Introduction : Les prescriptions médicamenteuses inappropriées (PMI) sont des problèmes majeurs de santé publique en Suisse au point d’en devenir une exigence législative. Les effets indésirables qui en découlent sont source d’augmentation de morbi-mortalité et de surconsommation de médicaments. L’objectif de ce travail personnel de recherche est de mettre à contribution ces techniques afin de proposer un outil de détection automatique de certaines prescriptions médicamenteuses inappropriées. Matériel : Le corpus est constitué de notes d’admissions et de lettres de sortie (données semistructurées) issues de l’étude SwissMade (2015). Les médicaments prescrits durant le séjour du patient proviennent de PresCo (données HUG structurées). Le langage de programmation Python est utilisé pour rédiger tout le code nécessaire dans ce projet. Les ressources externes proviennent de la base de données de médicaments DPI-DATA et de l’hospINDEX. Un « Gold Standard » de prescriptions corrigées et labellisées a été créé en tant que ressource supplémentaire afin d’évaluer la détection des prescriptions. Méthode : Les noms des médicaments ainsi que leurs indications sont extraits de l’hospINDEX. Les lignes de prescriptions sont isolées lors du prétraitement sur les notes d’admission et les lettres de sorties. Le traitement consiste à appliquer des algorithmes de distance de Levenshtein associés à des expressions régulières pour mettre en relation les lignes prescriptions avec leurs indications respectives. Les indications sont par la suite recherchées dans les notes d’admission et les lettres de sortie. Si pour un médicament donné, les indications ne sont pas retrouvées (avec une certaine tolérance au niveau de la reconnaissance de mots), il y a alors une suspicion de surprescription. Une interface graphique conçue à cet effet affiche les résultats afin d’inscrire l’analyse dans une logique de continuité des soins. Résultats : La recherche de PMI utilisant ce procédé se révèle efficace pour justifier de nombreux traitements médicamenteux mais reste exposée à des nombreuses erreurs issues du prétraitement. L’analyse reste tributaire de l’efficacité des algorithmes de recherche. Discussion : L’ajout de synonymes d’indications lors de la recherche pourrait contribuer à augmenter la sensibilité de l’outil. L’amélioration des dictionnaires et de l’algorithme de recherche est indispensable pour optimiser l’efficacité de l’outil. Conclusion : L’outil développé présente un potentiel certain mais reste limité aux problèmes de surprescription qui ne constituent qu’une fraction des PMI rencontrées à l’hôpital. Une approche basée sur du Machine Learning pourrait englober tous les types de PMI mais nécessiterait une base de données de prescriptions labellisées conséquente.