Data-driven zorgverbetering

Dokters en andere zorgverleners willen zorg leveren die zo goed mogelijk aansluit bij de behoeften van de patiënt. Maar hoe stellen we vast wat de beste zorg is voor de patiënt? Om dit te kunnen bepalen is het van belang om standaard de zorg in kaart te brengen: de patiënt, de gezondheidsklachten en de uitkomsten van de zorg. Deze combinatie van data geeft inzicht in de kwaliteit van zorg. Maar om dit in kaart brengen is makkelijker gezegd dan gedaan.

Elke patiënt is immers anders. Genetische verschillen, verschillen in levensstijl, mogelijkheden, verwachtingen en milieu maken ons allemaal uniek. Het zijn deze verschillen die bepalen of we een bepaalde aandoening krijgen, hoe we reageren op de therapie en hoe we het zorgproces ervaren. Het is dus cruciaal om inzicht te krijgen in deze factoren. Een belangrijke stap is het gestructureerd registreren van de gezondheidsklachten van de patiënt gedurende de gehele behandeling in combinatie met het ervaren ziektebeloop.

Dit is een uitdaging. Het invullen van lange vragenlijst is voor niemand leuk. Zorgverleners besteden al zo’n 40 procent van hun tijd aan administratieve lasten. En bovendien is het interpreteren en analyseren van deze enorme hoeveelheid gegevens een vak apart. Berusten gevonden verbanden op toeval of is er een oorzakelijk verband? Het analyseren van de data en de terugkoppeling van de bevindingen naar zorgnemer en zorgverlener vereist gespecialiseerde kennis en ervaring.

Bij ConsultAssistent brengen we daarom de verzameling van data, bewerking, analyse en terugkoppeling bij elkaar samen zodat we de zorg op inhoud kunnen helpen. Met behulp van adaptieve auto-anamnese, follow-up en PROM vragenlijsten verzamelt ConsultAssistent de juiste gegevens van de patiënt. Door deze vragenlijsten zijn patiënten beter voorbereid, komen artsen komen sneller tot de kern en worden zorgprofessionals ontlast bij veel administratieve taken.

Na anonimisering of, als dat voor het onderzoek niet mogelijk is, pseudonimisering worden alle gegevens van de patiënten die hiervoor expliciet toestemming hebben gegeven in context geplaatst en geanalyseerd voor beter inzicht in uitkomsten. En dus voor meer datadriven aanknopingspunten voor een effectieve en doelmatige zorg. Voor deze analyse zetten we descriptieve statistieken en dashboards in en gebruiken we geavanceerde technieken zoals Machine Learning en Neurale Netwerken.

De descriptieve analysen en dashboards gebruiken we om verbanden te vinden. Deze verbanden worden samen met medisch specialisten besproken. Waardevolle nieuwe descriptieve analyse en dashboards komen voor iedereen beschikbaar, zodat het wiel niet telkens opnieuw uitgevonden hoeft te worden. De verbanden bevatten aanknopingspunten om zorgstandaarden te verbeteren en te personaliseren en zorgprocessen te verbeteren.

Machine Learning en Neurale Netwerken zetten we in om voorspelmodellen te ontwikkelen. Met deze technieken kunnen we met de grote hoeveelheid gegevens voorspellen welke therapie het best aansluit per individuele patiënt. Met behulp van de data uit de auto-anamnese van een patiënt met daarin gegevens over de levensstijl, de mogelijkheden, de verwachtingen, de omstandigheden en de gezondheidsklachten wordt de meest kansrijke therapie bepaald gebaseerd op de therapie die de beste zorguitkomsten leverde bij patiënten met gelijke kenmerken.

We zijn op dit moment druk bezig om dit soort voorspelmodellen te ontwikkelen. Proof of Concepts zijn al gereed. Zodra deze zijn getest en gevalideerd gaan de modellen ingezet worden als beslisondersteuning voor de arts. Waarbij de arts degene is die aan het roer staat en samen met de patiënt de juiste keuzes maakt. De techniek ondersteunt arts en patiënt door in milliseconden miljoenen verbanden te analyseren en op basis hiervan suggesties te doen, iets waar ons mensenbrein eenvoudig weg niet toe is staan.