Slimmer met data: Data Science en Machine Learning

Bij veel ziekenhuizen is de behoefte ontstaan om vóóruit te kijken en voorspellingen te kunnen doen. Dit kan een belangrijke rol spelen bij capaciteitsmanagement of bijvoorbeeld bij het voorspellen of een specifieke behandeling aanslaat bij een patiënt met bepaalde eigenschappen. Data Science en Machine Learning kun je inzetten om deze voorspellingen te kunnen doen. Wij vroegen een oud-deelnemer aan de 2-daagse training ‘Data Science en Machine Learning’ naar zijn ervaring en visie.

Wat onderneem jij om slimmer met je data om te gaan?

Deze vraag stelden we aan Hardwin van den Doel, Afdelingsmanager Management Informatie bij Reinier de Graaf Groep. Hij was één van de deelnemers van de ‘Data Science en Machine Learning voor de zorg’ trainingen afgelopen november en december.

Hoe is je nieuwsgierigheid ontstaan?

Hardwin: “Op de diverse social media werd de laatste jaren uitvoerig en met veel ontzag over ‘Data Science’ geschreven. Ik heb op diverse manieren geprobeerd om me erin te verdiepen, te bepalen wat het precies inhield en wat je er mee kunt bereiken. En, uiteraard of onze organisatie hier iets mee zou kunnen (of moeten). Maar aangezien het een vrij abstract begrip is en de beschikbare stukjes redelijk aan de oppervlakte bleven (of elkaar zelfs tegenspreken), kwam ik tot de conclusie dat ik het eigenlijk maar het beste moest gaan ‘ervaren’ door het te gaan doen. Rond de tijd dat ik deze conclusie voor mijzelf had getrokken, kwam de 2-daagse Data Science training van ilionx langs”.

De magie van Data Science

Tijdens de training heeft Hardwin ervaren wat Data Science precies inhoudt, met welke tooling er gewerkt wordt en welke mogelijkheden die bieden. Dat heeft ‘de magie’ rondom Data Science er voor hem wel een beetje afgehaald. Hardwin doorziet nu veel beter hoe data science werkt. En daarmee is hij bevestigd en overtuigd van de resultaten die je ermee kunt bereiken. Denk aan voorspellingen, maar ook in het zoeken naar rariteiten in een database. Daarnaast heeft hij inzicht gekregen in hoe een dergelijk project opgestart en uitgevoerd wordt.

Maar, je moet nog steeds zelf blijven nadenken: “het vinden van een statistische relatie wil nog niet zeggen dat er ook in de echte wereld een causaal verband is”, aldus Hardwin. Ook moet je uitkijken dat er niet een bepaalde ‘vooringenomenheid’ in je model sluipt die een eigen leven gaat leiden. Want anders creëer je een ‘self-fullfilling prophecy’.

De basis voor succes

Hardwin vindt dat, als je als organisatie succesvol wilt zijn, je een bepaalde volwassenheid moet hebben als het gaat om datakwaliteit en -gebruik. Dat is tevens wat trainer Rien duidelijk benadrukt tijdens de training, naast de andere aspecten die data science tot een succes kunnen maken. En net als het Reinier de Graaf Gasthuis, zullen veel zorgorganisaties nog stappen moeten zetten om de data ècht op orde te krijgen. Eventueel met hulp van buitenaf. “Maar”, zo vervolgt Hardwin, “daarna kan data science zeker meerwaarde bieden als we het gaan gebruiken om verbanden in de data te zoeken en er voorspellingen mee te doen”. Daarbij denkt Hardwin in eerste instantie aan bedrijfsmatige onderwerpen, zoals het voorspellen welke zorgproduct een lopend behandeltraject uiteindelijk gaat opleveren. Of een early-warning systeem waarbij je op basis van (combinaties van) metingen en uitslagen voor lopende behandelprocessen, de kans op complicaties of andere risico’s kunt bepalen.

De training en het vervolg

Hardwin heeft de 2-daagse training ervaren als een zeer interessante opfris- en verdiepingscursus voor zijn kennis van de statistieken. Hij leerde ook welke tooling je gebruikt en hóe je dit gebruikt. Hoewel je daar in de praktijk nog wel de nodige routine in moet krijgen.

Met de opgedane kennis gaan Hardwin en zijn collega’s er eerst voor zorgen dat ze de data(kwaliteit) in voldoende mate op orde hebben zodat daarmee gewerkt kan worden. Daarnaast wil Hardwin intern draagvlak gaan creëren zodat zij daar tijd in kunnen gaan investeren. Informatieprojecten kosten geld, waar de toegevoegde waarde van die informatie tegenop moet wegen. Het moet dus aannemelijk gemaakt worden dat het rendement oplevert.

Visie

Op de vraag welke mensen binnen het ziekenhuis het beste een Data Science project zouden kunnen oppakken, antwoordt Hardwin: “Ik denk dat die kennis niet zou misstaan bij een wetenschapsbureau (onderwijs en wetenschap) binnen een UMC of een STZ-ziekenhuis. Of een afdeling Kwaliteit, of Infectiepreventie.

Andere voorbeelden van actuele onderwerpen zijn de eerdergenoemde voorspellingen op de afleiding van het onderhanden werk: uitvoering t.o.v. afgeronde behandelingen en een early warning systeem vanuit (combinaties van) metingen en uitslagen voor lopende behandelprocessen.

Tip van Hardwin aan geïnteresseerden: “Als je wilt weten wat Data Science is en wat het kan betekenen, doe dan de training. Dan weet je het!”

Waardering van de trainingen

Uit de evaluatie van de trainingen van eind vorig jaar, bleek dat de deelnemers unaniem de training zouden aanbevelen aan anderen. De 1-daagse training werd met een 8 gehonoreerd en de trainers zelfs met een 8+. Men gaf aan dat de stof belangrijk ervaren werd voor het dagelijks werk en dat de trainers de brug naar de praktijk goed wisten te slaan.

De 2-daagse training werd met gemiddeld een 8,5 gehonoreerd en de trainer met een heuse 9. Ook hier was de trainer goed in staat om de brug naar de praktijk te slaan en hielp hij de deelnemers te bereiken wat ze wilden bereiken waardoor de deelnemers in staat zijn te gaan toepassen wat ze geleerd hebben.

Ben je nieuwsgierig geworden?

Op verzoek van geïnteresseerden die eerder niet in de gelegenheid waren, bieden we deze training daarom in mei weer aan. Ook voor jou dus de mogelijkheid om deze unieke zorggerelateerde Data Science en Machine Learning trainingen bij te wonen:

• 2-daagse training ‘Data Science en Machine Learning’ op 11 en 12 mei 2020
• 1-daagse training ‘Data Science in de zorg’ op 25 mei 2020