Zo voorspel je onverwachte heropnames met data science en BI

Ruimte maken voor kwaliteit

Laten we eens inzoomen op bovenstaande cijfers: stel dat een autogarage elke dag 6 auto’s zou terugkrijgen na reparatie. Wat denk je dat die garage dan zou doen? In een ziekenhuis ligt het weliswaar iets genuanceerder. Dat is een veel complexere organisatie. Er is niet altijd adequate informatie beschikbaar over heropnames, er is dagelijkse hectiek en wellicht zijn er andere prioriteiten waarop gestuurd wordt. Bovendien kan er twijfel zijn over de methode die gehanteerd wordt en/of worden de cijfers als onbetrouwbaar ervaren. Desalniettemin zijn heropnames wel degelijk van belang voor ziekenhuizen. Er is immers een IGZ kwaliteitsindicator voor. Daarnaast zijn er genoeg ziekenhuizen die druk op zoek zijn om het aantal heropnames te verminderen. Dit komt onder meer vanwege de focus op Value Based Healthcare (VBHC) waarbij je kijkt naar de kwaliteit van zorg voor de patiënt in verhouding tot de kosten. En aan beiden kanten kan gesleuteld worden bij onverwachte heropnames. Maar eerlijk is eerlijk, wat ga je doen als je geen goed inzicht hebt?

Om antwoorden te krijgen, ga ik te rade bij mijn Business Intelligence en data science collega’s Rien Dijkstra, data scientist, wetenschapper en BI specialist en Ethan den Boer en Djoeke Doesburg, beiden BI & data science consultants met inhoudelijke zorgdomeinkennis.

Voldoe je wel?

Ik zie het glas graag half vol en ja, ilionx kan als datamanagementspecialist op een groot aantal punten helpen. Dus laten we gauw verder inzoomen: Hoe komt het dat er zo veel onverwachte heropnames zijn? Volgens Skipr blijkt dat bijna een kwart van alle heropnames het gevolg is van zorg die ‘niet maximaal voldoet’ en van slechte ontslagvoorbereiding. Een deel van de heropnames is dus mogelijk te voorkomen. In onderzoek naar heropnames door het OLVG werd geconcludeerd dat bijna een vijfde van de onderzochte heropnames aan medicatie gerelateerd was. Kortom: interessante materie voor verder onderzoek!

Het voorspelmodel en data science

Met data science kun je voorspelmodellen maken op basis van data. Het is hierbij van belang dat je werkt met kwalitatief goede data: dit is immers het fundament voor je model. Met een voorspelmodel op basis van accurate data heb je bijvoorbeeld snel inzichtelijk welk risico een patiënt heeft op een heropname. Daarnaast wil je weten welke factoren hieraan bijdragen. Je kunt dan op die factoren sturen en daarmee een heropname voorkomen. Dit draait het normale proces van een ziekenhuis op zijn kop: waar men nu voornamelijk bezig is met verantwoorden en het achteraf aanpassen van zorgpaden en -processen, wordt er met data science proactief gewerkt. Waar in de huidige situatie standaardmaatregelen worden gebruikt voor alle patiënten (denk aan medicatieoverdracht of een brief van de huisarts) is data science gericht op specifieke factoren of kenmerken van patiënten met een hoog risico op heropname. Oftewel, met een voorspelmodel waarmee je van tevoren op bepaalde onderdelen kunt ingrijpen, krijg je meer gepersonaliseerde zorg, ook wel personalized medicine genoemd.

Risico’s

Daar moeten we eerlijk over zijn: die zijn er. En dat is niet zo zeer ‘erg’ wanneer een patiënt onterecht aangemerkt wordt als ‘grote kans op heropname’. Vervelender wordt het als de patiënt onterecht aangemerkt wordt als ‘geen grote kans op heropname’, maar hij wel degelijk binnen 30 dagen terugkomt. Dat is echter de praktijk van vandaag de dag. In mijn ogen kan het dus alleen maar beter worden.

Casus

Laten we het eens wat levendiger maken met een voorbeeldcasus. Een patiënt met diabetes (suikerziekte) is opgenomen voor een geplande heupoperatie. Tijdens de opname blijkt dat haar diabetes niet goed gereguleerd is. Hierdoor is besloten om haar medicatie aan te passen. Na de operatie wordt gekeken naar haar ontslagdatum en naar de kans op heropname volgens het voorspelmodel. Wat blijkt? De patiënt heeft een hogere kans op heropname. Factoren die bijdragen aan het hoge risico zijn bijvoorbeeld dat ze diabetes heeft, haar medicatie aangepast is, ze ouder dan 65 jaar is, het feit dat ze relatief lang opgenomen is geweest en naar huis zal gaan zonder thuiszorg. Hierop kunnen diverse acties volgen om heropname te voorkomen. Let wel: de arts neemt altijd de eindbeslissing. Een voorspelmodel kan daarbij het hulpmiddel voor de arts zijn.

Het voorspelmodel in de praktijk

Aan de hand van een voorspelmodel kun je patiënten gaan prioriteren. Je maakt een overzicht met daarin alle patiënten gesorteerd op de kans op heropname. De artsen zien dan in één oogopslag welke patiënten de meeste aandacht behoeven wat betreft hun kans op heropname en ook de redenen waarom. Zo kunnen ze gericht actie ondernemen.

Andere mogelijkheden op zorggebied

Een data science voorspelproject kan binnen een maand de eerste resultaten laten zien. Met de inzichten die je opdoet kun je je processen aanpassen om bijvoorbeeld heropnames te voorkomen. Ook andere zorgprocessen hebben profijt van voorspelmodellen. Denk bijvoorbeeld aan behandelefficiëntie, tekenen van sepsis, infectiepreventie, patiënttevredenheid (!) en zelfs voorkombare sterfte.