La modélisation prédictive des soins de santé aide à évaluer l’efficacité d’un nouveau traitement médical

Problème

Une société pharmaceutique souhaitait lancer un nouveau traitement médical, qui aurait permis aux services d’urgences d’améliorer leurs performances opérationnelles, en matière d’efficacité et de temps. Afin d’évaluer l’impact de son nouveau traitement sur des opérations dans des services d’urgences, le client a fait appel à la société de conseils Sterling Simulation, afin de mener une simulation pharmaceutique.

L’objectif du client était d’évaluer plusieurs stratégies de marketing pharmaceutiques. Il désirait savoir de quels gains opérationnels bénéficieraient les services d’urgences et à quel coût, si les services d’urgence passaient de la norme de soins actuelle à son traitement. Afin d’aider le client à répondre à ces questions, Sterling Simulation a développé un modèle pharmaceutique par simulation d’un service d’urgence, à l’aide de la simulation à évènement discret. Pour cela, ils se sont servis du logiciel de simulation pharmaceutique d’AnyLogic et de son approche multi-méthodes, en combinant la simulation à évènements discrets et celle du comportement des agents au sein du modèle. La société a opté pour la simulation car celle-ci lui permettait de voir les performances du nouveau système avant que les changements ne soient mis en œuvre et d’effectuer les ajustements nécessaires.

Solution

Sterling Simulation a modélisé le processus de traitement des patients, en comparant trois traitements différents.

Le modèle comprenait trois parties:

1. Les Patients — ils se déplaçaient pendant l’exécution du protocole.
2. Les ressources — Elles représentaient ce dont les patients avaient besoin pour avancer dans le protocole : bureaux d’inscription, infirmières de triage, médecins, lits du service d’urgence et lits des unités d’observation.
3. Protocole — Il représentait le processus de traitement dans le modèle.

Dans ce modèle pharmaceutique par simulation, les patients avaient trois principaux paramètres : s’ils étaient malades, atteints d’une affection aiguë ou désireux de partir sans avoir été observés.

Scénario de modèle de marketing pharmaceutique
(cliquer pour agrandir)

Dans les flux du protocole, il existait trois sous-unités principales:

• Un patient était créé.
• Le protocole de prétraitement, au cours duquel la décision de savoir si le patient avait besoin du traitement était prise.
• Le protocole de traitement, qui comprenait des traitements de l’affection et ne concernant pas celle-ci, et une observation possible avant le départ final.

Après qu’un statut d’affection ait été attribué au patient, il était décidé si celui-ci souffrait d’une affection aiguë ou non. Les patients souffrant d'une affection aiguë se voyaient immédiatement attribuer un lit et ne devait pas passer par l’inscription et le triage. Une fois le lit attribué aux patients, ceux-ci ne pouvaient plus partir avant d’avoir reçu un traitement. Le protocole de traitement même était divisé en deux parties, selon si le patient avait une affection ou non. Les patients sans affection étaient envoyés vers un bloc de traitement généraliste.

Avec l’aide de la modélisation pharmaceutique par simulation, l’équipe de développement a testé et analysé trois options de traitement, différentes selon plusieurs aspects:

• Le traitement médical standard
• Le traitement du client
• Le traitement du concurrent

Statistiques de modèle pharmaceutique par simulation
(cliquer pour agrandir)

Dans le modèle, le soin standard affichait un faible coût, une durée de traitement modérée, mais pouvait entraîner une hospitalisation ou nécessiter un temps d’observation supplémentaire. Le traitement du client affichait un coût élevé, une durée de traitement courte, et entraînait toujours la sortie. Enfin, le traitement du concurrent affichait un coût modéré, une durée de traitement importante et l’hypothèse retenue était qu’il menait également à la sortie du patient.

Afin de recueillir les données nécessaires pour répondre aux questions que se posait l’entreprise, l’équipe a procédé à une simulation de traitement des patients sur un an. Elle a modélisé le traitement standard à chaque fois, soit avec le traitement du client, soit avec celui du concurrent. Elle a envoyé un nombre exact de patients dans les flux.

Pour évaluer les options de traitement, les indicateurs suivants ont été utilisés:

• Nombre total de patients traités
• Durée totale du séjour
• Durée d’attente totale
• Taux de départ sans observation
• Taux d’hospitalisation
• Utilisation des ressources

Résultats

Lors de l’analyse du modèle par simulation pharmaceutique, l’équipe a observé que le nombre total de patients traités ne changeait pas, peu importe le traitement utilisé. Cela semblait étrange, car la durée du séjour des patients atteints d'une affection chutait de manière spectaculaire, même si le nombre réel de patients passant dans le modèle ne changeait pas. Cela a mené à la création de l’indicateur de débit (débit par rapport à la durée totale du séjour), qui normalisait le nombre de patients sortant du modèle.

Les développeurs du modèle ont découvert que l’application du traitement du client aux patients avec un statut positif d’affection offrait plusieurs avantages:

• Réduction de la durée du séjour aux urgences de tous les patients d’environ 10%
• Amélioration des taux d’hospitalisation
• Utilisation réduite des lits

Ce traitement présentait un inconvénient - il était bien plus élevé en matière de coût que le traitement standard. Bien que le traitement du client fût bien plus cher que les deux autres options, il a énormément amélioré les indicateurs opérationnels des services d’urgences pour les patients dont le statut d’affection était positif et il a également amélioré les indicateurs opérationnels pour tous les patients se présentant aux urgences, par rapport au traitement standard.

Concernant le traitement du concurrent, son coût était plus faible, mais il n’offrait pas les mêmes avantages que le traitement du client. De même, les personnes dans le modèle utilisant ce traitement avaenit tendance à partir sans avoir été observées.

À l’aide de la modélisation par simulation et d’AnyLogic, Sterling Simulation a développé un outil d’assistance à la prise de décision pharmaceutique pour ses équipes commerciales. Les services d’urgences, de leur côté, ont pu décider quels indicateurs pris en compte dans le modèle étaient importants pour eux et décider d’adopter le traitement du client. Par exemple, si un service d’urgences souffre d’une surfréquentation, le traitement du concurrent n’est pas le choix le plus adapté d’après le modèle. Ainsi, l’équipe commerciale, tout en faisant la promotion des produits pharmaceutiques et en soutenant les stratégies de marketing pharmaceutiques, pouvait présenter le modèle aux clients potentiels, en montrant comment leur traitement allait améliorer la performance opérationnelle du service d’urgences.

Présentation du projet par Scott Hebert, vice-président de Sterling Simulation: