· Cédric Druck
Les types de systèmes de planification de l'approvisionnement clinique
Je n’oublierai jamais ce jour-là. Jeune diplômé, je découvrais l’approvisionnement clinique il y a dix ans quand j’ai trouvé, oubliée sur le bureau d’un client dans une salle de réunion, une feuille de papier. Elle listait des règles empiriques pour calculer le surplus de médicament d’étude (le médicament non dispensé aux patients mais nécessaire pour couvrir l’incertitude, les effets de réseau, les unités endommagées ou perdues…). Quelque chose comme :
- Surplus minimal : 10 %
- Si l’étude comporte des titrations : +20 %
- Si l’étude compte plus de 2 bras de traitement : +15 %
Mes illusions sur la rigueur mathématique des pratiques du secteur venaient de voler en éclats ! Les exemples où ces règles tournent mal ne manquent pas, mais ce n’est pas le sujet de cet article. Promettez-moi simplement de ne pas les utiliser !
En dix ans, la gestion de la chaîne d’approvisionnement clinique a beaucoup évolué, sous l’effet d’essais toujours plus complexes et d’une pression croissante sur les coûts. De nombreux éditeurs proposent aujourd’hui des logiciels dédiés. Dans cet article, je propose une classification de ces solutions et j’en souligne les différences, sous l’angle de la profondeur et de la précision des calculs.
Au dos d’une enveloppe
Tout est dans le titre. Des calculs rapides, fondés sur l’expérience et l’intuition. Chaque planificateur a sa propre approche.
Ce n’est généralement pas une façon sûre de prendre des décisions pendant la planification ou l’exécution de l’essai, mais cela peut avoir du sens très en amont, par exemple pour améliorer la conception de la chaîne d’approvisionnement ou du conditionnement… quand des données précises et complètes manquent de toute façon.
Les tableurs
Un outil puissant et souple. Les utilisateurs comprennent parfaitement les entrées et les sorties de leurs formules… jusqu’au jour où ils ne les comprennent plus. Les tableurs ont tendance à se compliquer, les modifications ponctuelles s’oublient, et peu à peu erreurs et faux calculs s’installent. Avant de vous en rendre compte, vous aurez créé votre propre Frankentableur, qui vous garantira au mieux quelques maux de tête et des heures de maintenance à chaque essai.
J’ai toutefois vu des entreprises où des modèles de tableurs d’approvisionnement clinique sont gérés et contrôlés par l’informatique, et partiellement verrouillés. Une bonne façon d’atténuer certains défauts de la méthode.
Les logiciels de prévision
Les logiciels de prévision séparent nettement la modélisation générique de la chaîne d’approvisionnement clinique, que les utilisateurs ne doivent pas modifier, du modèle et des données propres à une étude.
Plus standardisés que les tableurs, plus faciles à maintenir, et laissant la programmation à des éditeurs spécialisés, ils constituent à mes yeux le premier niveau « professionnel » de système de gestion de l’approvisionnement clinique.
Parmi ces solutions, certaines couvrent uniquement le recrutement ou la demande en kits, tandis que d’autres incluent la planification de l’approvisionnement et des expéditions, la planification amont (produit fini, principe actif) et parfois des intégrations avec d’autres systèmes clés (ERP…).
Leur faiblesse (comme celle de toutes les approches précédentes) est que seuls les besoins moyens peuvent être prévus, et que le surplus doit être défini manuellement.
Les logiciels de simulation
Quand les projections moyennes ne suffisent plus, il faut recourir à des techniques de calcul plus avancées, comme les simulations de Monte-Carlo.
Les modèles intègrent alors des distributions statistiques des variables du système (taux de recrutement, ouverture des sites, randomisation, titrations…) et cherchent à en déduire des distributions expérimentales de la demande par site et par dépôt, pour calculer ensuite les plans de libération et de distribution.
Ces solutions répondent à la question du surplus, mais elles dépendent beaucoup de la précision et de l’exhaustivité des données qu’on peut leur fournir. Et avec la complexité, ces systèmes ont tendance à se comporter comme des « boîtes noires », avec un manque de contrôle et de visibilité sur la façon dont les calculs sont faits.
Les modèles analytiques et statistiques
Une alternative à la simulation consiste à calculer analytiquement les distributions statistiques. C’est plus puissant que la simulation, mais vite limité par la complexité des formules obtenues.
Les tests de scénarios automatisés
Dès qu’un scénario peut être simulé et qu’une stratégie d’approvisionnement peut être calculée, un système peut tester automatiquement des variantes d’un plan d’approvisionnement de référence.
Si des indicateurs sont définis, comme le niveau de service et le coût total de la chaîne d’approvisionnement, les scénarios testés peuvent être comparés entre eux et une meilleure stratégie peut être retenue.
L’optimisation
La notion d’optimisation est très souvent galvaudée. Au sens strict, elle désigne la sélection du meilleur élément (selon certains critères) parmi un ensemble d’alternatives (merci Wikipédia). L’optimisation s’obtient avec des techniques mathématiques comme la programmation linéaire ou non linéaire, la programmation en nombres entiers mixtes, la programmation par contraintes, les heuristiques, etc.
Pour la chaîne d’approvisionnement d’un essai clinique, cela voudrait dire trouver les meilleurs paramètres de la chaîne (paramètres de réapprovisionnement de l’IRT, gestion des dépôts, calendrier de conditionnement et d’étiquetage…) en optimisant simultanément plusieurs objectifs concurrents, comme le coût total d’approvisionnement et le risque de doses manquées. C’est ce qu’on appelle l’optimisation multi-objectif.
À ma connaissance, aucune solution du marché ne le propose aujourd’hui. Peut-être demain ?
Alors, laquelle est la meilleure ?
Il n’y a pas de réponse simple. La vraie question est de savoir laquelle est la meilleure pour vous. Voici quelques questions clés à vous poser.
Quels sont vos objectifs ? Quelles décisions cherchez-vous à prendre ? S’agit-il plutôt de planification en amont, ou d’exécution ? Plutôt de réduire les coûts, de mieux contrôler les essais en cours, de simplifier les tâches de planification… ?
Quelle est la qualité de vos données ? Vous connaissez l’adage : à données médiocres, résultats médiocres. Si vos prévisions de recrutement sont généralement peu fiables, une solution plus simple sera peut-être plus adaptée que d’alimenter une solution avancée avec des données approximatives.
Quelle est la complexité ou le coût de vos essais ? Pour un portefeuille important, comment vos essais se répartissent-ils en complexité et en coût ? Des essais petits et simples, mais coûteux, sont parfois mieux gérés « à la main », avec un suivi détaillé et une capacité à sortir du cadre qu’aucun système générique ne peut offrir.
Plus la solution est avancée, plus elle est coûteuse et/ou chronophage : évaluer le rapport coûts/bénéfices des différentes options est donc essentiel. Tous les essais ne méritent pas le même effort, et plusieurs solutions peuvent être combinées, ou choisies selon une segmentation des essais.
Quelles sont les compétences et les profils des membres de votre équipe d’approvisionnement ? Là encore, les technologies les plus avancées demandent une compréhension plus fine des principes de la chaîne d’approvisionnement, des statistiques, etc. Il faudra peut-être choisir entre former, recruter ou externaliser la gestion de l’approvisionnement des essais les plus complexes ou les plus coûteux.
Je suis heureux d’échanger sur un cas particulier : contactez-moi sur LinkedIn ou à cedric.druck@belenox.be.
Article publié à l’origine en anglais sur LinkedIn, le 12 août 2015.