Intelligent automatiseren in de gezondheidszorg

Doctor checking blood pressure

Wist je dat de wereldwijde stijging in zorgkosten drie keer de inflatie is, oftewel 8% vorig jaar?

In eerste instantie zou je waarschijnlijk de farmaceutische sector de schuld hiervan geven, zeker na het recente publieke debat over de prijzen van geneesmiddelen. Maar dat lijkt toch niet de ware oorzaak te zijn.

Als we bijvoorbeeld naar Nederland kijken, zien we dat de kosten van geneesmiddelen niet echt gestegen zijn in de afgelopen 10 jaar. In diezelfde periode, waarin ook de financiële crisis van 2007 plaatsvond, is de werkgelegenheid in de zorg met 15% gestegen, terwijl in diezelfde periode de totale werkgelegenheid in Nederland gelijk bleef.

Herhalende werkzaamheden

Natuurlijk willen we allemaal in goede gezondheid opgroeien en hebben we daarvoor artsen en verpleegkundigen hard nodig. Het probleem is dat de groei in de werkgelegenheid vooral verspild werd aan administratieve, saaie, herhalende taken. Eén onderzoek liet zelfs zien dat voor elk uur dat ‘aan het bed’ werd besteed, een arts 2 uur moest besteden aan het invoeren van gegevens in computersystemen.

Dat bureauwerk zou natuurlijk veel ‘big data’ kunnen opleveren die we kunnen analyseren om nieuwe behandelmethoden te vinden voor ziektes die we vandaag de dag nog niet kunnen behandelen. Helaas is dat niet het geval. Laten we de ui eens afpellen en op zoek gaan naar het waarom.

EPDs en ongestructureerde data

De meeste tijd achter het bureau gaat op aan het invoeren van gegevens in het elektronisch patientendossier systeem (EPD). De reden om een EPD te gebruiken is tweeledig: (1) om het facturatieproces te ondersteunen en (2) een case management overzicht te geven aan de behandelaars van een specifieke patient.

Een EPD biedt de mogelijkheid biedt om klinische gegevens gestructureerd en gecodeerd op te slaan. Toch zien we in de praktijk dat de meeste data ten behoeve van de behandeling zelf in vrije tekstvorm, ongestructureerd is opgeslagen in gespreksnotities en verslagen. Facturatiedata, gegevens over medicijngebruik en data uit laboratoriumonderzoek zijn de enige soorten data die consistent en consequent in een database-achtig formaat zijn opgeslagen.

De vraag is waarom specialisten deze ongestructureerde manier prefereren? Op deze manier kan een specialist alle recente en relevante notities voor een patient op hetzelfde moment zien, zonder de data op te hoeven zoeken in meerdere tabbladen in het EPD. In feite helpt dit dus om ‘slechts’ twee uur in plaats van drie te besteden. En ook al zijn er in het verleden talloze initiatieven geweest om data meer gestructureerd in het EPD op te laten slaan, is de verwachting dat dit hooguit voor 30-35% van de data gaaat lukken. Bovendien zijn de databases van verschillende EPD leveranciers niet eenvoudig vergelijkbaar of integreerbaar doordat elke leverancier zijn eigen definities hanteert. Dit is met name van belang op het moment dat je data van meerdere zorgverleners zou willen combineren.

Wat gebeurt er vervolgens als je data voor onderzoeksdoeleinden wilt verzamelen, bijvoorbeeld om het effect van personalized medicine te bepalen of een nulmeting uit te voeren ten behoeve van value-based healthcare? Data in vrije tekst is normaalgesproken niet geschikt om te gebruiken in data analyses.

De impact en effectiviteit van gestructureerde data voor dergelijke doeleinden is duidelijk. Uit een onderzoek bleek dat een data analyse model op basis van klinische en sociale data in staat was om zeer nauwkeurig te voorspellen welke patienten een verhoogd risico hadden op hartfalen en binnen 30 dagen weer opgenomen zouden moeten worden in het ziekenhuis, met soms zelfs de dood tot gevolg.  Zou jij het accepteren als je zorgverlener niet in staat is om dit risico in te schatten, alleen maar omdat de data niet gestructureerd beschikbaar is?

Register

Een veelgebruikte aanpak voor klinisch en farmaceutisch onderzoek en data analyse is het opzetten van een register. Zo’n register beheert een kleine subpopulatie van patienten met een specifieke aandoening of ziektebeeld en combineert data uit verschillende bronnen. Denk aan data uit een EPD, antwoorden op vragenlijsten over de “Kwaliteit van leven” en zelfs gegevens van (medische) sensoren. Het vullen van een dergelijk register met relevante data uit het EPD kan nogal wat voeten in de aarde hebben, aangezien de meest interessante data terug te vinden is in gespreksnotities en verslagen. We hebben zelfs voorbeelden gezien waarbij de data handmatig in het register werd bijgehouden – een arbeidsintensieve aanpak die bovendien gevoelig is voor fouten.

Oplossingen

Intelligente procesautomatisering kan ons hierbij helpen. Deze tak van informatietechnologie is vooral in de financiële sector en in shared service centers te vinden. Recentelijk zien we dat Robotic Process Automation, Machine Learning en Natural Language Processing steeds vaker hun weg vinden in de zorg.

Robotic Process Automation, oftewel RPA, helpt om het saaie, herhalende werk te verminderen – precies datgene wat er gedaan wordt om een register te vullen. Alhoewel het eerste beeld dat je bij een robot hebt misschien erg lijkt op een stuk blik en elektronica uit een kaskraker uit Hollywood, zijn de robots die we met RPA toepassen veel vriendelijker. Je kan ze het beste zien als een virtuele kantoormedewerker, die met de hulp van een zorgprofessional aanleert welke handelingen er nodig zijn om data te verzamelen en weer elders in te voeren. Op deze manier levert RPA belangrijke resultaten, zoals een korte doorlooptijd, compliancy in de uitvoering van het proces, 100% foutloze data en met name gemotiveerde medewerkers: zij kunnen nu immers hun tijd besteden aan de gezondheid van hun patienten.

De techniek achter machine learning bestaat al meerdere decennia, maar de toepassing van deze beslissingsondersteunende, voorspellende algoritmes is de afgelopen twee jaar enorm gegroeid dankzij de beschikbaarheid van (big) data en vrijwel ongelimiteerde rekenkracht in de cloud. Deze hernieuwe aandacht heeft ook tot verbetering geleid in Natural Language Processing: algoritmes die teksten kunnen lezen en begrijpen. Net zoals RPA helpt bij het verzamelen en invoeren van data, kan NLP helpen om gestructureerde data uit ongestructureerde tekst te verzamelen, zoals de eerder genoemde gespreksnotities en verslagen.

Zonder dat zorgmedewerkers uren van hun tijd moeten besteden aan het beoordelen van deze notities, kan NLP waardevolle en zelfs levensreddende inzichten bieden. Een onderzoek uit 2016 liet zien dat de toepassing van NLP in staat was om hartfalen nog beter te voorspellen, met 97,5% nauwkeurigheid en in staat was om 95,3% van alle gevallen in de populatie ook terug te vinden. In een ander onderzoek bleek NLP zelfs te gebruiken om een diagnose te stellen op basis van persoonlijke verslagen van patienten.

Business case

Met deze resultaten verwachten we dat een investering in RPA en NLP een aanzienlijke verbetering in de effectiviteit van de zorg teweeg brengt in de komende 10 jaar. De jaarlijkse kosten voor patientregisters in Nederland wordt tussen de €160 en €200 miljoen geschat met daarnaast nog €80 miljoen voor registers die gericht zijn op risico- en kwaliteitsmanagement.

We hebben duidelijk een duurzame oplossing nodig, waarbij er geen tijd meer verloren gaat aan saai, repetitief werk. Met het huidige tekort aan specialisten en verplegend personeel en de toenemende klachten over het overtikken van patientgegevens kunnen we niet nog eens 15% van hun tijd besteden in de komende 10 jaar.

Over de schrijvers

Mathieu Jonker is de oprichter van Artilience. Hij gelooft in oplossingen die zowel medewerkers als organisaties laten groeien en is een expert op het gebied van intelligente procesautomatisering.

Ruud Simons is de CEO van Patiëntregisters.nl. Het welzijn van patienten is zijn primaire drijfveer en hij is vastberaden om een generieke infrastructuur voor de zorg te realiseren, gebruikmakend van moderne technologie waar zowel patienten als artsen baat bij hebben.

Geef een reactie

Je e-mailadres zal niet getoond worden. Verplichte velden zijn gemarkeerd met *