Le biais de non-participation dans la recherche en services de santé utilisant des données issues d’un projet de prescription électronique intégré : le rôle du consentement éclairé.
Les méthodes actuelles de prescription peuvent entraîner des erreurs sources de sérieux problèmes de santé. Un système de prescription électronique appelé MOXXI a été récemment développé et est actuellement testé. La majorité des études ont rapporté une sécurité des patients accrue. Cependant, de tels bénéfices pourraient être trompeurs. Lorsque les patients qui participent à l’étude ont différentes caractéristiques (âge, sexe, revenus, etc.) que ceux qui refusent d’y participer, un biais pourrait survenir ; les résultats de l’étude pourraient alors être trompeurs.
En quoi ce biais affecte-t-il les résultats de l’étude ? Considérez un exemple : un médecin voit deux patients. Le premier est un homme très malade de 75 ans. Le deuxième est une femme de 35 ans, en santé, mais qui a une infection bactérienne. Le premier patient participe à l’étude, mais pas l’autre. Quand le système est utilisé, on pourrait croire qu’il ne parvient pas à améliorer la sécurité des patients en raison du mauvais état de santé du premier patient. Mais ce n’est pas nécessairement le cas. Notre objectif dans cette étude était de voir si ce biais existait pour les projets de prescription électronique et si oui pourquoi.
Les caractéristiques des patients qui ont participé à l’étude et de ceux qui ont refusé n’étaient pas très différentes. Les patients plus âgés ayant des problèmes de santé, des revenus plus élevés et plus de visites chez le médecin participaient d’avantage. Nous avons également constaté que les médecins jouent un rôle dans l’incitation du patient à participer. Les médecins ayant moins de connaissances sur les technologies et qui voient plus de patients avaient moins de patients participant à l’étude. Les médecins qui ont tendance à voir des patients qui ne sont pas leurs patients « réguliers » avaient aussi moins tendance à obtenir leur participation. Tous ces facteurs peuvent mener à des biais dans les résultats faisant paraître le système pire ou meilleur qu’il ne l’est en réalité.
