRETE AANPAK VAN HET DATAMODEL VOOR DIT PROJECT Bepalen van de variabelen in het datamodel Variabelen die de gebruikelijke dosering beschrijven Extra variabelen die berekeningen per verpakking beschrijven Ontwikkeling van een programma Invoeren van de proefgegevens Uitschrijven van een werkproces en protocol met instructies voor evaluatie RESULTATEN LITERATUURSTUDIE IN PUBMED Oogst Algemene bespreking Medicatiefouten CPOE en CDSS systemen Toepassing op het project Contextadviezen ZOEKTOCHT NAAR BESTAANDE MODELLEN ROND DOSERINGSINFORMATIE PIM Model SPL Model Heidelberg-model... 31

7 Beschrijving Bedenkingen Vergelijking van het Heidelberg-model met het SPL model CONCRETE AANPAK VAN HET WERKPROCES GEBRUIKELIJKE POSOLOGIE Bepalen van de variabelen in het datamodel Ontwikkeling van een programma Invoeren van de proefgegevens Uitschrijven van een werkproces en protocol met instructies voor evaluatie DISCUSSIE CONCLUSIES LITERATUURLIJST Bijlagen

8 LIJST MET GEBRUIKTE AFKORTINGEN ADE: Adverse Drug Event ADME: Absorptie Distributie Metabolisatie Excretie ADR: Adverse Drug Reaction AMPP: Actual Medicinal Product Package B.C.F.I.: Belgisch Centrum voor Farmacotherapeutische Informatie BCMA: Bar-Coded Medication Administration BICS: Brigham Integrated Computing System C.D.S.S.: Clinical Decision Support System C.P.O.E.: Computerized Physician Order Entry CYP: Cytochroom-P450 EBM: Evidence-Based Medicine EMA: European Medicines Agency e-spc: electronic Summary of Product Characteristics FAGG: Federaal Agentschap voor Geneesmiddelen en Gezondheidsproducten FDA: Food and Drug Administration MeSH: Medicinal Subject Headings MOXXI: Medical Office of the XXIst Century NBCI: National Center for Biotechnology Information PIM: Product Information Management RIZIV: RijksInstituut voor Ziekte- en InvaliditeitsVerzekering

9 RRR: Relatieve Risico Reductie SAM: Source Authentique Médicaments SPC: Summary of Product Characteristics SPL: Structured Product Labeling VMP: Virtual Medicinal Product VOS: Voorschrijven Op Stofnaam XML: Extensible Markup Language

10 1. INLEIDING Het handmatig voorschrijven van geneesmiddelen zal in het moderne informatica tijdperk gaandeweg vervangen worden door het elektronisch voorschrijven van geneesmiddelen. Het handmatig voorschrijven brengt immers medicatiefouten met zich mee, bijvoorbeeld door een verkeerde interpretatie van het geschrift van de arts door de apotheker. Deze fouten zijn deels te vermijden door het invoeren van een elektronisch voorschrijfsysteem. Verschillende systemen zijn reeds gerealiseerd, doch worden slechts in beperkte mate gebruikt (Ammenwerth et al., 2008). In de Verenigde Staten zijn diverse systemen voor elektronisch voorschrijven ontwikkeld. De implementatie van deze systemen is de laatste jaren sterk gestegen. Eind 2007 telde men voorschrijvers die gebruik maakten van een elektronisch voorschrijfsysteem. Op het einde van 2008 was dit aantal reeds gestegen tot Het aantal voorschrijvers, die gebruik maken van een elektronisch voorschrijfsysteem, liep eind 2009 op tot in de Verenigde Staten, wat overeenkomt met ongeveer 25 % van de voorschrijvers ( In de lidstaten van de Europese Unie verloopt de adoptie van elektronisch voorschrijven niet gelijkmatig. Duitsland heeft sinds 2004 een gestandaardiseerde gezondheidskaart geïntroduceerd en deze wordt aan elke burger bezorgd. Deze kaarten zijn gelinkt aan het ehealth-platform en maken deel uit van het elektronisch voorschrijfproces. Voorschriften worden verstuurd naar een centrale server en kunnen dan afgehaald worden door apothekers. Het afhalen van de voorschriften kan enkel aan de hand van deze gezondheidskaart. Naast Duitsland, maken ook Bulgarije en Spanje gebruik van dergelijke gezondheidskaarten. In Engeland zijn de artsen volop bezig met een systeem te ontwikkelen en op de markt te brengen, terwijl Italië en Frankrijk zich nog maar in de startfase bevinden. Het zijn echter de Scandinavische landen die een leidende rol spelen op het gebied van elektronisch voorschrijven, gevolgd door Nederland ( tical-technology.com/features/feature75279/). De Zweedse en Deense voorschrijvers geloven sterk in de kwaliteiten van het elektronisch voorschrijven, namelijk tijdsbesparing, veiligheid en een betere service, zodat de implementatie in deze landen een succes is (Steinschaden et al., 2010). 1

11 In België loopt het project Recip-e waarmee men in 2011 de realisatie van een elektronisch voorschrijfsysteem beoogt. Met dit systeem moet het mogelijk zijn om elektronische voorschriften te versturen van arts naar apotheker in een niet geadresseerd bericht. De vrije keuze van een arts en apotheker blijft op deze manier verzekerd. Wanneer een voorschrift opgemaakt is, wordt het gecommuniceerd naar het Recip-e systeem. In dit systeem gebeurt de verificatie van de voorschrijver via het ehealth-platform, waarin verschillende gegevensbanken beschikbaar zijn. De erkende voorschrijver ontvangt daarna een RID (Recip-e ID) als antwoord. Dit is een uniek nummer dat een papieren voorschrift linkt aan een elektronisch voorschrift. Het voorschrift wordt afgeprint met daarin de RID in barcodeformaat. Deze barcode is onmiddellijk leesbaar door de apotheker. Aangezien zowel de afgeleverde als de niet-afgehaalde voorschriften gearchiveerd worden in het systeem, kan hierover feedback geleverd worden door de apotheker naar de voorschrijvende arts. Deze communicatie bevordert de relatie tussen arts en apotheker ( Ter voorbereiding van dit elektronisch voorschrijfsysteem werd in België de optie genomen om aan het Belgisch Centrum voor Farmacotherapeutische Informatie (B.C.F.I.) de coördinatie te geven van de aanmaak van een authentieke bron geneesmiddelen (Source Authentique Médicaments - SAM). Deze bron werd opgesteld met gevalideerde gegevens omtrent registratie van het Federaal Agentschap voor Geneesmiddelen en Gezondheidsproducten (FAGG) en omtrent terugbetaling van het Rijksinstituut voor Ziekteen Invaliditeitsverzekering (RIZIV) ( DeCuyper090604NL.ppt). In het kader van deze operatie werd een specifiek project rond gebruikelijke posologie opgezet. Vanuit verschillende hoeken kwam er de laatste jaren de groeiende vraag naar een praktisch elektronisch voorschrijfsysteem waar de gebruikelijke posologie in verwerkt zit. Eerst en vooral rees de dringende vraag van de gebruikers van de huisartswachtposten 1 om 1 Huisartswachtpost: een organisatie in België (meer bepaald in Gent), waar 3 huisartsen samenwerken en deel uitmaken van een wachtpost. Via een telefoonnummer kan een patiënt op feestdagen en in het weekend één van de artsen bereiken. 2

12 een prescriptiemodule te leveren voor het schrijven van het wachtverslag en de voorschriften. Deze module moet vervat zitten in een computersysteem, zodat de elektronische productie van medicatievoorschriften mogelijk wordt en eventueel gebruikt kan worden voor de elektronische verzending van deze voorschriften. De geneesmiddelen moeten gegroepeerd worden per klasse. Wanneer een dokter dan een definitieve geneesmiddelkeuze maakt, moet een gebruikelijke posologie hiervan op het scherm verschijnen als een standaardoptie. Daarnaast kwam het verzoek vanuit de softwarehuizen om het individueel stockbeheer van de voorraad geneesmiddelen in rusthuizen te ondersteunen via de B.C.F.I.-databank. Aan de hand van de gebruikelijke posologie van een geneesmiddel moet op een geautomatiseerde manier berekend worden hoe lang de voorraad strekt van dit geneesmiddel. Het vervolledigen van de invulling van het gekozen datamodel voor geneesmiddelen, ter gelegenheid van de creatie van de Authentieke Bron Geneesmiddelen, lag aan de basis voor de derde reden van dit project. In de Authentieke Bron Geneesmiddelen wordt een conceptueel datamodel voorgesteld, waarin voorzien is dat de geneesmiddelenverpakkingen geklasseerd worden per grootte in functie van de te bestrijken behandelingsduur, op basis van de gebruikelijke posologie. Om dit te kunnen bereiken in functie van de verpakkingsgrootte, moet de gebruikelijke posologie gespecificeerd zijn in termen van administratie-eenheden per tijdseenheid (vb.: 2 tabletten per 1 dag, 1 inspuiting per week). Als laatste kwam het verzoek voor de bepaling van een praktische administratievorm eenheid voor elke verpakking, met daarbij de bepaling van het aantal administratievorm eenheden per verpakking. Op deze manier kunnen eventuele tekorten in behandelingen, gebaseerd op tegenstellingen tussen voorgeschreven doseringsschema s en verpakkingsgrootte, opgespoord worden. Het dringende karakter van deze verzoeken gaf aanleiding tot de opstarting van het project: Gebruikelijke Posologie (of Usual Posology ) waarin geprobeerd wordt om aan de eisen van de verschillende vragende partijen tegemoet te komen. Gebruikelijk betekent in deze context: een optie die geldig is in standaardsituaties, tenzij een aanpassing 3

13 gespecificeerd wordt. Posologie verwijst hier niet enkel naar de dosis, maar naar alle aspecten die in doseringsinformatie vervat zitten. De naam van het project is een discussiepunt geweest. Het begrip posologie werd eerder vervangen door dosering omdat niet duidelijk was of het woord posology een bestaand Engels woord was. Na opzoekingwerk blijkt dit wel zo te zijn: Posology : Oxford dictionary: the branch of medicine that deals with dosages. Princeton Wordnetweb: the pharmacological determination of appropriate doses of drugs and medicines. Dorland s Illustrated Medical Dictionary: the science of dosage, or a system of dosage. Praktisch gezien moet een programma ontwikkeld worden met daarin de verschillende variabelen die nodig zijn om alle gegevens omtrent gebruikelijke posologie in te voeren. Dit model vormt de basis van een elektronisch voorschrijfsysteem, waarbij de keuze van een geneesmiddel leidt tot een voorgevormd voorschrift met daarin alle noodzakelijke informatie over de gebruikelijke posologie van het geneesmiddel. Dit project is nauw verbonden met een ander initiatief, waarbij het B.C.F.I. een belangrijke en coördinerende rol speelt, met als projectleider Professor R. Vander Stichele. Het betreft de operationalisering van het voorschrijven op stofnaam. Voorschrijven op stofnaam is reeds wettelijk sinds 2001 en biedt de apotheker een unieke kans om zijn kwaliteiten als apotheker tot een hoger niveau te brengen. Als de dokter een stofnaam voorschrijft, kan de apotheker een rationele en prijsbewuste keuze maken uit de verpakkingen die refereren naar de voorgeschreven stofnaam. De meest aangewezen verpakkingsvorm kan op die manier afgeleverd worden aan de patiënt. Hoewel voorschrijven op stofnaam reeds enkele jaren wettelijk is, wordt dit slechts in beperkte mate toegepast in de praktijk. Er bestond nog geen officiële referentie om op terug te vallen wanneer men wou voorschrijven op stofnaam, vandaar dat het B.C.F.I. een initiatief nam. Dit heeft geresulteerd in het groeperen van geneesmiddelen in VOS-groepen. De principes van VOS-groepen zijn te vinden in het volgende document, dat is goedgekeurd 4

14 door het FAGG en door de Commissie voor geneesmiddelen voor menselijk gebruik: Een VOS-groep is een verzameling van op de markt beschikbare verpakkingsvormen van geneesmiddelen die eenzelfde actief bestanddeel (of combinatie van actieve bestanddelen), eenzelfde sterkte en eenzelfde toedieningsweg gemeenschappelijk hebben. Een VOS-groep wordt in het nieuwe datamodel van AB6 benoemd als Virtual Medicinal Product (VMP). Iedere VOS-groep bevat één of meerdere verpakkingen die daadwerkelijk op de markt zijn. In het datamodel van de AB6 worden deze verpakkingen Actual Medicinal Product Package (AMPP) genoemd. Dit is één specifieke farmaceutische specialiteit zoals die op de Belgische markt voorkomt. Tabel 1.1. beschrijft een voorbeeld van een VOS-groep met bijhorende verpakkingen. Deze verpakkingen hebben hetzelfde actief bestanddeel, dezelfde sterkte en dezelfde toedieningsweg gemeenschappelijk, namelijk atenolol 100 mg (oraal). In eenzelfde VOSgroep zijn echter verschillende verpakkingsgroottes beschikbaar (28, 30, 56, 60, 90, 98 en 100 tabletten per verpakking). Daarnaast behoren de verschillende verpakkingen tot diverse merken. Ook generieken (Atenolol EG) en parallelle importen (Tenormin tab x 100 mg PharmaP) zijn bij deze VOS-groep reeds gerealiseerd. TABEL 1.1.: VOORBEELD VAN EEN VOS-GROEP MET BIJHORENDE VERPAKKINGEN. BIJ DE VERPAKKINGEN KUNNEN VERSCHILLENDE VERPAKKINGSGROOTTES, MERKEN, GENERIEKEN EN PARALLELLE IMPORTEN OPGEMERKT WORDEN. VOS-groep (VMP) Atenolol 100 mg (oraal) Verpakkingen (AMPP) Atenolol-Ratiopharm tab 100 x 100 mg Atenolol Apotex tab 56 x 100 mg Atenolol EG tab 28 x 100 mg Atenolol EG tab 56 x 100 mg Atenolol EG tab 98 x 100 mg Atenolol Kela tab 30 x 100 mg Atenolol Kela tab 60 x 100 mg Atenolol Mylan tab 56 x 100 mg Atenolol Sandoz tab 56 x 100 mg Atenolol Sandoz tab 98 x 100 mg 5

15 TABEL 1.1.: VOORBEELD VAN EEN VOS-GROEP MET BIJHORENDE VERPAKKINGEN. BIJ DE VERPAKKINGEN KUNNEN VERSCHILLENDE VERPAKKINGSGROOTTES, MERKEN, GENERIEKEN EN PARALLELLE IMPORTEN OPGEMERKT WORDEN (vervolg). Atenolol Teva tab 30 x 100 mg Atenolol Teva tab 60 x 100 mg Atenolol Teva tab 90 x 100 mg Docateno tab 56 x 100 mg Tenormin tab 56 x 100 mg Tenormin tab 56 x 100 mg Impexeco Tenormin tab 56 x 100 mg PharmaP Tenormin tab 60 x 100 mg PI-Pharma Met dit onderzoek begeven we ons op relatief onbekend terrein. De taak is voor elke VOS-groep en bijhorende verpakkingen de administratie-eenheid te bepalen en een gebruikelijke posologie vast te leggen. De variabelen en de structuur van het datamodel worden opgemaakt in het Engels omdat het de bedoeling is om dit alles ook op Europees niveau uit te werken. 6

16 2. OBJECTIEVEN België is volop bezig met de ontwikkeling van een praktisch elektronisch voorschrijfsysteem. Ter voorbereiding van het elektronisch voorschrijfsysteem wordt het project Gebruikelijke Posologie opgestart. De masterproef is een onderdeel van dit project. Het project beoogt de ontwikkeling van een werkproces waarin met behulp van een datamodel en de daarin gedefinieerde variabelen de gebruikelijke posologie per VOS-groep en per verpakking wordt bepaald. Daarnaast moet voor elk geneesmiddel de administratieeenheid bepaald worden. Het resultaat van dit werkproces moet een instrument zijn om het elektronisch voorschrift van de artsen te faciliteren. Bij de keuze van een geneesmiddel (VOS-groep of verpakking) verschijnt een voorgevormd voorschrift met de gebruikelijke posologie. Zo kan in één beweging, al dan niet na aanpassing van de gebruikelijke posologie aan de individuele patiënt, het voorschrift gemaakt worden. Per geneesmiddelenverpakking wordt enerzijds een gebruikelijke posologie met bijhorende administratie-eenheid opgesteld. Anderzijds kan per verpakking berekend worden hoe lang een patiënt behandeld kan worden met 1 verpakking. Dit wordt mogelijk door het aantal administratie-eenheden per verpakking te bepalen. In het datamodel moeten variabelen ingesloten zitten waar deze berekeningen kunnen ingevoerd worden. Op die manier wordt deze informatie een optie op het elektronisch voorschrift. De aanpak voor de ontwikkeling van het model bestaat uit verschillende fasen. Een eerste fase bestaat uit het inzamelen van informatie met behulp van een literatuuronderzoek in Pubmed en een zoektocht naar modellen over doseringsinformatie. Deze informatie kan dan gebruikt worden om in de tweede fase een lijst met variabelen en bijhorend datamodel op te stellen. Om het werkproces te ondersteunen wordt een programma ontwikkeld dat in de loop van dit project zal getest worden en dat toelaat om de proefresultaten te laten valideren door de redacteurs van het B.C.F.I. Deze testfase moet leiden tot het opstellen van een protocol waarin de belangrijkste afspraken staan voor het inbrengen en bijhouden van de data. 7

17 Met dit project worden dus volgende zaken beoogd: 1. Ontwikkeling van een datamodel met gedefinieerde variabelen 2. Aflevering van een afgewerkt programma 3. Invoeren van proefgegevens 4. Uitschrijven van een werkproces en protocol met bijhorende afspraken en instructies voor evaluatie 8

18 3. METHODEN 3.1. LITERATUURSTUDIE IN PUBMED Met behulp van een literatuurstudie kan het huidige project gesitueerd worden. De belangrijkste vragen hieromtrent zijn: In hoeverre zijn computersystemen ontwikkeld die een voorschrijfmodel omvatten met daarin een voorstelling van een gebruikelijke posologie? Welke variabelen zitten ingesloten in deze modellen? Wat zijn de voor- en nadelen verbonden aan computermatige informatiesystemen? Het zoeken naar relevante wetenschappelijke publicaties gebeurt in de online databank Pubmed, de webversie van Medline. De keuze van de juiste zoektermen is van groot belang om relevante artikels te vinden. Bij het opzoeken wordt gebruik gemaakt van MeSH-termen (Medicinal Subject Headings). Dit instrument is opgemaakt om artikels beschikbaar in Medline en Pubmed te indexeren aan de hand van een specifieke terminologie. Aan elk artikel worden expliciete trefwoorden toegewezen. Op die manier worden artikels, gaande over dezelfde materie, geïndexeerd onder dezelfde noemer, ook al worden andere termen gebruikt in de verschillende publicaties. Daarnaast wordt in de MeSH-databank een boomstructuur gecreëerd, waarbij alle gerelateerde concepten ondergebracht worden onder een overkoepelende term. Wanneer nu gezocht wordt in Pubmed op deze overkoepelende term zullen de meer specifieke termen, die tot deze MeSH-term behoren, ook opgespoord worden. De eerste fase bestaat dus uit het zoeken van de specifieke termen die betrekking hebben tot de te onderzoeken materie. Door het invoeren van woorden en concepten, toont de databank welke trefwoorden overeenstemmen met de ingegeven woorden. Voor elk trefwoord is een omschrijving voorhanden zodat de gebruiker kan beslissen of deze van toepassing is. Wanneer de gewenste trefwoorden in de MeSH-databank gevonden zijn, kan gestart worden met de tweede fase van het opzoekingwerk. Om een concreet zoekprofiel op te stellen in Pubmed, kunnen verschillende MeSH-termen gecombineerd worden. Een MeSHterm moet hiervoor aangevinkt worden en verzonden worden naar de Search Box van Pubmed. Indien een tweede MeSH-term gecombineerd wenst te worden, moet ook deze 9

19 worden opgezocht en aangevinkt in de databank. Op zijn beurt wordt de term naar de Search Box verzonden, maar dit kan op verschillende manieren, namelijk Search Box with AND, Search Box with OR en Search Box with NOT. Wanneer twee termen gecombineerd worden via AND, wensen we dat beide concepten voorkomen in de artikels. Een combinatie via OR zal resultaten opleveren die één van beide termen bevat. In sommige gevallen wil men bepaalde termen uitsluiten en dit kan worden bereikt door deze term in de Search Box with NOT in te brengen. Het zoekproces kan gestart worden wanneer het volledige zoekprofiel is opgemaakt. Het onderstaande kader toont de uiteindelijke zoekstrategie van het literatuuronderzoek: "Medical Informatics"[Mesh] AND ("Drug Dosage Calculations"[Mesh] OR "Drug Administration Schedule"[Mesh] OR "Medication Errors"[Mesh] OR "Self Administration"[Mesh]) De verschillende gebruikte Medicinal Subject Headings worden als volgt omschreven in de MeSH-databank: Medical Informatics: The field of information science concerned with the analysis and dissemination of medical data through the application of computers to various aspects of health care and medicine. Year introduced: Tot deze term behoren de volgende relevante MeSH-termen: decision support systems, clinical, Medical Order Entry Systems (CPOE) en drug therapy, computer-assisted. Drug Dosage Calculations: Math calculations done for preparing appropriate doses of medicines, taking into account conversions of WEIGHTS AND MEASURES. Mistakes are one of the sources of MEDICATION ERRORS. Year introduced: Drug Administration Schedule: Time schedule for administration of a drug in order to achieve optimum effectiveness and convenience. Year introduced: Medication Errors: Errors in prescribing, dispensing, or administering medication with the result that the patient fails to receive the correct drug or the indicated proper drug dosage. Year introduced: 1967(1966). 10

20 Self Administration: Administration of a drug or chemical by the individual under the direction of a physician. It includes administration clinically or experimentally, by human or animal. Year introduced: Naast de trefwoorden, wordt ook de vrijtekst term electronic prescribing system gebruikt als zoekterm. Aangezien het doel van deze literatuurstudie eerder een oriënterende dan een systematische zoektocht is, wordt bij de oogst van het zoekproces gefocust op de reviews. Bij de resultaten van de term electronic prescribing system worden alle artikels bekeken. De reviews en artikels worden onderworpen aan een schifting op basis van titel en abstract. Daarna volgt een zeer grondige selectie van de gevonden reviews en artikels. Hierbij wordt gelet of de tekst gerelateerd is aan het onderwerp. In een volgende fase wordt een zoektocht opgestart naar nog meer gerelateerde artikels op basis van het Pubmed algoritme voor het vinden van related articles. De verbandhoudende artikels van de geselecteerde reviews worden onderworpen aan een selectie op basis van hun relevantie. Via de online databank Pubmed wordt ook een 3-maandelijkse update aangevraagd (de selective dissemination of information functie in My NCBI) zodat zeer recente artikels ook nog opgepikt worden ZOEKTOCHT NAAR BESTAANDE MODELLEN ROND DOSERINGSINFORMATIE Naast de literatuurstudie, worden bestaande modellen opgezocht die handelen rond doseringsinformatie. Als eerste wordt de doseerinfo in het PIM - model van de European Medicines Agency (EMA) bekeken. Daarna komt het SPL - model van de Food and Drug Administration (FDA) aan beurt. Via Prof. Vander Stichele kreeg ik ook inzicht in een ander relevant document over het Heidelberg-model. Dit model behoort tot het lopende e-spc project van de EMA. De verschillende modellen worden besproken en worden vergeleken met elkaar. 11

21 3.3. CONCRETE AANPAK VAN HET DATAMODEL VOOR DIT PROJECT Bepalen van de variabelen in het datamodel De ontwikkeling van een datamodel neemt heel wat tijd in beslag en ingewikkelde voorbeelden zijn nodig om het model te bepalen. De resultaten van de ontwikkeling van een datamodel werden bijgevolg bijna nooit gepubliceerd. Aan de hand van de specifieke objectieven en na het evalueren van reeds bestaande modellen, proberen we een nieuw model te ontwikkelen voor de gebruikelijke posologie van geneesmiddelen. Enerzijds moet het datamodel met de verschillende variabelen bepaald worden en anderzijds moet een programma ontwikkeld worden voor het uitvoeren van het werkproces. De variabelen kunnen ingedeeld worden in twee delen. Er moeten variabelen opgemaakt worden die de gebruikelijke posologie beschrijven en daarnaast moeten een aantal extra variabelen bepaald worden die berekeningen per verpakking beschrijven Variabelen die de gebruikelijke posologie beschrijven Ten eerste moet een standaardvoorstel voor de gebruikelijke posologie gesuggereerd worden wanneer een specifiek geneesmiddel gekozen wordt door de arts. In de praktijk betekent dit dat een specifieke signatura automatisch op het scherm moet verschijnen; bijvoorbeeld: S/ 2 tabletten 4 keer per dag. Het voorschrift kan op die manier, na controle of eventuele aanpassingen door de arts aan de individuele toestand van de patiënt, rechtstreeks afgeprint worden. De gebruikelijke dosis en de gebruikelijke administratiemomenten vormen de basis dosisinformatie. Deze moeten bepaald worden per periode (vb.: per dag). Bij het invoeren van deze gegevens in het datamodel, moet steeds een waarde en een eenheid ingevuld worden. De waarde en eenheid worden telkens gesplitst in twee variabelen, bijvoorbeeld 5 (= waarde) en mg (= eenheid). De keuze van een waarde en een eenheid van de administratie-eenheid moet gebeuren voor elke verpakking. Dit kan bijvoorbeeld een tablet, 5 ml, 10 druppels, een suppo, zijn. Daarnaast moet ook het aantal gebruikelijke administratie-eenheden per administratiemoment bepaald worden. Dit kan gebeuren door het invoeren van een multiplicator: 1 X 1 tablet, 3 X 5 ml, 2 X 10 druppels, 1 X 1 suppo, Bij de ontwikkeling van 12

22 het datamodel moet in acht genomen worden dat bij deze variabele decimale multiplicators mogelijk zijn, bijvoorbeeld 0,5 of 0,25. Het belang van de bepaling van een administratie-eenheid komt tot uiting in het volgende artikel. Martin et al. (2004) beschreven een datamodel voor de geneesmiddelen die op de markt zijn in Duitsland. Dit model gaat verder dan wat ons project beoogt. Het resultaat van het datamodel moet in staat zijn om berekeningen omtrent dosissen uit te voeren. De meeste datamodellen bevatten een merknaam, doseringsvorm en sterkte maar meestal wordt de administratie-eenheid niet benoemd. Om elektronische doseringsberekeningen te kunnen verwezenlijken, moet de relatie tussen de noemer van de sterkte en de voorgeschreven eenheid benoemd worden in gecodeerde vorm. In de meeste gevallen, namelijk voor vaste, enkelvoudige dosis doseringsvormen, zijn deze twee variabelen gelijk, bijvoorbeeld: tablet. Maar bij de vloeibare geneesmiddelen zijn deze variabelen verschillend. De sterkte kan hierbij 50 mg/1 ml zijn, terwijl de voorgeschreven eenheid een soeplepel is. Om deze reden moet een factor ingebouwd worden, die de relatie tussen deze twee variabelen beschrijft (Martin et al., 2004). Bij ons project is het dus belangrijk dat deze variabelen een plaats krijgen in het datamodel, zodat een volledig voorschrift kan opgemaakt worden met behulp van de ingevoerde gegevens. Naast de administratie-eenheid, moet de sterkte van de administratie-eenheid bijgevolg ook een plaats krijgen in het datamodel. Aangezien dosisaanbevelingen vaak beschreven worden binnen grenzen 2, moet dit ook kunnen ingevoerd worden in het datamodel. In de variabelen die de onder- en de bovengrens beschrijven zal geen gebruik gemaakt worden van de termen minimum en maximum. De maximumdosis refereert naar de dosis die niet mag overschreden worden, omdat bij deze dosis toxische effecten optreden. De bovengrens van de gebruikelijke dosis moet altijd onder deze maximumdosis liggen. Behalve de grenzen, moet er ook een enkelvoudige waarde gekozen worden voor de gebruikelijke dosis. 2 Er wordt gebruik gemaakt van de term onder- en bovengrens, en niet van de term interval. Een interval heeft namelijk een andere betekenis bij het beschrijven van de therapietrouw. Een dosisinterval wijst op de tijd tussen twee opeenvolgende dosisinnames. 13

23 Extra variabelen die berekeningen per verpakking beschrijven De berekening van het aantal administratie-eenheden per verpakking in functie van de gebruikelijke posologie moet een onderdeel zijn van het datamodel. Wanneer een correcte administratie-eenheid gekozen is voor een verpakking, zou deze berekening moeten resulteren in een geheel getal. Wanneer het aantal administratie-eenheden per verpakking bepaald is, kan het aantal behandelingsdagen per verpakking in functie van de gebruikelijke posologie een optie zijn. Op die manier wordt het mogelijk om de verpakkingsgrootte van een verpakking (of AMPP) niet enkel uit te drukken in de eenheid van de administratie-eenheid, maar ook als het aantal behandelingsdagen, in functie van de gebruikelijke posologie. Bijvoorbeeld: een verpakkingsgrootte die geschikt is voor 2 maanden behandeling met de gebruikelijke posologie Ontwikkeling van een programma De eerste stappen voor het creëren van een programma bestaan uit een uitgebreide discussievoering omtrent bovenstaande variabelen die het datamodel moet bevatten. De variabelen van het Heidelberg-model worden daarbij besproken en geëvalueerd. Tekortkomingen in dit model worden opgemerkt en aanpassingen worden gemaakt waar nodig. Professor R. Vander Stichele leidt de vergaderingen in goede banen, waarbij de Masterstudenten Farmaceutische Wetenschappen; Liesbeth Vanwettere, Pieter Verheyen en Silas Rydant elk hun mening geven. Na een reeks vergaderingen worden de resultaten van deze discussie als functionele analyse doorgegeven aan een programmeur (Dirk van Nimwegen). Dit is een cruciale stap omdat alle informatie zeer duidelijk moet beschreven worden. Een meeting wordt georganiseerd zodat alle variabelen kunnen uitgelegd worden. Hierbij moet zeer goed nagedacht worden over alle velden die het programma zal bevatten. Om de dosering in te voeren, zijn vaak velden gewenst waarin decimale getallen kunnen ingevoerd worden. De programmeur werkt met deze informatie een datamodel uit. Wanneer het datamodel klaar is, volgt een testronde. Er moet nagegaan worden of alles ingevoerd kan worden en of eventuele fouten in het programma vervat zitten. 14

24 De testronde resulteert in het opmaken van een document, waarin allerlei opmerkingen zitten om het programma te optimaliseren. Dit document (de functionele analyse) wordt bezorgd bij de programmeur, zodat het datamodel kan aangepast worden. Dit proces wordt een aantal maal herhaald totdat het programma volledig op punt staat Invoeren van de proefgegevens Eens het programma klaar is, is het de bedoeling dat de doseringsinformatie van alle geneesmiddelen wordt ingevoerd. De ingevoerde doseringen vormen de proefgegevens van het project. Deze taak wordt verdeeld onder de drie Masterstudenten Farmaceutische Wetenschappen. De 1 ste Masterstudent die de masterproef schrijft, neemt het grootste gedeelte voor zich. De twee 2 de Masterstudenten werken eraan gedurende een 20-tal uur per week. Bij het invoeren van de data wordt gebruik gemaakt van de gegevens die beschikbaar zijn in het Gecommentarieerd Geneesmiddelenrepertorium 2009 van het B.C.F.I. Indien bepaalde doseringen niet beschikbaar of onduidelijk zijn, worden de volgende bronnen in volgorde geraadpleegd: The Summary of Product Characteristics (via de bijsluiter van het FAGG) Medisch Farmaceutisch Kompas Geneesmiddelenbulletin Pubmed Martindale Micromedex Uitschrijven van een werkproces en protocol met instructies voor evaluatie Eventuele problemen en struikelblokken worden opgelijst en besproken onder elkaar. Deze problemen worden dan voorgelegd aan de coördinator en aan de senior consultant in de vorm van specifieke vragen. Met behulp van de antwoorden van de 15

25 coördinator en de senior consultant wordt een lijst met afspraken opgemaakt onder de vorm van een voorlopig protocol. Aan de hand daarvan kan later een volledig werkproces uitgeschreven worden. Aan de hand van het protocol en het werkproces kunnen instructies gegeven worden voor de evaluatie. Deze validatie van de ingevoerde doseringen zal gebeuren door één of meerdere redacteurs van het B.C.F.I., die de rol als superexpert opnemen in dit project. 16

26 4. RESULTATEN 4.1. LITERATUURSTUDIE IN PUBMED Oogst Het specifieke zoekprofiel levert resultaten op, waaronder 1122 reviews. De reviews worden onderworpen aan een schifting op basis van titel en abstract. Dit levert een 30-tal teksten op. Daarnaast worden via de tweede term, electronic prescribing system, ook 20 teksten gevonden. Een zeer grondige selectie volgt hierop, waarbij gelet wordt of de tekst relevant is voor het onderwerp. Bij het lezen van deze relevante teksten worden deze gebruikt als vertrekpunt voor het zoekalgoritme related articles waarmee nog meer relevante artikelen kunnen opgezocht worden. Ook deze worden in de lijst opgenomen. Finaal worden 12 teksten geselecteerd om mee verder te werken. 8 daarvan kwamen rechtstreeks uit de specifieke zoekterm, 1 daarvan kwam uit de gerelateerde referenties en 3 daarvan kwamen uit de zoekterm electronic prescribing system. De driemaandelijkse update van het specifieke zoekprofiel levert 22 nieuwe reviews op. Deze werden op hun beurt beoordeeld met betrekking tot hun relevantie. Er werd geen nieuw artikel geïdentificeerd tijdens de drie maanden van deze masterthesis. Figuur 4.1. op pagina 18 toont een schematische voorstelling van het zoekproces in Pubmed Algemene bespreking Om een gestructureerd overzicht te geven van het literatuuronderzoek, worden vier onderverdelingen gemaakt: het eerste deel gaat over medicatiefouten, het tweede deel behandelt CPOE- en CDSsystemen, in het derde deel wordt gefocust op verschillende studies die sterk gerelateerd zijn aan het project en in het vierde deel worden een aantal contextadviezen geplaatst Medicatiefouten To err is human ; deze woorden van de US Institute of Medicine vormden een hernieuwde aanzet van een reeks pogingen om medicatiefouten te reduceren. De US Institute of Medicine rapporteerde dat mensen per jaar sterven als gevolg van vermijdbare medicatiefouten. Toen het publiek en de medische gemeenschap 17

27 geconfronteerd werden met deze cijfers, groeide het besef dat stappen ondernomen moesten worden (Balkrishnan et al., 2009). literatuurstudie in Pubmed specifiek zoekprofiel: resultaten free term: 200 resultaten focus op de reviews: 1122 reviews free term: 200 resultaten na selectie: 30 reviews na selectie: 20 artikels 1 gerelateerd artikel 8 relevante artikels 3 relevante artikels 12 relevante artikels FIGUUR 4.1.: VOORSTELLING VAN HET ZOEKPROCES IN PUBMED VIA EEN ORGANIGRAM. Medicatiefouten vormen het grootste gedeelte van de medische fouten en worden gedefinieerd als: elke vermijdbare gebeurtenis die kan leiden tot een ongepast 18

28 geneesmiddelgebruik of schade aan de patiënt. Deze fouten kunnen leiden tot Adverse Drug Events (ADE s) (Ammenwerth et al., 2008). Adverse Drug Events worden gedefinieerd als verwondingen resulterend van geneesmiddelgebruik. 3 Aangezien 28 % van de ADE s geassocieerd zijn met een medicatiefout, veroorzaakt door de mens, worden deze bestempeld als vermijdbaar. 56 % van de vermijdbare ADE s steken de kop op gedurende het voorschrijven van geneesmiddelen. Het voorschrijven van een verkeerde dosis, frequentie en route behoren tot de meest gemaakte medicatiefouten (Kaushal et al., 2003). Wolfstadt et al. (2008) definiëren vermijdbare ADE s als volgt: geneesmiddelgerelateerde schade, geassocieerd met fouten die gebeuren tijdens het voorschrijven, de administratie, de toediening en het monitoren van geneesmiddelen en die vermijdbaar zijn. Deze vermijdbare ADE s worden geschat op een tot gevallen per jaar in een ziekenhuisomgeving en kosten jaarlijks 3,5 miljard dollar aan de Verenigde Staten (Wolfstadt et al., 2008). Figuur 4.2. op pagina 20 vat het verband tussen medicatiefouten en ADE s goed samen. Enerzijds is er het aspect van de medicatiefouten en anderzijds het aspect van de ADE s. Medicatiefouten die leiden tot ADE s zijn vermijdbare ADE s (doorsnede van de cirkels). ADE s, die niet veroorzaakt zijn door medicatiefouten, zijn onvermijdbare ADE s en worden Adverse Drug Reactions (ADR s) genoemd. Het kostenplaatje en de schade die wordt aangericht aan de patiënten, ten gevolge van de medicatiefouten, maken de preventie van deze fouten een hoge prioriteit. Het is bewezen dat systemen, die gebruik maken van informatietechnologie, toekomststrategieën zijn om medicatiefouten te vermijden. Tot deze systemen behoren Computerized Physician Order Entry (CPOE) - systemen, automatische uitdelingskabinetten, bar-coded medication administration (BCMA) systemen, personal health records en elektronische medicatie reconciliatie. BCMA-systemen zijn systemen waarbij iedere patiënt een armband draagt met daarop een specifieke barcode. Wanneer nu een verpleegster een geneesmiddel wil 3 Deze definitie is anders dan de definitie van de term Adverse Events wanneer gebruikt in het kader van safety management bij Good Clinical Practice. 19

29 toedienen, wordt de barcode van het geneesmiddel en de barcode van de patiënt gescand. Bij eventuele problemen wordt de verpleegster gealarmeerd (Agrawal et al., 2009). De focus zal liggen op CPOE-systemen, aangezien deze ervoor zorgen dat minder medicatiefouten gemaakt worden tijdens het voorschrijven. Adverse Drug Reaction s = ADE s vermijdbare ADE s Medicatiefouten Vermijdbare ADE s Adverse Drug Events FIGUUR 4.2: EIGEN VOORSTELLING VAN DE RELATIE TUSSEN MEDICATIEFOUTEN EN ADVERSE DRUG EVENTS (ADE S). DE VOLLEDIGE RECHTERCIRKEL DUIDT DE ADE S AAN. DE ADE S DIE VEROORZAAKT WORDEN DOOR MEDICATIEFOUTEN WORDEN VERMIJDBARE ADE S GENOEMD (DOORSNEDE). DE ADE S DIE NIET VEROORZAAKT WORDEN DOOR MEDICATIEFOUTEN WORDEN ADVERSE DRUG REACTIONS (ADR S) GENOEMD. HET LINKERGEDEELTE VAN DE MEDICATIEFOUTEN, ZIJN FOUTEN DIE NIET LEIDEN TOT ADE S. DE GROOTTE VAN DE VERSCHILLENDE CIRKELS IS GEEN WEERSPIEGELING VAN DE FREQUENTIE WAARIN DE VERSCHILLENDE EVENTS ZICH VOORDOEN CPOE en CDSsystemen CPOE-systemen worden op verschillende manieren omschreven. De term refereert naar een variëteit van computergebaseerde systemen om geneesmiddelen voor te schrijven, welke de gemeenschappelijke kenmerken vertonen om het voorschrijfproces te automatiseren (Ammenwerth et al., 2008). Een andere tekst maakt op deze stelling een aanvulling:, waarbij gestandaardiseerde, duidelijke en complete voorschriften worden verzekerd (Jones & Moss, 2006). Daarnaast kan een CPOE-systeem gedefinieerd worden als 20

30 een elektronische applicatie, gebruikt door dokters, om geneesmiddelen te bestellen (Wolfstadt et al., 2008). In CPOE-systemen zit meestal een vorm van Clinical Desicion Support Systemen (CDSS) ingebouwd, die de artsen helpen bij het voorschrijven door het integreren van klinische- en patiënten informatie (Schedlbauer et al., 2009). CDS-systemen kunnen ingedeeld worden in basis en gevorderde ( advanced ) systemen. In de basis CDS-systemen kunnen de volgende zaken ingebouwd zijn: controle op geneesmiddelenallergie, basisrichtlijnen omtrent dosering, controle op eventuele dubbele therapie (wanneer de patiënt al behandeld wordt met een gelijkaardig geneesmiddel) en op geneesmiddeleninteracties. De gevorderde systemen bieden een hulp bij het doseren van geneesmiddelen bij nierinsufficiëntie en bij geriatrische patiënten, richtlijnen omtrent medicatiegerelateerde laboratoriumtesten, controle op eventuele contra-indicaties bij bepaalde ziektes en op geneesmiddelen die niet mogen gebruikt worden bij zwangerschap (Wolfstadt et al., 2008). Doordat sommige van deze instrumenten de bovenstaande controles uitvoeren op specifieke patiëntengegevens, kan dit leiden tot het verschijnen van alarmsignalen of herinneringen ( alerts or reminders ) aan de voorschrijvende arts, wanneer zich specifieke problemen voordoen (Ammenwerth et al., 2008). Verschillende studies zijn reeds uitgevoerd omtrent de evaluatie van de effecten van deze computersystemen en worden in recente reviews met elkaar vergeleken. Een review die het effect van het elektronisch voorschrijven op medicatiefouten en ADE s bestudeert, toont op een kwantitatieve manier aan dat CPOE-systemen met CDS een significante vermindering leveren in het aantal medicatiefouten en ADE s. Van de 25 studies die het effect bestudeerden op het aantal medicatiefouten, toonden 23 studies ervan een significante relatieve risico reductie (RRR). De laagste significante RRR was 13 % en de studie met de hoogste RRR was 99 %. 6 van de 9 studies die het effect analyseerden op potentiële ADE s toonden een significante RRR met waarden van 35 % tot 98 %. Als laatste toonden 4 van de 7 studies, die het effect bestudeerden op ADE s, een RRR met een waarde van 30 % tot 84 %. Er kan geconcludeerd worden dat het elektronisch voorschrijven het risico op medicatiefouten significant vermindert (Ammenwerth et al., 2008). Een andere review vergelijkt 10 studies die het effect evalueren van een CPOE-systeem, gelinkt aan een CDS, op 21

31 het reduceren van ADE s. De helft hiervan toonde een significante vermindering in het aantal ADE s (Wolfstadt et al., 2008). Schedlbauer et al. (2009) bestudeerden of het gebruik van computermatige alarmsignalen (alerts) en herinneringen (prompts) het voorschrijfgedrag van artsen positief beïnvloedt. 23 van de 27 bestudeerde alarmsignalen werden beoordeeld als positief. Ze leidden namelijk tot minder fouten, waardoor het voorschrijfgedrag van de arts positief beïnvloed werd (Schedlbauer et al., 2009). Aan het elektronisch voorschrijven zijn niet enkel voordelen verbonden. De computersystemen brengen ook nieuwe soorten fouten met zich mee (Kaushal et al., 2003). Een gebrekkige computer interface, miscommunicatie met andere systemen en een tekort aan geschikte beslissingsondersteuning ( decision support ), zijn enkele redenen die aanleiding kunnen geven tot medicatiefouten bij het gebruik van CPOE-systemen. Daarnaast speelt de menselijke gebruiker ook een belangrijke rol: een tekort aan kennis, verwarring of afleiding, gebrek aan ervaring en tikfouten leiden tot nieuwe fouten. Bij invoering van deze systemen moet een grondige testfase vooraf gaan om te beletten dat er niet meer medicatiefouten geïntroduceerd worden dan dat er voorkomen worden (Balkrishnan et al., 2009). Een ander nadeel is dat alarmsignalen en herinneringen te vaak op het scherm verschijnen. Artsen verwaarlozen daardoor deze alarmsignalen, zeker in omstandigheden waar deze totaal overbodig zijn. In een studie werd aangetoond dat slechts 20 % van de alarmsignalen, met betrekking tot allergie, werden geaccepteerd door de artsen (Kuperman et al., 2007). Bij het ontwikkelen van een dergelijk systeem moet dus voldoende aandacht geschonken worden aan het voorkomen van overbodige of al te veelvuldige alerts als storende factor in het werkproces van een arts. Niettegenstaande de voordelen van CPOE-systemen erkend zijn, schiet de implementatie niet op volgens de verwachtingen. Volgens de American Hospital Association had slechts 5 % van de ziekenhuizen een CPOE met CDSS geïmplementeerd in Hoewel de effectiviteit van deze systemen bewezen is, moeten een aantal barrières overbrugd worden om een succesvolle implementatie te bewerkstelligen. De financiële kosten die de instituties moeten leveren, de toegang tot de gepaste hardware en software en de relatief gesofisticeerde informatietechnologie die elke organisatie moet hebben, vormen belangrijke barrières. Eén van de meest voorkomende barrières is echter het verzet van de artsen tegen 22

32 het gebruik van deze systemen. De voornaamste reden daarvoor is dat de artsen hun aandeel in het maken van medicatiefouten vaak onderschatten. Het is van groot belang dat artsen erkend worden als één van de sleutelfiguren in het voorschrijven en de toediening van medicatie. Daarnaast is het belangrijk de artsen te overtuigen in de verwezenlijking van CPOE-systemen. Artsen willen geen kostbare tijd verliezen aan het elektronisch opmaken van een voorschrift, omdat ze die tijd beter kunnen spenderen aan de patiënt. Verschillende factoren zorgen ervoor dat het introduceren van CPOE-systemen in de praktijk een succes wordt. Niet enkel het gebruiksgemak van de systemen, maar ook de sociale context speelt een belangrijke rol. Logistieke ondersteuning door specifieke assistenten, die kennis hebben van deze systemen, moeten artsen de kennis overbrengen en op een geduldige, flexibele manier de eventuele vragen beantwoorden. Verpleegkundigen die gespecialiseerd zijn in informatietechnologie of klinische apothekers kunnen op die manier een brug vormen tussen de klinische en de technologische setting (Jones & Moss, 2006). Addendum: evaluatie van CPOE-systemen De artikels geven geen duidelijke informatie omtrent de evaluatie van CPOE-systemen. Om deze reden werd een zoektocht gehouden op het internet om belangrijke evaluatiecriteria van CPOE-systemen te vinden. De Leapfrog Group is een organisatie waarin de veiligheid van de patiënt centraal staat. Het gebruik van CPOE is één van de manieren om belangrijke verbeteringen te brengen op het gebied van de veiligheid van de patiënt. Om CPOE-systemen te evalueren, heeft de groep een evaluatie instrument ontwikkeld: The Leapfrog Evaluation Tool. Ziekenhuizen die gebruik maken van een CPOE-systeem kunnen op deze manier hun CPOE-systeem beoordelen. De procedure bestaat uit 8 verschillende stappen die overlopen moeten worden door verantwoordelijken van het ziekenhuis. De eerste stap bestaat uit een registratie voor de evaluatie. In een tweede fase moet test patiënt informatie gedownload worden. Daarna worden test voorschriften gedownload. De vierde stap bestaat uit het invoeren van voorschriften in de CPOE-applicatie. Daarna worden de resultaten ingevoerd en voorgelegd. Een zesde fase bestaat uit het automatisch scoren van het gebruikte CPOE-systeem. Bij deze beoordeling wordt nagegaan of het CPOE-systeem de nodige decision support bezit om schadelijke medicatiefouten te voorkomen en dit 23

33 gebeurt voor elke voorschrijfcategorie. In de laatste stap wordt een rapport opgemaakt van de evaluatie. Dit rapport moet een hulp bieden om de implementatie van CPOE-systemen te verbeteren. Als het rapport positief is, is er geen reden om het CPOE-systeem niet te gebruiken. Als het rapport negatief is, kan het CPOE-systeem aangepast worden ( De bedoeling van het project is om een CPOE-systeem te ontwikkelen waar een minieme mate van CDS-systeem in verwerkt zit, maar wel volgens een reproduceerbaar en EBM (Evidence-Based Medicine) - gebaseerd werkproces. Gevorderde CDSS is hier niet van toepassing, aangezien dosissen berekenen niet tot het doel behoort. Het leunt eerder aan bij een basis CDSS, waarbij de keuze van een geneesmiddel uit een lijst leidt tot het verkrijgen van een voorgevormd voorschrift. Dit voorschrift bevat naast de gebruikelijke posologie ook een lijst van gegevens die kunnen leiden tot het activeren van een alert in combinatie met gegevens uit een patiëntendossier Toepassing op het project Nu volgt een focus op verschillende systemen, gevonden via de literatuurstudie, die aanleunen bij het project. In een basis CDS-systeem zitten meestal basisrichtlijnen omtrent de dosering van geneesmiddelen. Eén van de manieren om dit te doen, is lijsten aanbieden waar complete voorschriften van medicaties beschikbaar zijn. Deze worden gedefinieerd als complete, voorgeschreven geneesmiddelenvoorschriften, die dosis, doseringsvorm (wanneer noodzakelijk), route of administratie, frequentie, en een vlag met reden (wanneer nodig) bevatten. Een studie heeft aangetoond dat voorgevormde voorschriften 75 % van de 1111 doseringsfouten kunnen verhelpen. Een andere studie toont aan dat het leveren van een standaarddosering en - frequentie 42 % van de voorschrijffouten en 53 % van de potentiële ADE s elimineert (Kuperman et al., 2007). Het Brigham Integrated Computing System (BICS) is een computersysteem gebruikt in het Brigham and Woman s hospital in Boston. Het bestaat uit een gestructureerde CPOE die toelaat aan de arts om verschillende parameters in te voeren. Wanneer een arts een geneesmiddel voorschrijft, verschijnt een lijst van beschikbare dosissen, waarbij de aanbevolen dosis (of de meest gebruikelijke, wanneer er geen aanbevolen is) wordt 24

34 geaccentueerd (zie Figuur 4.3.). De arts kan nu ofwel de aanbevolen dosis of een andere dosis van de lijst selecteren, of hij kan zelf een dosis ingeven door het veld other te selecteren. Wanneer de dosis gekozen is, wordt de aanbevolen administratiefrequentie (aantal toedieningsmomenten) geaccentueerd. De arts kan opnieuw kiezen of hij deze aanvaardt, of een andere kiest. Tijdens het voorschrijven worden waarschuwingen, herinneringen en eventuele alternatieven aangeboden (Teich et al., 2000). FIGUUR 4.3.: WEERGAVE VAN EEN COMPUTERSCHERM IN HET BICS BIJ HET VOORSCHRIJVEN VAN GENEESMIDDELEN. BIJ DE KEUZE VAN EEN GENEESMIDDEL, KRIJGT DE ARTS DE KEUZE TUSSEN VERSCHILLENDE DOSISSEN. DE AANBEVOLEN DOSIS WORDT GEACCENTUEERD IN HET ZWART (TEICH ET AL., 2000). Tamblyn et al. (2006) beschreven de capaciteiten van het MOXXI (Medical Office of the XXIst Century) systeem, een elektronisch voorschrijfsysteem. Bij de keuze van een geneesmiddel verschijnt een lijst met standaardparameters voor het gekozen geneesmiddel. Deze parameters zijn de geneesmiddelnaam, de dosis, de gevolgde route, de frequentie, instructies voor administratie, de duur van de behandeling en eventuele herhalingen van de behandeling. De standaardwaarden zijn ingevuld, maar kunnen eventueel veranderd worden door de arts. De hoeveelheid die moet afgeleverd worden, wordt automatisch berekend. De arts moet ook de indicatie aanduiden waarvoor het geneesmiddel zal gebruikt worden (tot hier zie Figuur 4.4. A). Naast deze informatie wordt er ook informatie aangeboden die specifiek toegepast is op een patiënt. De medicatie die gegeven werd gedurende de voorbije 25

35 6 maanden, de medicatiekosten en eventuele ziekenhuisopnames, zijn gegevens die beschikbaar zijn (Figuur 4.4. B). FIGUUR 4.4.: VOORSTELLING VAN HET MOXXI SYSTEEM. A.: HET ELEKTRONISCH VOORSCHRIJFMODEL MET DOCUMENTATIE VAN DE THERAPEUTISCHE INDICATIE. B.: WEERGAVE VAN HET MEDICATIEPROFIEL VAN AFGELEVERDE VOORSCHRIFTEN, GELEVERD VIA HET GEÏNTEGREERD MOXXI SYSTEEM (TAMBLYN ET AL., 2006). 26

36 Door de toegang tot specifieke patiënteninformatie kunnen ook hier alerts op het scherm verschijnen. Deze worden ingedeeld in 3 categorieën: Een eerste categorie beschrijft dat het geneesmiddel absoluut gecontraïndiceerd is, bij de tweede categorie moet het geneesmiddel gemeden worden wanneer mogelijk en bij de derde categorie moet het geneesmiddel met voorzichtigheid gebruikt worden (Tamblyn et al., 2006) Contextadviezen Om de implantatie van CPOE - systemen te verbeteren hebben Teich et al. (2005) een actieplan opgesteld. Eén van de noodzaken voor het verzekeren van het succes van deze informatiesystemen is het afspreken van standaardtermen en het leveren van een uniforme structuur. De standaarden moeten bepaald worden op verschillende niveaus. Een eerste prioriteit is de manier waarop geneesmiddelen worden beschreven; de schrijfwijze en de gebruikte afkortingen moeten bij elk systeem hetzelfde zijn. Een tweede zaak is de nood aan een standaardstructuur en terminologie voor de indeling van de geneesmiddelen, zoals bij de generische middelen. Daarnaast is het van groot belang een sig standaard (richtlijnen aan de patiënt hoe de medicatie moet ingenomen worden) te genereren. Er moet een woordenschat ontwikkeld worden die de toedieningsvorm, -sterkte, doseringseenheden, frequenties benoemt. Een vierde noodzaak is een standaard vocabularium voor allergiereacties, zodat gegradueerde alarmeringsniveaus kunnen opgebouwd worden. Daarnaast worden nog twee andere noodzaken beschreven, maar die zijn van minder belang in het project (Teich et al., 2005). Dit actieplan wordt zoveel mogelijk toegepast in het project ZOEKTOCHT NAAR BESTAANDE MODELLEN ROND DOSERINGSINFORMATIE Via deze studie worden drie verschillende resultaten gegenereerd. Eerst en vooral wordt er onderzoek gedaan naar de doseringsinformatie die beschikbaar is in het PIM-model van de EMA. Daarna wordt nagegaan hoe de FDA de structurering van dosisinformatie aanpakt in het SPL-model. Als laatste wordt gekeken naar het model dat ontwikkeld is door de Universiteit van Heidelberg (het Heidelberg-model). Na de bespreking van deze modellen, volgt een vergelijking tussen het Heidelberg- en het SPL-model. 27

37 PIM - model Het Product Information Management (PIM)-model is een project dat ingevoerd is door de European Medicines Agency (EMA). Eén van de belangrijkste doelstellingen is het verbeteren van het beheer en de uitwisseling van productinformatie op elektronisch gebied. De productinformatie van geneesmiddelen is de informatie die beschikbaar is in de Summary of Product Characteristics, in de bijsluiter en in de labeling (etikettering). Deze informatie moet goed gestructureerd zijn zodat uitwisseling met behulp van elektronische middelen mogelijk wordt. Sommige zaken over geneesmiddelen worden op heel wat plaatsen benoemd op een andere manier, zodat deze zaken vaak herhaald worden. Het PIM heeft nu standaarden gecreëerd zodat deze herhalingen geminimaliseerd worden en uniforme termen worden gebruikt. Op die manier kan het PIM beschouwd worden als een standaard voor de elektronische uitwisseling van productinformatie. Om de productinformatie te structureren en te controleren, wordt gebruik gemaakt van de XML-taal. Extensible Markup Language (XML) is een standaardtaal waarmee men gestructureerde gegevens kan weergeven door documenten elektronisch te coderen. Deze voorstelling is zowel leesbaar voor de mens, als leesbaar door een computer. Deze XML wordt gebruikt voor het opslaan van gegevens als voor gegevens over het internet te versturen. In Figuur 4.6. op pagina 29 wordt een voorbeeld gegeven van een XML-bestand. Er kan besloten worden dat het PIM-model vooral tracht om verschillende documenten over geneesmiddelen te combineren tot een praktisch en gestructureerd document. Dit document wordt ook vertaald in verschillende talen. Wanneer gefocust wordt op dosering, wordt de informatie vanuit de verschillende bronnen overgenomen (voornamelijk van de SPC), maar een gedetailleerde bespreking van een structurering wordt hier niet vermeld ( Figuur 4.5. toont aan op welke manier dosering in het PIM-model verwerkt wordt. Er wordt een vergelijking gemaakt tussen een Engelse en een Portugese versie. De bedoeling is dat deze versies overeenkomen. 28

38 FIGUUR 4.5.: EEN VOORBEELD VAN EEN VERGELIJKING TUSSEN EEN ENGELSE EN EEN PORTUGESE VERSIE VAN HET DOSERINGSONDERDEEL IN HET PIM-MODEL. ( SPL model Structured Product Labeling (SPL) kan beschouwd worden als het Amerikaanse equivalent van het PIM-model. Het is een elektronisch document dat werd goedgekeurd door de Health Level Seven (HL7) en gebruikt wordt door de Food and Drug Administration (FDA) om productinformatie (over geneesmiddelen) elektronisch uit te wisselen. In SPL wordt eveneens gebruik gemaakt van Extensible Markup Language (XML), waarvan een voorbeeld te zien is in Figuur 4.6. <ingredient classcode="actir"> <quantity> <numerator value="10" unit="mg"/> <denominator value="1" unit="1"/> </quantity> <ingredientsubstance> <code code=" " codesystem=" "/> <name>tazminate malate</name> FIGUUR 4.6.: EEN WEERGAVE VAN DE EXTENSIBLE MARKUP LANGUAGE DIE GEBRUIKT WORDT IN HET SPL-MODEL. Het document bestaat uit een reeks datastandaarden, opgedeeld in verschillende tabellen, gaande van gegevens over de firma en verkoopcategorie tot de geur en kleur van 29

39 de producten. Iedere tabel bevat een lijst met termen (SPL Acceptable Terms), die elk een code hebben gekregen. Bij de bespreking van dit model zal enkel gefocust worden op de manier waarop doseringsinformatie geklasseerd wordt. Hierbij zal gelet worden of er variabelen ingebouwd zitten, die gerelateerd zijn aan de gebruikelijke posologie van geneesmiddelen. In de tabel doseringsvormen ( dosage forms ) wordt een lijst gegeven met de mogelijke vormen die er bestaan, met elk een bijhorende code. Een tweede tabel is de indicatiecategorie ( indication category ), waar het medicinale probleem wordt beschreven. De derde belangrijke tabel is de limitation of use/issues -groep, waar variabelen ingebouwd zitten zoals de behandelingsduur en belangrijke contra-indicaties. Daarnaast is er de tabel section headings die bestaat uit een hele reeks secties. Als er bepaalde waarschuwingen noodzakelijk zijn, kunnen deze hier ingevuld worden (warnings and precautions section). Er zijn een aantal secties die wijzen op dosering: dosage & administration section en dosage forms & strengths section. In deze groep bevinden zich ook de termen geriatric use en pediatric use om aan te duiden of een verpakking specifiek is voor een bepaalde leeftijdsgroep. Als laatste zijn er een aantal datastandaarden in verband met eenheden. ( Over de sectie dosage & administration section werd in maart 2010 een nieuw artikel gepubliceerd ( ation/guidances/ucm pdf). In dit document wordt het inhoudelijke deel van deze sectie besproken, zodat dit een aanvulling is op het SPL-model. In dit hoofdstuk moet al de nodige informatie vervat zitten om een veilige en effectieve dosering en administratie van een geneesmiddel mogelijk te maken. Daarnaast moet de informatie duidelijk en toegankelijk zijn. Een eerste deel van de sectie dosering en administratie is de basis dosisinformatie. De gebruikelijke aanbevolen dosis en het doseringsregime vormen een essentieel onderdeel van deze sectie. Als een onderste en een bovenste doseringsgrens voorhanden zijn, moeten deze vermeld worden. Daarnaast worden volgende zaken ook onder dit onderdeel geplaatst: de startdosis (als deze anders is dan de gebruikelijke dosis), de duur van het geneesmiddelgebruik, de toedieningsweg, een eventueel titratieregime als de dosis moet 30

40 opgetitreerd worden, de duur of snelheid van infusie en de bovenste doseringslimiet, waarboven veiligheid en effectiviteit niet meer gegarandeerd kan worden. Na de basis dosisinformatie volgt relevante informatie voor het specifieke geneesmiddel. De meest belangrijke informatie moet onmiddellijk volgen op de basis dosisinformatie. Hoe minder belangrijk de informatie is, hoe verder deze geplaatst wordt. Deze bijkomende informatie kan gaan over het monitoren van geneesmiddelen, eventuele dosisaanpassingen als het gevolg van geneesmiddelinteracties, dosisaanpassingen in specifieke patiëntenpopulaties, bepaalde bedenkingen die in acht genomen moeten worden wanneer de therapietrouw aan een doseringsregime zeer belangrijk is, informatie over premedicatie en comedicatie, belangrijke instructies bij de administratie van het geneesmiddel, specifieke inhoud omtrent bereide geneesmiddelen, specifieke inhoud voor parenterale geneesmiddelen, specifieke inhoud voor radioactieve producten en als laatste informatie over beperkingen van de distributie van geneesmiddelen Heidelberg model Beschrijving De Universiteit van Heidelberg heeft een model ontwikkeld waarmee ze de belangrijke risico s (ADE s), die verbonden zijn aan geneesmiddelenbehandeling, trachten te verminderen. De concentratie van een geneesmiddel in het lichaam is afhankelijk van farmacokinetische processen (ADME 4 ), die bepaald worden door patiëntspecifieke karakteristieken (leeftijd, nierfunctie, ). Om een geschikte dosis voor te schrijven van een geneesmiddel, moet dit dus gebeuren in overeenstemming met de patiëntenkarakteristieken. Het model bestaat uit een gestructureerde elektronische databank waaraan elektronisch beschikbare patiëntenkenmerken gekoppeld kunnen worden, zodat dosisaanpassing per patiënt een optie wordt. Het is een CDS-systeem die geoptimaliseerd wordt doordat informatie over geneesmiddeldosering en -toediening vervat zit in een elektronische samenvatting van product karakteristieken (electronic summary of product 4 ADME = Absorptie, Distributie, Metabolisatie en Excretie. Dit zijn de processen die beschreven worden in de farmacokinetiek, het vakgebied die bestudeert wat het lichaam doet met het geneesmiddel. 31

41 characteristics (e-s(m)pc)). SPC (summary of product characteristics) bestaat reeds in tekstuele vorm, waar onder andere informatie over dosering en administratie beschikbaar is. De bedoeling van dit model is om een elektronische databank te ontwikkelen, zodat informatie over dosering beschikbaar is in een goed gestructureerde vorm. Bij de ontwikkeling van het model werd specifieke aandacht gehecht aan drie punten. Als eerste moet een flexibele en dynamische structuur beschikbaar zijn, daarnaast moet er een hiërarchische structuur van variabelen gecreëerd worden en als laatste moet een gecontroleerd vocabularium gebruikt worden zodat uitwisseling van de data met andere elektronische databanken mogelijk wordt. Het model moet een antwoord bieden op een 8-tal doelstellingen die op voorhand gedefinieerd werden. Deze doelstellingen zijn te vinden in Tabel 4.1. op pagina 33. Het model bestaat uit twee hoofdstukken: het ene luik behandelt de geneesmiddeldosering en het andere de farmacokinetiek. In het tweede deel worden farmacokinetische parameters beschreven, die de doseringsverschillen van patiënt tot patiënt in kaart brengen en die mathematische dosisaanpassing mogelijk maken. Doelstelling 1B in Tabel 4.1. sluit aan bij de hoofddoelstelling van ons project, zodat hierop gefocust wordt. Daarnaast zullen de doelstellingen 2, 5 en 6 een plaats krijgen in het programma als logic variabele (een variabele die kan aangevinkt worden wanneer nodig). De databank met betrekking tot de geneesmiddeldosering wordt ingedeeld in 5 informatietabellen. Elke informatietabel bevat duidelijke variabelen en een gecontroleerde referentietabel van de waarden die deze variabelen kunnen bevatten. De belangrijkste informatietabel is de dosering, waar de andere informatietabellen een invloed op hebben: geneesmiddel, monitoren, condities, administratie. Een gestructureerd overzicht van de variabelen met bijhorende definitie is te vinden in de bijlagen (Bijlage 1). Wat volgt, is eerst een algemene beschrijving van een aantal belangrijke variabelen aangezien verschillende van deze variabelen gebruikt zullen worden bij de ontwikkeling van het programma. 32

42 TABEL 4.1.: ESSENTIËLE KENMERKEN VAN EEN ELEKTRONISCH DECISION SUPPORT SYSTEEM MET ALS DOEL DOSERINGSFOUTEN TE MINIMALISEREN. DOELSTELLING 1 VERWIJST NAAR DE BASISINFORMATIE OVER STANDAARDDOSISEN, DOELSTELLINGEN 2 TOT 7 NAAR AANPASSINGEN VAN DOSERINGEN OM DE MEEST FREQUENTE DOSERINGSFOUTEN AAN TE PAKKEN. DIT ZIJN DE DOELSTELLINGEN VAN HET HEIDELBERG-MODEL (SEIDLING ET AL., 2010). Doelstellingen: 1. A) Het genereren van een alarmsignaal ( alert ) wanneer een standaard maximum bovenste dosis limiet wordt overschreden bij volwassen patiënten. B) Doseringsaanbevelingen waarbij standaard therapeutische dosissen worden gesuggereerd. 2. Alarmsignalen en doseringsaanbevelingen die rekening houden met de individuele nierfunctie van de patiënt. 3. Alarmsignalen en doseringsaanbevelingen die rekening houden met de individuele leeftijd en het gewicht van de patiënt. 4. Alarmsignalen en doseringsaanbevelingen die rekening houden met interacties van comedicatie. 5. Alarmsignalen en doseringsaanbevelingen die rekening houden met de indicatie van het geneesmiddel. 6. Alarmsignalen en doseringsaanbevelingen die rekening houden met het administratietijdstip met betrekking tot de fase van de therapie (onderhoudstherapie, ladingsdosis, tapering) 7. Alarmsignalen in combinatie met parameters voor het monitoren van geneesmiddelen (bijvoorbeeld geneesmiddelconcentraties) 8. Uitgebreide hulp bij dosering die rekening houdt met bijkomende individuele patiëntenkarakteristieken die de geneesmiddeldosering kunnen beïnvloeden. De variabelen worden genoteerd met een uniforme schrijfwijze. Elke variabele begint met een < en wordt afgesloten met een >. Als de variabele uit meerdere woorden bestaat, worden deze gescheiden door een _. Voorbeeld: <drug_dose_unit>. 33

43 Een asterisk wordt geplaatst naast de variabelen die een referentietabel vereisen. De waarde die bij deze variabele past, moet dus gehaald worden uit de beschikbare referentielijst. Als een asterisk tussen haakjes wordt geplaatst, wil dit zeggen dat een referentietabel vereist is, doch nog niet beschikbaar. Als een variabele duidt op een getal waarbij een eenheid hoort, worden deze twee zaken gescheiden. Voor het getal wordt een variabele ingevoerd en voor de eenheid ook. Om de geneesmiddeldosis uit te drukken, zijn er dus steeds twee variabelen nodig: de <drug_dose_value> (vb.: 50) en de <drug_dose_unit>* (vb.: mg). In sommige gevallen is het noodzakelijk om een interval in de databank te kunnen invoeren. Een voorbeeld daarvan is de behandelingsduur, die vaak niet eenduidig is. Om dit op te lossen, worden de termen lower en upper ingevoerd. Voor de behandelingsduur krijgen we dan: <treatment_duration_value_lower> en <treatment_duration_value_upper>. De eerste variabele duidt op de gebruikelijke korte behandelingsduur en de tweede op de gebruikelijke lange behandelingsduur. Bij elk van deze variabelen hoort ook een eenheid: <treatment_duration_unit_lower>* en <treatment_duration_unit_upper>*. De beschrijving van de dosering van geneesmiddelen is geen gemakkelijke zaak. In dit model worden heel wat variabelen ingevoerd die de dosering proberen te omschrijven. De dosering van een geneesmiddel moet steeds bepaald worden per periode, bijvoorbeeld per dag, per uur, per week, De variabelen <drug_period_value> en <drug_period_unit>* zijn daarvoor ingevoerd. Daarnaast moet bepaald worden hoeveel keer een geneesmiddel moet toegediend worden in deze periode. <Drug_frequency> beschrijft het aantal toedieningsmomenten per periode. De <drug_dose_value> en de <drug_dose_unit>* beschrijven de dosis die per keer ingenomen moet worden, bijvoorbeeld 50 mg. Doelstelling 1B in Tabel 4.1 zegt dat doseringsaanbevelingen gegeven worden waarbij standaard therapeutische dosissen worden gesuggereerd. Via de variabele <dosage_type>* kan aangeduid worden dat de gegeven dosis wijst op de gebruikelijke posologie (door in deze parameter usual dose in te vullen). In deze variabele is ook plaats om meerdere zaken aan te duiden. De dosis, die bepaald is in de variabele <drug_dose_value> en 34

44 <drug_dose_unit>, kan een gebruikelijke dosis, een gebruikelijke laagste dosis limiet, een gebruikelijke bovenste dosis limiet of een maximale dosis limiet zijn. Aangezien het model geprobeerd heeft om de verschillende soorten geneesmiddelen een plaats te geven, is de lijst van variabelen lang. Dit is een goede zaak. In het geval van antitumorale middelen en contraceptieve pillen zijn variabelen nodig die aanduiden dat deze geneesmiddelen in cyclussen worden toegediend. <cycle_length_value> en <cycle_length_unit> zijn voorbeelden hiervan. Voor sommige klassen van geneesmiddelen (antitumorale, contraceptieve en antimicrobiële geneesmiddelen) is de behandelingsduur een cruciale zaak om een veilige en effectieve behandeling te verzekeren. Deze informatie vindt zijn plaats in de variabelen <treatment_duration_value> en volgende. Een andere parameter die heel belangrijk is bij de dosering van geneesmiddelen, is de indicatie waarvoor het middel gebruikt wordt. De variabele <indication>* is daarvoor ingevoerd. Dit is een variabele die kan bestaan uit meerdere termen die gecombineerd worden met AND en OR. Op die manier kunnen alle indicaties ingevoerd worden. Naast de indicatievariabele zijn nog enkele variabelen ingevoerd zoals <restriction> (*), Bij het doseren van een infuus speelt de tijdsduur een belangrijke rol. Verschillende variabelen zijn ingevoerd om dit te beschrijven, bijvoorbeeld infusion_duration_value. In het eerste hoofdstuk worden bepaalde patiëntenkarakteristieken reeds beschreven, zoals leeftijd, geslacht, gewicht, etnische groep, eventuele polymorfisme, Als deze variabelen ingevoerd zijn, kan met behulp van de farmacokinetische variabelen uit hoofdstuk 2 de specifieke dosissen per patiënt berekend worden. In ons project is het niet de bedoeling om al deze variabelen in te voeren. Enkele van deze zijn wel belangrijk zoals de leeftijd waarop een bepaald geneesmiddel betrekking heeft (subjects_age_group) en patiënten met nier- of leverfalen (Seidling et al., 2010) Bedenkingen Het model bevat heel wat interessante en goed geplaatste variabelen om de dosering te beschrijven. Ook is de structurering van de variabelen met behulp van de uniforme 35

45 schrijfwijze een positief kenmerk van het model. Omdat deze schrijfwijze duidelijk is, zal deze gebruikt worden bij de ontwikkeling van ons datamodel. Het model tracht daarnaast een volledige lijst te bieden van variabelen die de dosering omschrijven. Op die manier wordt echter een ellenlange lijst gecreëerd van variabelen, doordat sommige zaken op een omslachtige manier omschreven worden. Hieronder volgen enkele voorbeelden. Het invoeren van de variabelen om grenzen aan te duiden is een noodzaak, maar zowel de onder- als bovengrens krijgen daarbij een variabele waar de eenheid benoemd moet worden. De eenheid kan geplaatst worden onder 1 variabele, die zowel bij de laagste als de hoogste waarde van het interval hoort, bijvoorbeeld: <treatment_duration_unit>. In de variabele <dosage_type>* kan heel wat informatie geplaatst worden: de aanduiding van een gebruikelijke dosering, de onder- en bovengrenzen van een dosering en een maximale dosis. Wanneer de grenzen van een dosering ingevoerd worden, gebeurt dit bijgevolg op een omslachtige manier. Dit wordt geïllustreerd in het volgende voorbeeld: een dosering van 60 tot 120 mg. <drug_dose_value> en <drug_dose_unit>: 60 en mg <dosage_type>* : usual lower dose <drug_dose_value> en <drug_dose_unit>: 120 en mg <dosage_type>*: usual upper dose De variabelen <drug_dose_value> en <drug_dose_unit> moeten steeds herhaald worden wanneer een aanduiding in de variabele <dosage_type>* ingevoerd wordt. Het zou praktischer zijn om variabelen in te voeren die de onder- en de bovengrens van een dosering beschrijven, waardoor de variabele <dosage_type>* kan weggelaten worden. Op die manier wordt het invoeren van doseringen eenvoudiger. Het voorgaande probleem komt nog meer tot uiting in het volgende voorbeeld. Als doseringsgrenzen (onder- en bovengrens) worden ingegeven en daarnaast een gebruikelijke dosering, worden enerzijds 6 variabelen ingevoerd om de dosis (<drug_dose_value> en <drug_dose_unit>*) te beschrijven en anderzijds wordt de variabele <dosage_type> 3 keer ingevoerd, om aan te duiden of het om grenzen gaat of om de gebruikelijke dosering. Zoals gezegd, wordt op die manier een ellenlange lijst van variabelen gecreëerd. In de 36

46 ontwikkeling van ons datamodel zal één van de noodzaken zijn om op een optimale en praktische manier de gebruikelijke dosering weer te geven. Dit maakt dan ook deel uit van de hoofddoelstelling van dit project. Naast de opmerkingen omtrent de omslachtige manier van werken, volgt een kritische bespreking van de manier waarop de dagdosis wordt ingevoerd. In het model duiden de variabelen <drug_dose_value> en <drug_dose_unit> op de dosis die per keer moet ingenomen worden. Dit is een mogelijke manier om een dosering te beschrijven, maar het zou beter zijn indien de administratie-eenheid een plaats zou krijgen in de databank. De administratie-eenheid kan 1 tablet, 1 suppo, 10 druppels, 10 ml, zijn. Op die manier kan er op het voorschrift verschijnen hoeveel tabletten per keer moeten ingenomen worden, in plaats van het aantal mg dat moet ingenomen worden per keer. Dit laatste is immers niet praktisch voor de patiënt. In het model zijn een aantal variabelen ingevoerd die de administratie-eenheid trachten te omschrijven, namelijk: <presentation_form>*, <administration_form>*, <strength_value> en <strength_unit>. Dit zijn zaken die de lijst enkel langer en gecompliceerder maken. Bij de ontwikkeling van het datamodel in het project, zal dit een topic zijn waar voldoende aandacht aan besteed moet worden. De dosis (in mg) zal daarbij wel niet weggelaten worden. In dit model refereert de dosis naar de dosis die ingenomen moet worden per keer. Maar aangezien de administratie-eenheid deze variabele zal vervangen, kan de dosis die ingevoerd wordt, refereren naar de periode. Als bijvoorbeeld 3 keer 50 mg moet ingenomen worden per dag, dan is de dagdosis gelijk aan 150 mg. Het is positief dat variabelen ingevoerd zijn om de indicatie te beschrijven die bij de dosering past. Meerdere indicaties kunnen aangeduid worden, maar het model mist echter een aanduiding voor de hoofdindicatie. Dit is een gebrek dat in ons programma zal moeten opgelost worden. De andere variabelen die rond indicaties ingevoerd zijn, zoals restriction, zijn dan misschien iets te uitgebreid om de gebruikelijke posologie te omschrijven in ons datamodel. 37

47 Vergelijking van het Heidelberg-model met het SPL-model Op basis van deze informatie wordt een vergelijking gemaakt tussen de variabelen van het Heidelberg-model met de inhoud die voorhanden moet zijn in de dosage and administration sectie van het SPL-model. De focus ligt op de gebruikelijke posologie en de informatie en variabelen die relevant zijn voor ons project (de variabelen die een eenheid beschrijven, worden hier buiten beschouwing gelaten). Enkel de informatie die in beide modellen voorkomt over gebruikelijke posologie zal hier besproken worden. Tabel 4.2 toont het resultaat van deze vergelijking. Er kan besloten worden dat de informatie over dosering van het SPL-model grotendeels terug te vinden is in het Heidelberg-model. Het Heidelbergmodel duidt wel sommige zaken aan op een omslachtige manier. TABEL 4.2.: VERGELIJKING TUSSEN HET HEIDELBERG-MODEL EN HET SPL-MODEL, MET FOCUS OP DE INFORMATIE OVER DE GEBRUIKELIJKE POSOLOGIE. HEIDELBERG-MODEL FDA: DOSAGE AND BESLUIT ADMINISTRATION SECTION (SPL-MODEL) <drug_dose_value> EN <dosage_type>* (in dit geval is deze variabele dan: usual dose ) <drug_dose_value> EN <dosage_type>* (usual lower dose limit, usual upper dose limit) <treatment_phase>* (aanduiding van een start-, onderhouds- of einddosis) De gebruikelijke aanbevolen dosis Grenzen van een dosering Het Heidelberg duidt de gebruikelijke aanbevolen dosis aan op een omslachtige manier. Het Heidelberg duidt de doseringsgrenzen aan op een omslachtige manier. Startdosis Het Heidelberg-model voldoet aan deze informatie. <treatment_duration_value> De duur van het geneesmiddelengebruik <escalation_type>* en ook <treatment_phase>* <dosage_type>* (maximum dose limit) Het Heidelberg-model voldoet aan deze informatie. Titratieregime Het Heidelberg-model voldoet aan deze informatie. Bovenste doseringslimiet Deze aanduiding gebeurt in het Heidelberg-model op een omslachtige 38

48 TABEL 4.2.: VERGELIJKING TUSSEN HET HEIDELBERG-MODEL EN HET SPL MODEL, MET FOCUS OP DE INFORMATIE OVER DE GEBRUIKELIJKE POSOLOGIE (vervolg). manier. <drug_frequency> Het doseringsregime Het Heidelberg-model voldoet aan deze informatie. <ROA>* = ROA (toedieningsweg) Het Heidelberg-model voldoet aan deze informatie. <infusion_duration_value> De duur OF de snelheid van infusie Het Heidelberg-model zegt niets over de snelheid van infusies, maar dit is vaak wel belangrijk CONCRETE AANPAK VAN HET WERKPROCES GEBRUIKELIJKE POSOLOGIE Bepalen van de variabelen in het datamodel Vooreerst is het belangrijk dat het datamodel een optimale en praktische structuur biedt voor het invoeren van de gegevens. Aangezien deze gegevens gehaald worden uit het Gecommentarieerd Geneesmiddelenrepertorium, wordt de indeling van dit boek logischerwijs overgenomen. De eerste verdeling is deze in de 14 hoofdstukken. Per hoofdstuk worden de geneesmiddelen ingedeeld in verschillende klassen. Tot op dit niveau wordt de indeling overgenomen vanuit het Gecommentarieerd Geneesmiddelenrepertorium. Het e-health datamodel is een databank die deze bovenstaande structuur reeds gebruikt, zodat van deze elektronische classificatie gebruik gemaakt wordt in dit project. Bovendien vormt het e-healthmodel een aanvulling op voorgaande indeling. Het B.C.F.I. is er namelijk recentelijk in geslaagd om deze databank te vernieuwen, met het oog op het creëren van een referentie voor het voorschrijven op stofnaam. De verschillende klassen van geneesmiddelen worden hierbij ingedeeld in VOS-groepen, met elk hun bijhorende verpakkingen. Beschikbare verpakkingsvormen van geneesmiddelen die eenzelfde actief bestanddeel (of combinatie van actieve bestanddelen), eenzelfde sterkte en eenzelfde toedieningsweg gemeenschappelijk hebben, behoren tot eenzelfde VOS-groep of VMP (Virtual Medicinal Product). Iedere VOS-groep bevat een of meerdere verpakkingen, die ook soms aangeduid worden als Actual Medicinal Product Package (AMPP). De arts schrijft voor 39

49 op stofnaam (en kiest bij deze een VOS-groep), waarna de apotheker op een rationele manier een prijsbewuste en passende keuze kan maken van een geneesmiddelenverpakking. De groepering van geneesmiddelen op het niveau van de VOS-groepen en de verpakkingen vormt de basis van het datamodel. Om de doseringsgegevens op een gestructureerde manier te kunnen invoeren, worden twee lijsten met variabelen opgesteld. Enerzijds moeten er variabelen zijn die de gebruikelijke posologie omschrijven op VOSniveau. Bijlage 2 toont een overzicht van deze variabelen. Anderzijds moeten variabelen bepaald worden op het niveau van de verpakkingen. Deze variabelen zijn terug te vinden in Bijlage 3. De variabelen met bijhorende beschrijvingen zijn benoemd in het Engels, omdat het de bedoeling is dit model op Europees niveau uit te werken. De variabelen op het VOS-niveau en op het AMPP-niveau zijn grotendeels dezelfde. Er dient opgemerkt te worden dat voor de administratie-eenheid een andere variabele is gebruikt op beide niveaus. Op VOS-niveau wordt de variabele administration_entity_unit gebruikt en op AMPP niveau de variabele administration_unity_unit. Deze opsplitsing wordt gemaakt omdat in een VOS-groep soms verschillende soorten administratie-eenheden aanwezig kunnen zijn; bijvoorbeeld een suppo en een lavement. De gebruikelijke posologie kan aangeduid worden op twee manieren. Enerzijds kan de gebruikelijke dagdosis ingevoerd worden (usual_period_dosage_value) en anderzijds kan ingevoerd worden hoeveel administratie-eenheden per keer moeten ingenomen worden (usual_multiplicator_administration_entity_value), en hoeveel keer (usual_administration_ moment_value) dit per dag (drug_period_value endrug_period_unit) moet gebeuren. Deze variabelen worden opgesplitst in een lower, een upper en een usual variabele. De usual variabele duidt de gebruikelijke posologie aan. Voor de behandelingsduur en geneesmiddelen die in cyclussen ingenomen dienen te worden, zijn speciale variabelen ingevoerd die in de Bijlagen 2 en 3 teruggevonden kunnen worden. Als een geneesmiddel gebruikt wordt voor meerdere indicaties, kan dit aangevinkt worden in de variabele multiple_indication. De hoofdindicatie, waarvoor de dosering wordt opgegeven, wordt steeds vermeld in de variabele principle_indication. In gevallen waar de 40

50 gebruikelijke posologie dient aangepast te worden, kunnen specifieke variabelen aangevinkt worden. Wanneer de gebruikelijke posologie niet toepasselijk is bij patiënten met lever- of nierproblemen kan dit aangevinkt worden in de variabelen usual_dosage_kidney_failure en usual_dosage_liver_impairment. Als een medicatie niet meer in gebruik is of als een dosering anders is dan deze beschreven in de officiële Summary of Product Characteristics (SPC) kan dit aangeduid worden in respectievelijk de variabelen obsolete_drug en labeling_dosage_advice_discrepancy. Wanneer een geneesmiddel enkel nog gebruikt wordt in hospitaalmilieu, kan dit aangeduid worden in de variabele hospital_only_drug. Daarnaast is er een variabele waar kan aangeduid worden dat de gebruikelijke posologie dicht bij de toxische dosis ligt (usual_dosage_overdosage_warning). Als laatste is het belangrijk om te weten dat de gebruikelijke posologie refereert naar een stabiele chronische of acute therapie. Als de dosis start met een lagere of hogere dosis dan moet er ruimte zijn om dit aan te duiden. Om deze reden zijn de variabelen sneak_in _dosage en load_up_dosage ingevoerd. Het aanvinken van deze variabelen moet uiteindelijk leiden tot het genereren van alarmsignalen op het scherm van de voorschrijvende arts. Op die manier wordt hij gewaarschuwd wanneer de gebruikelijke posologie moet aangepast worden. Het is ook belangrijk om aan te duiden voor welke leeftijdsgroep een geneesmiddel bedoeld is. Standaard wordt de variabele usual_dosage_subjects_age_group op adult geplaatst, maar wanneer de verpakking bedoeld is voor ouderen of kinderen wordt respectievelijk geriatric en pediatric ingevuld bij deze variabelen. Voor infusies kan de snelheid van toediening ingevoerd worden. Dit is voornamelijk belangrijk in een ziekenhuisomgeving. Op AMPP-niveau zijn er een aantal variabelen extra ingevoerd. Het aantal administratie-eenheden per verpakking en het aantal behandelingsdagen bij het gebruiken van de gebruikelijke posologie kunnen ingevoerd worden in de variabelen adminsitration_unities_per_package_value en number_treatment_days_in_usual_dosage. 41

51 Daarnaast is er een bijkomende variabele om de equivalentie tussen druppels en ml aan te duiden (equivalence_administration_unity_pharmaceuticalform_value en unit) Ontwikkeling van een programma Om het werkproces te ondersteunen, werd een programma ontwikkeld. Het programma is een versie van het datamodel met bijhorende variabelen. Dit programma laat toe om gegevens omtrent gebruikelijke posologie in te voeren op het niveau van de VOSgroepen, alsook op het niveau van de verpakkingen. In Figuur 4.7. wordt een weergave van het programma getoond. FIGUUR 4.7.: WEERGAVE VAN HET PROGRAMMA. AAN DE LINKERZIJDE BEVINDT ZICH DE BOOMSTRUCTUUR MET DE VERSCHILLENDE VOS-GROEPEN. AAN DE RECHTERZIJDE BEVINDEN ZICH DE VOS-GROEP EN DE VERPAKKINGEN WAAR DE DOSERINGSINFORMATIE MOET INGEVOERD WORDEN. 42

52 In de linkerkolom bevindt zich de classificatie van de geneesmiddelen, voorgesteld als een boomstructuur. De verschillende hoofdstukken kunnen overlopen worden door de hoofdstukken en bijhorende klassen open te klappen. Wanneer een niveau bereikt is waar geen subniveau beschikbaar is, is het niveau van de VOS-groepen bereikt. Met behulp van een dubbelklik op een VOS-groep, verschijnt in het rechtergedeelte van het scherm een kader. In dit kader bevinden zich ook de verschillende verpakkingsvormen die tot deze VOSgroep behoren. In deze figuur wordt de VOS-groep cibenzoline 130 mg (oraal) dubbel aangeklikt, waardoor in het rechterkader de 2 verpakkingsvormen verschijnen die tot deze groep behoren: Cipralan tab 100 * 130 mg en Cipralan tab 40 * 130 mg. In Figuur 4.8. wordt een weergave getoond van de variabelen op VMP-niveau in het programma. Figuur 4.9. toont de variabelen op AMPP-niveau in het programma. FIGUUR 4.8.: WEERGAVE VAN DE VARIABELEN OP VMP-NIVEAU IN HET PROGRAMMA. 43

53 FIGUUR 4.9.: WEERGAVE VAN DE VARIABELEN OP AMPP-NIVEAU IN HET PROGRAMMA Invoeren van de proefgegevens Het invoeren van de data start steeds op het niveau van de VOS-groep. De nodige variabelen worden ingevoerd en de gegevens kunnen overgebracht worden naar AMPPniveau. Met behulp van de knop: eigenschappen VOS-groep naar MPP s worden de gegevens overgebracht. Op die manier wordt het werk verlicht en is het enkel nodig op AMPP-niveau om de zaken bij te vullen, te controleren en aan te passen waar nodig. In het programma is een controle ingebouwd om zo weinig mogelijk fouten te maken: Strength_per_administration_value_1 X usual_multiplicator_administration_unity_value X usual_administration_moment_value = usual_perioddosage_value 44