Big data zijn hot! Maar in de gezondheidszorg zit big data nog vooral in de hype-fase. Er wordt veel over gesproken, maar nog weinig gebruik van gemaakt in de praktijk. Dat heeft vooral te maken met onwetendheid. Dan Ariely van Duke University verwoordde het mooi: ‘Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it.’ Dit moet veranderen, want big data bieden veel kansen voor de gezondheidszorg. Een juist gebruik ervan kan de zorg beter, meer op maat, met minder fouten en daardoor goedkoper maken. Oftewel: waardegedreven zorg op een hoger plan brengen. Maar hoe maak je er optimaal gebruik van?

Volgens de Dikke Van Dale zijn big data ‘grote, ongestructureerde hoeveelheden digitale gegevens, met name als bron van informatie door nadere analyse’. We willen de Van Dale zeker niet tegenspreken, maar big data zijn meer dan alleen grote hoeveelheden data. Een vaak gebruikte omschrijving van Mark Beyer en Douglas Laney (2012) maakt dit duidelijk (zie ook figuur 1). Zij stellen dat bij big data, naast volume, de snelheid waarmee data gegenereerd worden, veranderen en zich verspreiden kenmerkend is (‘velocity’). Daarnaast zijn de verschillende vormen van data van belang (‘variety’). En tot slot is de betrouwbaarheid (‘veracity’) ervan een vereiste om bruikbare analyses te kunnen doen.

Figuur 1: Wat is Big Data

En als je al die data hebt, wat kun je er dan mee doen? Een heleboel. McKinsey beschrijft in de studie ‘The ‘big data’ revolution in healthcare’ (2013) de volgende vier typen big data-analyses, oplopend in impact en complexiteit:

1. Rapporteren: wat is er gebeurd?

Dit betreft eenvoudige analyses om bijvoorbeeld inzichtelijk te maken hoeveel operaties in een ziekenhuis hebben plaatsgevonden in een bepaalde periode. Deze resultaten zijn geschikt om te presenteren aan bijvoorbeeld bestuurders, zorgprofessionals of zorgconsumenten.

2. Monitoren: wat gebeurt er nu?

Bij deze vorm van data-analyse wordt er gebruikgemaakt van zowel recente data als real-time data. Hierdoor is het mogelijk de actuele situatie te vergelijken met een benchmark of een gewenste situatie. Dit type data-analyse is bijvoorbeeld geschikt om de OK-planning en -bezetting in een ziekenhuis te monitoren. Ook maakt deze data het opsporen van contra-indicaties mogelijk bij het voorschrijven of verstrekken van medicatie.

3. Data mining en evalueren: waarom heeft een gebeurtenis plaatsgevonden?

Data mining en evalueren gaan weer een stapje verder. Deze vormen van analyse tonen de onderlinge samenhang van factoren aan, waardoor oorzaak en gevolg inzichtelijk worden. Zo kun je bijvoorbeeld een (onverwachte) relatie ontdekken tussen het oplopen van een infectie door patiënten en de ziekenhuiskamer waarop deze patiënten gelegen hebben.

4. Voorspellen en simuleren: wat gaat er gebeuren?

Toekomstvoorspellingen doen op basis van data-analyse is het meest complex, maar ook het meest interessant. Voor deze analyses is, naast een grote dataset, de nodige technologische en statistische kennis vereist. Het gaat hier namelijk niet alleen om het verwerken van patiëntgebonden data, maar ook om de vergelijking met bijvoorbeeld de meest recente wetenschappelijke vakliteratuur, vergelijkbare situaties bij andere patiënten en het effect van een behandeling. Zo kan met behulp van voorspellende algoritmen een diagnose en behandeladvies worden gegeven.

Oorzaken achterhalen, trends signaleren en voorspellingen maken aan de hand van data-analyse bestaat al langer dan vandaag. Dit wordt duidelijk in figuur 2. Ook is onderstaande geschiedenis hier een mooi voorbeeld van.

Figuur 2: Big Data analyses

In augustus 1854 was er een uitbraak van cholera in de Londense wijk Soho. Binnen een maand overleden er honderden inwoners. Omdat de oorzaak van deze plotselinge uitbraak onduidelijk was, besloot arts en wetenschapper John Snow slachtoffers aan de hand van hun adresgegevens te plotten op een kaart van de wijk. Al snel werd hem duidelijk dat de meeste slachtoffers in de buurt van een waterpomp op Broad Street woonden. Door het slim bundelen van informatie, wist Snow de oorzaak van de uitbraak te achterhalen en kon de gemeente in actie komen. De waterpomp werd afgesloten en de epidemie was snel ten einde. Bovendien werden er maatregelen genomen om ook in andere wijken en steden hetzelfde probleem te voorkomen.

Big data bieden de gezondheidszorg veel kansen. Maar voordat we er de vruchten van kunnen plukken, moeten er een paar stappen worden doorlopen.

Stap 1: Rapporteer uitkomsten in plaats van processen

Als je iets rapporteert, rapporteer dan zinvolle dingen. Dus geen procesindicatoren – zoals nu meestal gebeurt – maar uitkomstindicatoren. Voorbeelden van uitkomstindicatoren zijn kwaliteit, gezondheid en kosten. Richt je met name op kwaliteit en gezondheid. Daarmee bedien je je patiënten en trek je goede zorgverleners aan. Zij werken liever in een organisatie waar de focus ligt op het verbeteren van de zorg en het verhogen van de patiënttevredenheid, dan op het verlagen van de kosten. Zo snijdt het mes aan twee kanten.

Om ervoor te zorgen dat je de juiste uitkomstmaten rapporteert, is het belangrijk vooraf duidelijke doelstellingen, uitkomsten en definities te bepalen. Kijk ook welke bronnen er zijn om data uit te putten. Een evaluatiematrix kan je helpen om overzicht hierin te krijgen en houden.

Stap 2: Monitor uitkomsten in resultaatdashboards

Als organisatie wil je natuurlijk de beste zorg met de beste uitkomsten tegen de laagste kosten realiseren. Dan is het belangrijk de juiste accenten in je zorgverlening te leggen. Het helpt om iedereen regelmatig op de hoogte te brengen van de voornaamste uitkomstindicatoren. Zorgverleners kunnen zien hoe ze presteren en waar de mogelijkheden tot verbetering liggen. Resultaatdashboards op het gebied van patiëntervaringen, kwaliteitsdoelen en kostendoelen kunnen dit inzicht bieden. Bespreek de dashboards tijdens reguliere overleggen. En zorg ervoor dat alle dashboards altijd voor iedereen beschikbaar zijn, zodat medewerkers elk moment de voortgang kunnen checken.

Stap 3: Detecteer praktijkvariatie op basis van uitkomsten

Stuit je op basis van je uitkomsten op praktijkvariatie, dan vraagt dit om nadere analyse. Want wat is de verklaring voor die praktijkvariatie? Door processen en werkwijzen onderling te vergelijken, kom je tot verbeteringen. Zo dienen je uitkomstindicatoren als uitgangspunt voor procesinnovatie en kwaliteitsverbeteringen.

Overigens is het belangrijk om niet de uitkomsten te nemen van een specifieke patiëntengroep, maar van je gehele patiëntenpopulatie. Door de populatie direct al uit elkaar te trekken, krijg je een vertekend beeld, want processen grijpen op elkaar in. De multimorbide patiënt bijvoorbeeld, is niet onder één ziektebeeld te vangen. Door een holistische benadering te hanteren, krijg je een reëel beeld van hoe je gehele praktijk functioneert.

Stap 4: Voorspel de ziekte- en schadelast

De laatste stap, het voorspellen van ziekte- en schadelast, kan je als zorgorganisatie het meeste opleveren. Internationaal onderzoek wijst uit dat het het meest betrouwbaar is hiervoor diagnostische analysemodellen te gebruiken en daarbij gebruik te maken van algoritmen. Dat laatste stuit nogal eens op weerstand. Onterecht, want algoritmen kunnen veel beter patronen opsporen dan een gemiddelde dokter en dat levert je organisatie enorm veel op. Je kunt ermee hoog risicopatiënten detecteren, economische en klinische risico’s inschatten en je praktijkvoering efficiënter maken waardoor je ruimte creëert in je capaciteit. Dit leidt tot een betere kwaliteit van zorg én een betere onderhandelingspositie met de zorgverzekeraar.

Dit is de theorie, maar hoe staan we ervoor in de praktijk? Dat kan veel beter. Door middel van figuur 3 proberen we dit duidelijk te maken. Visie en cultuur, structuur en governance, en interprofessionele samenwerking vormen de basis om betere kwaliteit en lagere kosten – oftewel waardegedreven zorg – te bereiken. Maar daarnaast moet je je financiering regelen en je data op orde hebben. Die twee kun je niet los van elkaar zien. Pas als je je data goed hebt staan en de juiste analyses toepast, is het mogelijk om aan uitkomstbekostiging te doen. Je weet dan namelijk exact welke risico’s je loopt bij jouw patiëntenpopulatie. Momenteel laat de dataverzameling, in met name de eerstelijn, nogal te wensen over. Zonder een goede dataset zijn zinvolle analyses onmogelijk en is het moeilijk om goede contracten af te sluiten met zorgverzekeraars.

Figuur 3: Waardegedrevene zorgorganisatie

Het is dus van belang om met de data aan de slag te gaan. Regel dat als organisatie zelf, zonder tussenkomst van andere partijen. Dat voorkomt ruis op de lijn. Registreer de uitkomstmaten die voor jouw organisatie belangrijk zijn en draag zorg voor goede metingen. Dat kost tijd, maar het betaalt zichzelf terug. En wees niet bang dat je het wiel zelf moet uitvinden. Er zijn beproefde, internationale standaarden voor het verrichten van metingen, die om onverklaarbare redenen nog niet tot Nederland zijn doorgedrongen. Maak daar gebruik van.

Voor de analyse is het raadzaam diagnostische modellen te hanteren. Dat is niet makkelijk. Je hebt er slimme koppen voor nodig. Mensen die goed kunnen rekenen én de gezondheidszorg snappen. Die zijn momenteel nog dun gezaaid. Toch is het verstandig om als ziekenhuis deze competentie in huis te halen. Als eerstelijnsorganisaties is dat natuurlijk een stuk lastiger, maar het is te ondervangen door het op een overkoepelend niveau te organiseren, bijvoorbeeld binnen een zorggroep. Zo kan ook de eerstelijn aansluiten bij een stap die de gezondheidszorg in Nederland echt moet zetten om de zorgkosten onder controle te krijgen en te houden.

Lees in ons whitepaper meer over de ins en outs van datamanagement en risicoschatting.

Lees ook:

De 3 verschillen tussen Value based healthcare en Triple Aim die je moet weten