Le défi
par Antonio Rodriguez (N.I.H.)
Présenté lors de la Conférence d'hiver sur la simulation 2018
Même les esprits scientifiques les plus brillants ne peuvent garantir des résultats constants au sein de systèmes sous-optimaux. Les entreprises complexes sont difficiles à appréhender et à gérer. Les relations de cause à effet sont souvent disjointes dans le temps et l'espace, ce qui complique les améliorations concrètes. Pour comprendre le fonctionnement des systèmes complexes, il est essentiel d'utiliser des outils permettant de cartographier et de quantifier avec précision les dynamiques qui déterminent les résultats. La modélisation et la simulation informatique (CMAS) constituent un outil précieux de conception, de planification, de gestion et d'aide à la décision analytique pour obtenir des résultats efficaces et efficients. La CMAS pourrait devenir un outil omniprésent dans l'environnement complexe et étendu de la recherche clinique. Sans la compréhension approfondie acquise grâce à la CMAS, les organisations risquent de rester confrontées à des problèmes tels que des goulots d'étranglement inutiles, des coûts élevés, une faible productivité et l'incapacité à fidéliser le personnel clé. L'approche présentée ici peut compléter, voire remplacer, les méthodes traditionnelles lorsque les organisations cherchent à développer leurs capacités opérationnelles.
Introduction
Le développement continu des logiciels de modélisation et de simulation informatique (CMAS) a permis d'acquérir de nouvelles capacités de compréhension des interactions entre de multiples facteurs tout au long des processus de production. L'utilisation de modèles informatiques donne accès à des connaissances inédites, inaccessibles dans le monde physique ; des connaissances qui permettent d'apporter les améliorations nécessaires à la mise en place et au maintien de systèmes performants, où les acteurs peuvent atteindre leurs objectifs avec fierté.
Le domaine de la recherche clinique (RC) est complexe et pourrait tirer profit de l'application des systèmes d'aide à la décision clinique (SADC) pour favoriser une meilleure compréhension et une amélioration continue de ses diverses activités. Les outils SADC actuels sont plus performants et intuitifs que jamais, et proposent des animations précises pour une communication optimale avec toutes les parties prenantes. Les simulations gagnent en réalisme lorsqu'elles intègrent la qualité, la planification, l'utilisation des ressources, les événements imprévus et les contraintes au sein du modèle. Ces points seront abordés dans la section Discussion et intégrés à l'approche proposée pour l'utilisation des SADC dans le domaine de la RC.
Discussion
Dans un contexte budgétaire restreint ou hautement concurrentiel, les efforts visant à atteindre des résultats critiques pour l'entreprise pourraient être guidés par des méthodes et des outils prenant en compte la variabilité : 1) de la demande de produits, 2) des capacités et des contraintes des processus, 3) des calendriers de production et 4) des événements imprévus. L'efficacité et la performance des processus de bout en bout sont principalement obtenues lorsqu'une séquence d'actions prédéfinie est bien équilibrée entre les capacités et la demande. Pour parvenir à un équilibre durable des processus de bout en bout, l'étude et l'amélioration devront peut-être également inclure les fonctions de support essentielles.
L'insuffisance des capacités tout au long du processus d'activités et de décisions engendre des retards inutiles et des problèmes de qualité dans certains domaines, lesquels sont aggravés par une surcapacité coûteuse dans d'autres. L'effet cumulatif de ces systèmes déséquilibrés, très répandus, produit des biens et services inutilement onéreux et suscite la frustration des parties prenantes.
À l'instar du secteur privé, l'administration fédérale est fréquemment confrontée à des contraintes budgétaires et de ressources humaines. Mon expérience dans les industries pharmaceutique et électronique m'a montré que l'amélioration des opérations de production était plus importante que celle des opérations, de la recherche et du développement, et des services de soutien au sein des agences fédérales. Cela s'est traduit, par exemple : 1) par la modification de l'agencement des installations ; 2) par l'évolution des méthodes d'inspection ; 3) par l'application de méthodes statistiques pour démontrer que les modifications apportées aux matières premières, aux procédés ou aux équipements avaient permis d'atteindre les résultats escomptés ; et 4) par l'application de nouvelles technologies pour transformer en profondeur les processus établis.
Cependant, même dans les usines de fabrication, le problème du déséquilibre des processus ou des activités entraîne un surcoût par rapport au coût nécessaire pour transformer les intrants en extrants (planification de la production, achat des matières premières, ordonnancement de la production, assemblage, remplissage, contrôle, stérilisation, emballage, distribution). Il faut recruter, former et fournir au personnel un environnement de travail adéquat ; acheter, étalonner, entretenir et remplacer les équipements ; planifier la production ; tester les nouveaux produits ; sécuriser, stériliser, exploiter, entretenir, rénover et, dans certains cas, agrandir les installations ; emballer, distribuer ou mettre au rebut et éliminer les produits ; acheter, voire produire, l’électricité, le carburant et l’eau ; et respecter et documenter les exigences réglementaires. Ces activités sont réalisées régulièrement et décrivent les actions nécessaires à la production.
Connaître les ressources nécessaires à la production d'un produit est indispensable, mais insuffisant pour garantir des processus de bout en bout efficaces et performants. De multiples goulots d'étranglement surviendront si l'équilibre entre capacité et demande n'est pas géré avec soin dans la plupart des activités. Il ne s'agit pas d'un rapport parfait entre capacité et demande, mais d'une capacité suffisante pour répondre à la demande sans créer de goulots d'étranglement supérieurs à ce que les clients ou les participants sont prêts à tolérer ; cet équilibre est en constante évolution.
L'efficacité et la performance constantes dépendent de multiples facteurs, tels que l'équilibre entre l'offre et la demande dans la séquence des activités et des décisions.
Programme de production
CMAS est un excellent outil pour modéliser rapidement différents scénarios d'ordonnancement et informer les décideurs sur les chances de succès (Pegden 2017). Différents ordonnancements pour un même produit nécessiteront des ressources à différents moments. Expérimenter avec la disponibilité de ressources limitées dans un modèle informatique et observer l'impact sur divers scénarios d'ordonnancement aide les décideurs à sélectionner des scénarios plus prévisibles. La complexité augmente rapidement avec la quantité et la diversité des produits. Les ordonnancements complexes sont sujets à modification. Il est essentiel d'anticiper l'impact de ces modifications sur la disponibilité des ressources et la livraison des matières premières afin de minimiser les perturbations d'ordonnancement et d'exécuter efficacement les plans de production. Les modifications d'ordonnancement peuvent impacter l'équilibre nécessaire à l'efficacité en modifiant la capacité disponible ou en réduisant la demande interne prévue tout au long du processus. Les ordonnancements peuvent être surveillés périodiquement afin de déterminer si les modifications auront un impact sur les ressources nécessaires pour réduire les goulots d'étranglement, voire, mieux encore, parvenir à des processus sans goulots d'étranglement.
Qualité
Nombreux sont ceux qui ont tenté de définir la qualité. C'est une tâche complexe. Juran a évoqué la notion d'« adéquation à l'usage » (Juran, 1989, p. 15) comme une définition largement acceptée. Il a également précisé que l'adéquation à l'usage « n'offre pas aux gestionnaires la profondeur d'analyse nécessaire pour choisir leurs actions » (Juran, 1989, p. 15). W. Edwards Deming a déclaré que « la qualité ne peut être définie qu'en fonction de l'acteur » (Deming, 1986, p. 168). Différents acteurs peuvent percevoir ou définir la qualité différemment. Par conséquent, toute tentative sérieuse d'assurer la qualité requiert des termes opérationnels définis et acceptés par tous les acteurs ou parties prenantes concernés (Ackoff, 1994).
Shewhart a examiné la notion de qualité sous différents angles (Shewhart, 1931). Il a notamment abordé la conception courante de la qualité : la qualité du produit, la qualité du processus et la qualité en tant que relation. Le sujet est complexe, mais Deming a résumé les différents concepts abordés par Shewhart en ces termes : « La difficulté de définir la qualité réside dans la traduction des besoins futurs de l’utilisateur en caractéristiques mesurables, afin qu’un produit puisse être conçu et fabriqué de manière à procurer satisfaction à un prix acceptable pour l’utilisateur » (Deming, 1986, p. 169).
La qualité des processus influe sur la capacité de production. Les retouches (modifications apportées à un travail déjà réalisé) et les rebuts (mise au rebut d'un travail effectué et nécessité de recommencer) diminuent la capacité de production disponible et engendrent des coûts supplémentaires pour le produit final. Si un produit fini apporte au consommateur une valeur ajoutée ou une satisfaction justifiée par son prix, il est considéré comme efficient et efficace. Toutefois, la performance et le coût des produits concurrents ou des fournisseurs proposant le même produit peuvent influencer la décision finale du client ou du commanditaire. Les niveaux de retouches et de rebuts, ainsi que leur impact sur la capacité et la demande tout au long des processus, peuvent être facilement évalués grâce à la méthode CMAS.
Sans une qualité constante en amont, les ressources de l'entreprise seront consommées sans pour autant répondre à la demande attendue dans le domaine de processus concerné. De plus, les retouches et les rebuts à une étape du processus gaspilleront une partie de la capacité disponible et entraîneront une production insuffisante en aval. Cette inefficacité augmente inutilement le coût du travail déjà effectué. Par conséquent, chaque étape du processus doit être performante et constante pour garantir l'efficacité et la rentabilité.
Recherche clinique
Le processus permettant de « faire des découvertes importantes qui améliorent la santé et sauvent des vies » (NIH Qui sommes-nous 2017) est long et complexe. Le directeur des Instituts nationaux de la santé (NIH), Francis Collins, l’a décrit comme suit :
La transposition des découvertes biologiques fondamentales en applications cliniques améliorant la santé humaine est un processus complexe qui comprend une série d'étapes complexes : la découverte d'informations fondamentales sur la pathogenèse d'une maladie ; l'évaluation du potentiel de ces informations à conduire à une avancée clinique ; le développement de candidats pour le diagnostic, les dispositifs ou les traitements ; l'optimisation des candidats dans des contextes précliniques ; l'évaluation réglementaire des données pour déterminer le potentiel d'utilisation chez l'homme ; les essais cliniques chez l'homme ; la demande d'autorisation pour une utilisation clinique à grande échelle ; et, enfin, l'évaluation des diagnostics, dispositifs et traitements approuvés lors de leur utilisation généralisée en situation réelle (Collins 2011, p. 1).
Étant donné la complexité du processus de transfert des connaissances, il peut être utile de commencer par se concentrer sur un aspect crucial, et parfois limitant, de cette démarche : la recherche clinique. Les informations recueillies en suivant l'approche décrite dans ce document pourraient s'avérer précieuses pour orienter les efforts en amont et en aval. « Grâce à la recherche clinique, les cliniciens-chercheurs transforment les découvertes de laboratoire en traitements, thérapies et interventions plus efficaces afin d'améliorer la santé de la population » (NIH Clinical Center, 2018). L'initiative de recherche clinique devrait permettre d'atteindre les objectifs de sécurité des patients et de recherche avec moins d'obstacles et une plus grande agilité.
Appliquée à la recherche collaborative, la notion de qualité se définit-elle ? Qu’est-ce qu’un protocole de recherche de qualité (produit final) ? Qu’est-ce qu’un processus de recherche de qualité (l’ensemble des étapes et décisions qui contribuent au produit final) ? La notion de qualité évolue-t-elle au cours du processus ? Dans quelle mesure la qualité peut-elle être atteinte sans définitions opérationnelles ? (Lewis, 1929). Sans définition opérationnelle des résultats des différentes étapes d’un processus, les différents acteurs ne disposeront pas de connaissances partagées ni de définitions exploitables pour atteindre des résultats optimaux pour l’entreprise (Deming, 1986).
Les NIH sont censés faire des « découvertes importantes qui améliorent la santé et sauvent des vies » (NIH Qui sommes-nous 2018). Une partie de la mission des NIH est remplie par le biais de la recherche clinique. « Les cliniciens-chercheurs traduisent les découvertes de laboratoire en meilleurs traitements, thérapies et interventions pour améliorer la santé de la nation » (Centre clinique des NIH 2018).
Quels sont les résultats attendus de l'initiative CR ? Combien de protocoles finalisés sont prévus et à quel moment ? Combien de protocoles seront en production ou actifs chaque année ? Quelles sont les ressources nécessaires pour chacun ? Un système de soutien complet doit-il être fourni à chaque chercheur principal, à un groupe de chercheurs principaux, ou centralisé pour tous ? Si un soutien partiel est prévu, que doit-il inclure et en quelle quantité ? Pendant combien de temps un projet de recherche doit-il être financé et comment doit-il être soutenu pour garantir une chance raisonnable de succès ? Quel devrait être le taux de réalisation des protocoles approuvés jusqu'à la phase de traitement ? Quel est l'impact de l'annulation d'un protocole approuvé, en raison de contraintes imprévues, sur la fidélisation des chercheurs et du personnel de soutien ?
Comme dans le secteur manufacturier, le système de soutien à la recherche clinique est complexe. Il comprend du personnel issu d'une multitude de professions qu'il faut recruter et fidéliser : médecins, dentistes, chercheurs titulaires d'un doctorat, infirmiers de recherche, infirmiers praticiens, coordinateurs d'études, spécialistes en bioéthique, coordinateurs de protocoles, internes, spécialistes en assurance qualité et amélioration continue, représentants d'organismes de recherche sous contrat, pharmaciens, diététiciens, technologues médicaux, technologues en imagerie médicale, thérapeutes, personnel des affaires réglementaires, représentants des patients, personnel des archives médicales et des fournitures médicales, personnel du recrutement et des services aux patients, responsables de la radioprotection, personnel des ressources humaines et autres professionnels de l'administration et des acquisitions. Déterminer le niveau de soutien nécessaire, à quel moment et où, est plus efficace avec le CMAS qu'avec d'autres pratiques, comme l'ajustement annuel des ressources en fonction des résultats de l'année précédente. Le CMAS est également une méthode plus fiable que les décisions d'allocation des ressources fondées sur des études comparatives, des normes sectorielles ou l'historique de l'organisation.
Les professionnels dépendent, par exemple, d'équipements de laboratoire et hospitaliers, de bibliothèques, de technologies de l'information, de sites web, de médicaments, de services de transport, d'interprètes, de pharmacies, de commodités, de services de visa pour les patients et accompagnateurs internationaux, de documents de référence pour les évaluateurs, de systèmes de climatisation, de zones de traitement aseptique, de vêtements de protection, d'agents microbiologiques et de matières radioactives. Par conséquent, les planificateurs et les gestionnaires du secteur de la recherche clinique doivent se pencher sur bon nombre des questions susmentionnées afin de garantir un approvisionnement adéquat et continu.
De quelles ressources s'agit-il et en quelle quantité à chaque étape du processus afin de minimiser les goulots d'étranglement indésirables ? Identifier, prioriser et investir dans certaines de ces ressources apparemment rares, sans examiner l'impact sur l'ensemble du processus, risque de ne faire que déplacer les goulots d'étranglement. Cela peut apporter un soulagement temporaire à une partie du processus, tout en rendant l'ensemble moins efficace, voire pire, moins performant.
De plus, le système CR repose sur des scientifiques de renom, extérieurs aux NIH, qui évaluent la qualité de la recherche et conseillent les directeurs scientifiques, les directeurs d'instituts et de centres, le directeur adjoint des NIH pour la recherche intramurale et le directeur des NIH. Leur contribution intervient avant et pendant le traitement des patients participant aux protocoles. L'identification et le recrutement de ces scientifiques sont également nécessaires ; leur participation exige une coordination importante. Ce recrutement et cette coordination constituent un autre volet du processus global, qui doit être orchestré afin d'éviter tout blocage dans l'examen et l'approbation des protocoles.
L'optimisation indépendante de chaque fonction permet rarement, voire jamais, d'obtenir une optimisation globale (Deming, 2000). Elle engendre généralement de nombreux goulots d'étranglement et des frustrations tout au long du processus. Comprendre et gérer l'ensemble du processus de conception centrée sur l'utilisateur comme un système de composants interdépendants est essentiel pour maximiser l'efficacité et atteindre le niveau de performance souhaité. CMAS offre une excellente alternative pour visualiser et expérimenter l'ensemble du processus (Deming, 2000).
La solution
L'approche
Ce qui suit n'est pas un recueil de recettes, mais une méthodologie permettant de mieux comprendre l'entreprise CR en tant que système et de déterminer les ressources nécessaires pour atteindre une efficacité et une performance nettes et durables.
Il est essentiel de considérer la recherche clinique (RC) comme une séquence d'étapes et de décisions interdépendantes, et non comme une somme d'activités indépendantes. La représentation schématique suivante d'un processus de RC de haut niveau sert de cadre à la discussion sur l'application du modèle CMAS pour améliorer le processus global (Figure 1). Les étapes sont les suivantes : conception et élaboration du protocole, revue du protocole, approbation du protocole, recrutement des patients, conduite de l'étude et traitement, collecte des données, analyse et publication des résultats (Dagalar 2016).
Figure 1 : L'entreprise CR en tant que système
Dans un modèle réel, une granularité plus grande serait nécessaire pour saisir les différentes étapes du processus des différents types de protocoles de recherche (par exemple, essais interventionnels/cliniques, histoire naturelle, formation, dépistage et phases des essais cliniques [phase I – phase IV]) (NIH Clinical Trials and You. The Basics. 2018).
Une fois la séquence des étapes définie, il nous faut le plan de production (unités ou protocoles) qui sera mis en œuvre tout au long du processus pour une période donnée, ainsi que la capacité de production de chaque étape (Figure 2). Les données historiques de la demande pour chaque type de protocole et les différentes phases des essais cliniques sont nécessaires pour déterminer la quantité de chaque ressource (personnel, équipements spécialisés, matériels, médicaments, blocs opératoires, etc.) à chaque étape (Figure 3). En l'absence de données historiques suffisantes, des valeurs pseudo-aléatoires peuvent être générées à partir de distributions de probabilité appropriées, après estimation des paramètres par des techniques telles que la méthode de Monte Carlo (MCM) (Simio 2017). Certaines étapes du processus devront être détaillées (par exemple, le traitement) pour élaborer un modèle de simulation CR pertinent.
À titre d'exemple, supposons que l'objectif soit de traiter 900 protocoles par an. De nouveaux essais débuteront, tandis que d'autres seront déjà en cours à différentes étapes du processus. Pour que le processus global soit efficace, une capacité suffisante est nécessaire pour répondre à la demande à chaque étape. La figure 2 est une simplification du processus global et utilise des chiffres fictifs à titre d'illustration. Si ces chiffres représentaient le nombre réel de protocoles actuellement répartis dans le processus global, le CMAS pourrait être utilisé pour identifier les goulots d'étranglement prévus, compte tenu de la capacité disponible de toutes les ressources concernées.
Des plans d'action peuvent être mis en place pour réduire ou éliminer ces goulots d'étranglement sans en créer de nouveaux ailleurs dans le processus. Par ailleurs, le modèle de simulation pourrait servir à mieux adapter les capacités à un niveau de demande donné tout au long du processus, afin de réduire les goulots d'étranglement et les surcapacités à court terme. Ce processus d'adéquation des capacités et de la demande devrait notamment inclure un inventaire des tâches pour chaque catégorie de personnel à chaque étape importante, ainsi que le temps nécessaire à leur réalisation. Par exemple, quelles sont les tâches de l'investigateur associé principal lors de l'étape de revue du protocole ? Combien de temps est nécessaire pour les accomplir ? Les données pourraient être extraites des systèmes existants ou générées à l'aide du modèle de simulation multicritères (MCM) afin de tenir compte des variations aléatoires dans l'exécution des tâches.
Si des différences significatives de productivité existent entre les membres du personnel pour une tâche donnée, ces différences peuvent être intégrées au modèle de simulation. Les écarts de temps de traitement entre des équipements similaires et leur disponibilité, ainsi que les données relatives à l'accessibilité des matières premières, agents ou médicaments essentiels, doivent également y figurer. L'intégration de toutes les variables importantes et de leurs données est indispensable à une analyse robuste du processus global. Une analyse trop limitée risque d'aboutir à un modèle inexact, susceptible d'induire en erreur et de conduire à des décisions et actions erronées. Par exemple, disposer du personnel qualifié en nombre et en qualité adéquats peut s'avérer peu utile si des goulots d'étranglement sont créés par des contraintes liées aux équipements, aux médicaments ou à d'autres ressources non prises en compte dans le modèle.
L'incertitude liée au recrutement d'un nombre suffisant de patients doit également être prise en compte dans le CMAS, car la disponibilité des patients peut constituer un goulot d'étranglement important (Mahon et al., 2016). Un nombre insuffisant de participants peut être estimé en analysant les données historiques et en attribuant des rendements aux étapes pertinentes des différents types et phases de protocole, ou en utilisant le MCM pour les générer.
Déterminer les ressources nécessaires pour répondre à une demande donnée est relativement simple dans un monde aux ressources illimitées. Malheureusement, la situation est bien plus complexe aujourd'hui, car de nombreuses ressources essentielles se raréfient. Le véritable défi consiste à équilibrer plusieurs facteurs, notamment une forte demande de protocoles sur une période donnée, tout en tenant compte des contraintes telles que la disponibilité des salles d'opération, du personnel spécialisé, des équipements spécifiques et des participants à la recherche. CMAS est un outil polyvalent qui peut aider les décideurs à concilier ces aspects en simulant différents scénarios afin d'optimiser les rendements avec des ressources limitées, tout en évitant les goulots d'étranglement inutiles tout au long du processus.
Les hôpitaux de recherche clinique peuvent disposer de plusieurs sources de recherche spécialisées (voir figure 4 pour une représentation schématique) alimentant et recevant des données de la phase de traitement/collecte (c.-à-d. un hôpital de recherche). Ces sources diffèrent dans la manière dont elles décomposent les étapes de leur processus de recherche clinique avant et après la phase de traitement ; cependant, pour assurer le bon déroulement de l’ensemble du processus, chaque source spécialisée (fournisseur interne spécialisé) pourrait également appliquer l’approche décrite dans cet article.
Les fournisseurs de protocoles spécialisés devraient fournir des informations périodiques afin d'améliorer la planification et l'ordonnancement de la production (c.-à-d. des traitements) au sein de l'hôpital de réadaptation cardiaque. En cas d'urgence, des priorités peuvent devoir être établies tout au long du processus de réadaptation cardiaque en fonction, par exemple, des besoins critiques globaux, des opportunités de recherche rares ou de la disponibilité des ressources. Toutefois, la priorisation continue doit prendre en compte simultanément de multiples facteurs afin d'éviter de sous-optimiser les résultats de l'ensemble du programme de réadaptation cardiaque (Deming 2000 ; Christopher 1993).
Figure 4 : Recherche clinique avec de multiples sources spécialisées
Le CMAS permet de comptabiliser des indicateurs de performance importants et de les afficher à chaque étape du processus concernée. Par exemple, parmi les variables importantes à suivre figurent : 1) les pertes de productivité dues à des problèmes de qualité, comme les effets indésirables des médicaments ; 2) l’utilisation des ressources et le temps d’inactivité des équipements spécialisés ; 3) les résultats du processus, tels que les traitements effectués, les retards de traitement causés par des problèmes d’infrastructure ou le temps d’attente des patients lié à la disponibilité d’un nouveau médicament ; et 4) le temps de retard cumulé par protocole.
Une fois le modèle testé et validé, l'équipe de modélisation peut mener plusieurs expériences dans l'environnement CMAS (Simio 2018) afin d'évaluer, par exemple, l'impact d'une plus ou moins grande variabilité de la demande, du nombre d'événements imprévus, de la disponibilité des ressources, du calendrier et du nombre de modifications apportées aux protocoles approuvés. Cette expérimentation favorisera l'apprentissage et l'innovation dans la mise en œuvre de la recherche clinique (Porter et Teisberg 2006).
De plus, un grand nombre de réplications (Simio 2018) peuvent être effectuées rapidement afin d'accroître la fiabilité des résultats (c'est-à-dire de réduire l'intervalle de confiance des différentes variables statistiques). Au final, le CMAS s'avérera un outil précieux pour déterminer la combinaison et la quantité optimales de ressources nécessaires à une CR efficace et efficiente de bout en bout.
L'approche présentée ici est exhaustive, complexe et relativement chronophage. Elle doit toutefois être mise en œuvre en plusieurs phases, en ajoutant progressivement un ou plusieurs niveaux de complexité (Pegden 2017). Les connaissances et les technologies nécessaires à la réduction des coûts et à l'accélération de la productivité sont aujourd'hui disponibles, non seulement dans le domaine de la réadaptation cardiaque, mais aussi dans tous les aspects de la recherche et du transfert de technologies, ainsi que dans la prise en charge des patients.
L'impact sur l'entreprise
Conclusion
Les efforts d'amélioration traditionnels se concentrent généralement sur les composantes des systèmes, sans évaluer leur impact sur le système dans son ensemble. Malheureusement, au mieux, les résultats sont souvent éphémères ou négligeables, et au pire, ils détériorent considérablement la situation financière. Le secteur de la recherche clinique n'échappe pas aux limites des interventions ponctuelles et isolées. Le CMAS est un outil d'analyse prédictive polyvalent, utilisé depuis de nombreuses années dans plusieurs secteurs. Il permet une compréhension globale des relations de cause à effet au sein du système. L'adoption du CMAS dans le secteur de la recherche clinique peut améliorer la prise de décision et les résultats globaux. Les implications sont considérables et comprennent notamment la réduction de la frustration des parties prenantes et l'amélioration de la fidélisation du personnel clé, la réduction des coûts globaux, l'attraction de nouveaux scientifiques et, surtout, une traduction plus rapide des découvertes en « traitements, thérapies et interventions plus efficaces pour améliorer la santé de la population » (NIH Clinical Center 2018).
Biographie de l'auteur
Antonio R. Rodriguez est directeur du Bureau de la gestion de la qualité. Diplômé de l'École d'ingénieurs de l'Université de Porto Rico en 1984, il a obtenu en décembre 2003 le certificat de directeur des systèmes d'information du Département de la Défense, délivré par l'Université de la Défense nationale à Washington, D.C. Il a également suivi le programme « Leadership pour une société démocratique » de l'Institut fédéral de la fonction publique (Federal Executive Institute) en septembre 2011. Depuis les années 1980, il a piloté de nombreuses initiatives d'amélioration organisationnelle dans les secteurs public et privé. Il a travaillé pour Intel, Baxter International, le Centre de recherche et de développement du personnel de la Marine, le Bureau de la qualité, de la qualité et de la performance (TQL) et le Bureau de la performance commerciale du sous-secrétaire à la Marine, le Bureau du directeur des systèmes d'information du Département de la Marine, l'École californienne de psychologie professionnelle (CSPP) et les Instituts nationaux de la santé (NIH). Il a aidé ces organisations à réaliser des progrès significatifs grâce à l'application de méthodes modernes d'amélioration du management et du leadership, telles que le système de production Toyota, le tableau de bord prospectif, l'amélioration continue, la modélisation et la simulation informatique, l'analyse des séries chronologiques de la demande de produits et la prise de décision collective par choix d'experts. En tant que professeur associé au CSPP, il a enseigné l'analyse des processus et des organisations (niveau II) aux doctorants. Il a reçu de nombreuses distinctions pour son rôle déterminant dans la transformation des méthodes de planification et d'amélioration des performances des organismes fédéraux. Son adresse courriel est rodrigan@ors.od.nih.gov.
Références
Ackoff, RL 1994. L'entreprise démocratique : une prescription radicale pour recréer l'Amérique des entreprises et redécouvrir le succès. New York : Oxford University Press.
Christopher, WF et CG Thor. 1993. Manuel de mesure et d'amélioration de la productivité. Cambridge, Massachusetts : Productivity Press.
Collins, FS 2011. « Repenser la recherche translationnelle : le moment est venu ». Science Translational Medicine 3(90cm17) : 1-6
Dagalar, S. 2016. « CTMS : ce que vous devez savoir ». Applied Clinical Trials. http://www.appliedclinicaltrialsonline.com/clinical-trial-management-systems-what-you-shouldknow
Deming, WE 1986. Sortir de la crise. Cambridge, Massachusetts : Massachusetts Institute of Technology, Center for Advanced Engineering Study.
Deming, WE 2000. La nouvelle économie : pour l'industrie, le gouvernement et l'éducation. 2e éd. Cambridge, Massachusetts : Massachusetts Institute of Technology Press.
Juran, JM. 1989. Juran on Leadership for Quality: An Executive Handbook. New York: Free Press.
Mahon, E., J. Roberts, P. Furlong, G. Uhlenbrauck et J. Bull. 2016. « Obstacles au recrutement dans les essais cliniques et solutions possibles ». Applied Clinical Trials 25 : 20-25.
Lewis, CI 1929. L'esprit et l'ordre du monde ; esquisse d'une théorie de la connaissance. New York : C. Scribner's Sons.
NIH Qui sommes-nous ? https://www.nih.gov/about-nih/who-we-are , consulté le 22.3.2018.
Pegden, CD 2017. Tenez vos promesses : comment la planification basée sur la simulation va transformer votre entreprise. Sewickley, Pennsylvanie : Simio LLC.
Porter, ME et EO Teisberg. 2006. Redéfinir les soins de santé : créer une concurrence axée sur les résultats et la valeur. Boston, Massachusetts : Harvard Business School Press.
Shewhart, WA. 1931. Contrôle économique de la qualité des produits manufacturés. New York : D. Van Nostrand Company, Inc.
Simio Forward Thinking. https://simio.wpenginepowered.com/index.php , consulté le 22.3.2018.