Aan de slag met datascience

in de langdurende zorgErvaringen van Carante Groep

Aan de slag met datascience in de langdurende zorg 2

Inhoud

Inleiding

Vraagstuk in kaart brengen en de dataverzameling

Plan van aanpak

Data analyseren en duiden

Opvolging van de resultaten

3

5

6

9

12

Aan de slag met datascience in de langdurende zorg 3

InleidingDe laatste jaren vragen steeds meer zorgorganisaties zich af: kunnen we met de informatie en data uit onze systemen de kwaliteit van zorg verbeteren? En zo ja, hoe? In 2018 hebben ASVZ, Coloriet en Triade-Vitree vanuit Carante Groep, een samenwerkingsverband van dertien zelfstandige organisaties in de ouderen- en gehandicaptenzorg, samen met Vilans de mogelijkheden van data-analyse verkend. In deze publicatie leest u de ervaringen van Carante Groep bij het zetten van deze eerste waardevolle stap. Hoe zag hun aanpak eruit? Waar liepen zij tegenaan? En welke resultaten heeft het opgeleverd? We hopen u met dit document op weg te helpen om zelf de mogelijkheden van data te verkennen in uw organisatie.

Data in zorgorganisatiesDe zorgsector legt grote hoeveelheden informatie over cliënten en het zorgproces vast. Systemen als elektronische cliëntdossiers, domoticasystemen, veiligheidsmanagementsystemen, roosters en planningssystemen staan vol waardevolle data. Daarnaast is er een groeiende markt in zelfmeetapparatuur en (mobiele) applicaties die inzicht geven in beweeg-, eet- of leefpatronen. En er wordt met sociale robots geëxperimenteerd. Zulke technologische hulpmiddelen staan steeds vaker met het internet in verbinding of zelfs met elkaar. Zo kunnen ze automatisch, realtime gegevens verzamelen en uitwisselen.

De verschillende informatiebronnen worden nog vaak los van elkaar gebruikt, terwijl het bundelen van de informatie uit meerdere systemen tot vele nieuwe inzichten kan leiden. Zo kan informatie over de nachtrust van cliënten wellicht helpen hun gedrag en welzijn overdag te verklaren of zelfs te voorspellen. En andersom kunnen we onderzoeken of en hoe dagactiviteiten de nachtrust beïnvloeden. Daarnaast kunnen we bekijken of veranderingen in personele bezetting invloed hebben op het aantal incidenten, bijvoorbeeld als het gaat om medicatiegebruik of agressie. Door stukjes informatie uit verschillende systemen in samenhang te analyseren, doen we mogelijk vele nieuwe inzichten op. En door systemen in samenhang te analyseren kunnen we ook voorspellend te werk gaan. Denk aan acteren voordat de cliënt een bepaalde zorgbehoefte heeft, of hulpverleners tijdig informeren zodat er actie ondernomen kan worden. Zo heeft data invloed op de werkelijkheid en draagt het bij aan een datagedreven manier van werken, waarbij de efficiëntie en kwaliteit van de zorg geoptimaliseerd wordt.

DatascienceDatascience is het vakgebied dat kennis en inzichten onttrekt uit data, door analyses en modellen. Datascience is toepasbaar op big data en small data. Big data wordt over het algemeen gezien als data van honderdduizenden (tot miljoenen) mensen, afkomstig van het internet en alle apparaten die erop zijn aangesloten. Voorbeelden zijn data uit domoticasystemen, gegevens van een website over bezoekersgedrag en andere onderzoeksdata. Met small data bedoelen we data op een kleinere schaal, bijvoorbeeld uit de eigen organisatie. In deze publicatie focussen we ons op deze small data.

De mogelijkheden van datascience zijn oneindig en lijken ook voor de langdurige zorg kansrijk. Er wordt op dit moment dan ook volop geëxperimenteerd door zorgorganisaties en ICT-leveranciers. Het is voor beide partijen erg relevant om kennis en ervaring op dit gebied op te doen.

Aan de slag met datascience in de langdurende zorg 4

Verkenning binnen Carante GroepIs het mogelijk om de zorg en ondersteuning voor cliënten te verbeteren met de bestaande informatiesystemen en toepassingen? Het doel van Carante Groep was om dit te onderzoeken. Daarbij gingen zij op zoek naar inzichten en voorspellingen voor specifieke cliëntgroepen, bijvoorbeeld in een zorginstelling.

Wie deden er mee? Vanuit Carante Groep namen drie zorgorganisaties deel aan het project:

• Coloriet, ouderenzorgorganisatie op het gebied van wonen en zorg voor senioren in Dronten, Lelystad en Zeewolde.

• ASVZ, gehandicaptenzorgorganisatie voor mensen met een lichte en zware verstandelijke beperking, die korte of juist langdurige zorg nodig hebben.

• Triade-Vitree, levert gehandicaptenzorg, jeugdzorg en geestelijke gezondheidszorg in Flevoland en omgeving.

Het project bood een unieke kans voor een multidisciplinaire samenwerking. Niet alleen waren organisaties voor zowel ouderenzorg als gehandicaptenzorg betrokken, maar ook de BI-afdeling van Carante Groep. BI staat voor Business Intelligence en betreft het opstellen en verzamelen van (besturings)informatie.

Vilans ondersteunde de BI-afdeling van Carante Groep met datascience-expertise. Daarnaast dachten wij mee over het omzetten van de opgedane ervaringen naar bruikbare kennis voor de toekomst en voor andere organisaties.

De geleerde lessen uit het projectDit project kende een groot experimenteer karakter, was complex en moest zorgvuldig gebeuren om de privacy van cliënten en medewerkers te waarborgen. Op de volgende pagina’s leest u het proces en de stappen die Carante Groep heeft doorlopen en wat de geleerde lessen zijn. Het is geen gefixeerd stappenplan, maar het biedt hopelijk wel een handvat en inspiratie voor andere organisaties.

Thea Braun, projectleider ASVZ: ‘Ik verwacht dat we verbanden gaan ontdekken bij jongeren met een lichtelijk verstandelijke beperking (LVB) en cliënten met ernstige verstandelijke en meervoudige beperkingen (EVMB). Zo zou slecht slapen verband kunnen houden met incidenten die overdag gebeuren.’

Sebastiaan ten Hove, projectleider Carante Groep: ‘In het veld van innovatie en zorgtechnologie wordt big data heel vaak als onderwerp genoemd voor management of directie. Maar weinig dataprojecten zijn ook gericht op het verschaffen van helpende informatie aan zorgmedewerkers.’

Harko Aris, hoofd ICT Coloriet: ‘We hebben allemaal databronnen tot onze beschikking, maar we combineren die data niet met bijvoorbeeld de informatie uit een behandelplan. Als blijkt dat cliënten beter slapen als ze overdag fysiotherapie hebben gehad, is dat een mogelijk verband.’

Aan de slag met datascience in de langdurende zorg 5

Vraagstuk in kaart brengen ende dataverzamelingEen goede data-analyse begint met het formuleren van een concrete vraag- of probleemstelling. Op basis daarvan kun je de juiste bronnen raadplegen. In dit geval hadden alle drie de organisaties interesse in een focus op gegevens over de stemming en het welbevinden van cliënten, hun slaappatroon en het aantal incidenten. Een gedeelde verwachting van de betrokkenen was: hoe vitaler een cliënt is, hoe minder probleemgedrag en onrust.

Omdat de organisaties verschillende typen cliënten en systemen hebben, besloten zij in deze fase ieder hun eigen aanpak te hanteren voor de verzameling en analyse van gegevens. Zowel Coloriet als Triade kozen ervoor de verkenning laagdrempelig te houden en enkel uit te gaan van reeds bestaande data uit hun verschillende systemen. Zo belastten ze medewerkers en cliënten niet extra met het verzamelen van informatie.

ASVZ zag juist de kans om de verkenning op basis van bestaande data te combineren met het verzamelen van nieuwe data. Er bestonden binnen ASVZ al langer plannen om nieuwe technologie (wearables) bij een groep cliënten uit te proberen om meer inzicht te krijgen in de vitaliteit en slaapkwaliteit.

Tip:• Houd de dataverzameling laagdrempelig. Bekijk welke bronnen

gemakkelijk beschikbaar zijn en geen extra handeling inhouden voor zorgmedewerkers. Maak bijvoorbeeld gebruik van de export functionaliteit van een ECD.

Aan de slag met datascience in de langdurende zorg 6

Plan van aanpakNadat de onderzoeksvraag in samenspraak met de deelnemende zorgteams was geformuleerd en de zorgorganisaties hadden bepaald welke data zij wilden benutten, schreef de trekker van iedere organisatie een plan van aanpak. Drie onderwerpen kregen daarin specifieke aandacht:

• Draagvlak en besluitvorming in de organisatie• Het meetplan om data te verzamelen• Toestemming en privacy van cliënt en medewerker

Voor het project is een centrale (bestuurlijke) stuurgroep aangewezen en per zorgorganisatie een werkgroep. De projectleiders van de drie zorgorganisaties waren verantwoordelijk voor de uitvoering van het plan van aanpak. Dat hield in: zorgen voor de werving van een team of afdeling, het meetplan uitvoeren en cliënten en medewerkers (laten) informeren en hun akkoord vragen voor het gebruik van data.

Draagvlak en bestuurlijke besluitvorming

In de beginfase van het project hebben de betrokken organisaties een stakeholderanalyse gedaan om gedurende het project zicht te hebben op de stakeholders, zoals de ethische commissie, OR, MR en cliëntenraad, die geïnformeerd of actief betrokken moeten worden. De bestuurlijke betrokkenheid in dit project, onder andere bij het toelichten van het project bij alle stakeholders en commissies in de zorgorganisaties, bleek erg waardevol. Het zorgde voor transparantie en gaf het project mandaat en ruimte om te experimenteren.

Braun: ‘Het probleem is dat een experimenteel project als dit niet altijd prioriteit heeft bij de mensen die je juist nodig hebt. Ik denk dat het belangrijk is dat je hierbij hulp krijgt van het bestuur, bijvoorbeeld om andere taken te verminderen. Zo kan er echt tijd worden vrijgemaakt voor het project.’

Ten Hove: ‘In het voortraject hebben wij met alle partijen afzonderlijk gesprekken gevoerd. Daarin neig je er al snel naar om het over de inhoud te hebben, zoals welke sensoren wel en welke sensoren niet. Daardoor duurde het heel lang voordat we echt concreet konden worden. Mijn advies? Focus bij zo’n project echt op de informatie die tot een besluit kan leiden. Dus de vraag wie gaat wat doen en wanneer bij welke cliënten. Dan kun je het namelijk sneller neerleggen bij bestuurders. Op het moment dat we bestuurders hadden gevraagd om een besluit te nemen, kwam het project pas echt in beweging.’

Tips:• Probeer gedurende het proces de betrokken partijen binnen

de organisatie in te lichten. Voor buitenstaanders gebeurt er onderweg niet veel, maar er wordt wel aan een fundament gebouwd. Het is belangrijk om daarover te communiceren.

• Betrek ook de cliëntenraad en maak met concrete voorbeelden duidelijk waarom je data verzamelt en hoe dit de zorg voor de cliënt kan verbeteren. Dit kan veel weerstand wegnemen.

• Zorg dat de data-analyse zijn link met de werkelijkheid behoudt en koppel (tussentijdse) resultaten terug aan bestuurders en medewerkers.

Aan de slag met datascience in de langdurende zorg 7

Het meetplan

Voor Carante Groep was het meetplan een belangrijk onderdeel van het plan van aanpak. In het meetplan bepaal je, aan de hand van de onderzoeksvraag, uit welke informatiesystemen je informatie wilt gebruiken.

Voor de drie organisaties was sommige informatie al realtime beschikbaar in het datawarehouse van de BI-afdeling, of was deze vrij gemakkelijk uit de systemen op te halen. Voor andere databronnen hebben we moeten schakelen met de ICT-leverancier. Zowel technische als inhoudelijke kennis waren nodig om de juiste informatie naar boven te halen.

Aris: ‘Wij hadden medewerking van onze technologieleverancier nodig om de data op te halen. Dit proces ging veel soepeler dan we van tevoren hadden gedacht. We moesten wel betalen voor het beschikbaar stellen van de data, omdat dit voor hen extra administratieve taken betekende.’

Govert de Jong, BI-consultant: ‘Een datawarehouse is een computersysteem waarin alle relevante gegevens bij elkaar worden gebracht, zodat deze op één locatie te vinden zijn. Ook kun je zo mutaties bijhouden. Maar niet alle informatie is op voorhand geschikt voor zo’n datawarehouse. De data die uit sporthorloges komt, kunnen we daar niet zomaar in verzamelen.’

Tips:• Bij de analyse van de data is het niet alleen belangrijk om

over de juiste data te beschikken, maar ook de opslag van de data in een datawarehouse is van belang.

• Bedenk goed welke data je wilt verzamelen. Zodat de data veilig is en beschikbaar blijft voor verdere analyses. Dit is belangrijk om mee te nemen in het aanschafproces van je datawarehouse en vraagt om een goede samenwerking tussen degenen die de data analyseren - in ons geval de BI-afdeling - en de zorgorganisatie.

• Carante Groep heeft bewust gekozen voor één centrale BI-afdeling. Dit heeft namelijk voor meerdere organisaties schaalvoordelen.

Aan de slag met datascience in de langdurende zorg 8

Toestemming en privacy van cliënt en medewerker

In het meetplan maakten de zorgorganisaties heldere keuzes over welke gegevens zij wilden gebruiken en waarom. In afstemming met de functionaris gegevensbescherming van Carante Groep zijn informatie- en toestemmingsformulieren opgesteld voor cliënten, medewerkers en mantelzorgers. Hiermee konden zij toestemming geven voor het verzamelen en gebruiken van hun gegevens. Bovendien is de privacy-waarborging aangescherpt door de komst van de Algemene Verordening Gegevensverwerking (AVG) sinds mei 2018.

Relevante vragen voor AVG-proof handelen:

• Analyseer je alleen bestaande data of verzamel je ook nieuwe data?

Coloriet heeft ervoor gekozen om alleen bestaande gegevens te gebruiken die niet tot de persoon herleidbaar zijn. Omdat in de behandelovereenkomsten staat dat cliëntgegevens voor onderzoek gebruikt mogen worden, hoefden zij niet opnieuw toestemming te vragen voor gebruik van de gegevens. Desondanks zijn cliënten en de cliëntenraad wel geïnformeerd over het onderzoek.

ASVZ wilde ook nieuwe data verzamelen met behulp van wearables, hiervoor hebben zij toestemming gevraagd aan cliënten en vertegenwoordigers.

Braun: ‘Wij hebben ervoor gekozen om gebruik te maken van nieuwe informatiebronnen als activity- en sleeptrackers bij de LVB- en EVMB-groep. Deze consumentenmiddelen voldoen alleen niet aan de privacy-eisen. Ik heb daarbij onderschat hoeveel werk er in het privacy-gebeuren zit. Zo bleken een aantal gegevens onder gevoelige data te vallen. Daar moet je extra voorzichtig mee omgaan en er zijn dan een PIA (Privacy Impact Analyse), RA (Risico Analyse) en toestemmingsverklaring vereist.’

• Wat gebeurt er met de data? Het is van groot belang goed om te gaan met de gegevens van zowel cliënten als medewerkers. De eis is om concreet te zijn over waar bepaalde data voor wordt gebruikt. Het helpt in ieder geval om zo transparant mogelijk te zijn naar alle betrokkenen over de intenties, resultaten en (mogelijke) consequenties van het gebruik van de data. Tijdens de verschillende projecten hebben we ervoor gekozen om data van medewerkers alleen te gebruiken op een abstract niveau en niet op persoonsniveau. Ook de data van de cliënten is op groepsniveau geanalyseerd.

• Zijn er medisch-ethische dilemma’s?Het is raadzaam om te checken of er bijvoorbeeld toestemming nodig is van een medisch-ethische toetsingscommissie (METC) voor de nieuwe dataverzameling. Zie hiervoor de website van CCMO>.

AVG:De AVG schrijft voor dat je data gebruikt voor een bepaald doel en daarvoor toestemming vraagt van de eigenaar van de data, zoals de cliënt of medewerker waar het over gaat. Als het doel wijzigt, moet je weer opnieuw toestemming vragen.

Tips:• Verzamel niet meer gegevens dan je nodig denkt te hebben. • Bedenk vooraf welke vraag je gaat beantwoorden met de

data en probeer zo goed mogelijk de consequenties ervan te overzien. Wat doe je bijvoorbeeld als persoon X dienst heeft en je ziet dat het dan slechter gaat met de cliënt?

• Spreek af in het projectteam welke data of (tussen)resultaten je deelt en op welk moment. Mogelijk betracht je geheimhouding tot de bestuurders een akkoord geven.

Aan de slag met datascience in de langdurende zorg 9

Data analyseren en duidenDe analyse van grote hoeveelheden data is complex en vergt verschillende disciplines en kennis. Mensen die goed overweg kunnen met statistiek en wiskunde en mensen die de data kunnen ophalen en duiden zijn belangrijk in een team rondom data-analyse.

Zoals in het figuur hieronder is weergegeven, hebben we in het project drie verschillende rollen gedefinieerd. Deze waren belangrijk bij het verzamelen van data, de analyse en de uiteindelijke interpretatie.

• De data-eigenaar• De data-engineer• De datascientist

De Jong: ‘In hoeverre wil je voor de data-analyse specialistische kennis in huis halen? Dat is best nog wel een zoektocht. Wanneer koop je het in en in hoeverre wil je als organisatie zelf de analytics-kant op gaan? Het antwoord heb ik nog niet gevonden, maar voor onze BI-afdeling zie ik wel een soort businessconsultancyrol weggelegd. Hierbij ondersteunen we de zorgteams (de business) met analytics van hun data.’

Ervaring, ‘boerenverstand’ en de dagelijkse omgang met cliënten maakt dat medewerkers al veel kennis in huis hebben. De verwachting was dat data-analyse aanvullende inzichten zou geven op die bestaande kennis. Het was dus belangrijk om de nieuw verkregen informatie met de inhoudelijke medewerkers te bespreken.

De Jong: ‘Zodra je resultaten hebt, moet je terug naar de inhoudelijke experts, in dit geval de uitvoerende zorgprofessionals. Zij kennen immers de inhoud van de informatie en jij niet. Wat voor jou als data-analist opvalt, is voor een medewerker logisch te verklaren. Deze stap is belangrijk om denkfouten in je analyse te voorkomen.’

Een tijdje nadat de beschikbare data was geanalyseerd, kwamen de BI-afdeling en inhoudelijke experts van Coloriet bij elkaar voor een duidingsessie. Dit was een essentiële stap, allereerst omdat het bij de betrokken zorgmedewerkers enthousiasme opleverde over de inzichten die je kunt opdoen met data-analyse.

De datascientist levert inzichten die naar boven komen uit de verschillende analyses. Bijvoorbeeld hoe cliënten zich anders gaan gedragen nadat zij een uur eerder naar bed zijn gebracht.

De data-eigenaar duidt de data en levert inzicht aan de datascientist.

De data-eigenaar levert informatie en databronnen aan.

De data-engineer levert inzichten in productie omgeving.

De datascientist levert modellen op basis van de data.

De data-engineer levert schone data aan.

Data-eigenaar Data-engineer

Datascientist

Aan de slag met datascience in de langdurende zorg 10

De inhoudelijke of domeinexperts hielpen ook de resultaten van de eerste analyse te nuanceren. Bijvoorbeeld door aan te geven wanneer de data iets anders lijkt aan te geven dan de realiteit, en hoe dat te verklaren is. Verder gaven ze aan dat, om inzichten op te doen waar de zorg iets mee kan, bepaalde variabelen wat verder gespecificeerd mogen worden. Bijvoorbeeld: als we kijken naar veranderingen in het aantal incidenten, over wat voor incidenten gaat het dan? Medicatie, vallen of iets anders? Om in het vervolg tijdiger op dit soort dingen in te spelen, wordt de zorg eerder betrokken bij het analyseren en duiden van de data.

Bij ASVZ werkten de BI-afdeling en de domeinexperts al wel vanaf het begin nauw samen in sprintweken. Zodoende vonden de data-analyse en -duiding door domeinexperts veel meer iteratief plaats.

Braun: ‘De belangrijkste rol voor ons als domeinexperts, was meedenken over wat onderzocht moest worden, en of dingen logisch waren. Wat betekent dit nu, hoe moeten we dit interpreteren? Zo kijken we niet alleen naar getallen, maar begrijpen we ook wat die waarden betekenen. Een bij het slaapteam betrokken orthopedagoog en een in slaap gespecialiseerde doktersassistent hebben bijvoorbeeld meegedacht over wat we als voldoende slaap kunnen beschouwen; wat is voor de data-analyse het afkappunt?’

Tip:• Een succesfactor bij het bespreken van de inzichten uit de

data-analyse, is begrijpelijk maken hoe de resultaten tot stand zijn gekomen. Omdat de BI-afdeling en datascientist vrijwel stap voor stap konden toelichten hoe ze met verschillende data tot inzichten en uiteindelijke hypotheses kwamen, leverde dit ook begrip en enthousiasme op bij de andere betrokkenen.

Maik Couwenberg, dataspecialist Vilans: ‘Als datascientist heb je een ethische taak om te kunnen uitleggen wat je gedaan hebt.’

Aan de slag met datascience in de langdurende zorg 11

Een voorbeeld van een analysebij Coloriet: Bij Coloriet is data uit het roosterpakket, van domoticasensoren en van incidentmeldingen gecombineerd. Daarbij is onder meer een analyse gedaan naar correlatie tussen bepaalde incidenten gedurende de dag, de mate van bewegen en personeelsroosters. Uit de gevonden correlaties tussen dergelijke factoren ontstond bij de projectgroep het idee om nader te onderzoeken wat de mogelijkheden en effecten zijn van het afstemmen van de zorgcapaciteit en de piekmomenten in bewegen en incidenten. Alhoewel er gezien de aard en omvang van de analyse geen uitspraak kan worden gedaan over de oorzaak en het gevolg, leverde deze analyse volgens Coloriet een interessante hypothese op om over door te praten met medewerkers en in de toekomst eventueel aanvullende data voor te verzamelen.

Bij ASVZBij ASVZ is specifiek onderzocht hoe bepaalde aspecten overdag zich verhouden tot de slaapkwaliteit. Het was natuurlijk al bekend dat beweging op een positieve manier samenhangt met slaapkwaliteit en dit kwam ook heel sterk uit de data naar voren. Dat zet de organisatie aan het denken: moeten en kunnen we beweging inbedden in de zorg? Verder waren er aanwijzingen dat mensen die ’s middags slapen ook ’s nachts beter slapen. Op basis van deze correlatie is er niet de neiging om iedereen meteen een middagslaapje te laten doen, maar het is wel aanleiding voor een vervolgonderzoek. Is er bijvoorbeeld een groep cliënten die meer slaap nodig heeft?

“Verder waren er aanwijzingen dat mensen die ’s middags slapen ook ’s nachts beter slapen. Op basis van deze correlatie is er niet de neiging om iedereen meteen een middagslaapje te laten doen, maar het is wel aanleiding voor een vervolgonderzoek.”

Aan de slag met datascience in de langdurende zorg 12

Opvolging van de resultaten Door dit onderzoek kwamen de zorgorganisaties tot nieuwe inzichten over de samenhang tussen bijvoorbeeld slaap en vitaliteit. De periode waarover data werd verzameld was kort: een maand. Deze periode was te kort om tot conclusies of interventies te komen, maar voor Carante Groep was dit voor nu voldoende. Het is nu duidelijker wat ervoor nodig is om data goed te verzamelen, te analyseren en betekenis te geven. Bovendien gaven de eerste uitkomsten verassend veel energie.

Aris: ‘Voor zo’n eerste experiment waren het mooie inzichten. Zeker als je kijkt naar het beperkte aantal uren dat beschikbaar was voor de analyse. We weten nu dat we die data bij elkaar kunnen krijgen en hebben eerste stappen gezet in de analyse ervan.’

Voor nu is er nog geen reden om dingen anders aan te pakken of te organiseren, maar deze verkenning nodigt wel uit tot vervolgonderzoek. Bijvoorbeeld door langer data te verzamelen om de betrouwbaarheid van inzichten te vergroten. De conclusie is voor Carante Groep duidelijk: stapsgewijs worden ze steeds beter in het benutten van data in de zorg en ondersteuning aan cliënten. Het begint bij het bundelen van de krachten, vanuit zowel zorg als techniek. Carante Groep heeft vooral geleerd om de juiste vragen te stellen bij data. Hun vijf belangrijkste vragen voor een snelle start op datagebied:

1. Hoe benutten we de informatie die we vastleggen? 2. Hebben we makkelijk toegang tot de informatie die we

vastleggen? 3. Waar mogen we de informatie voor gebruiken? 4. Is deze informatie gemakkelijk te analyseren?5. Kunnen we informatie combineren?

Kansen voor de toekomstDeze eerste verkenning was in termen van data-analyse vrij eenvoudig, maar voor de deelnemende zorgorganisaties wel arbeid- en tijdsintensief. Deze manier van werken levert immers nieuwe vraagstukken op en vraagt nieuwe vaardigheden van de betrokkenen. Gaandeweg bleek bovendien dat dingen soms minder makkelijk te

organiseren zijn dan vooraf verwacht. Desalniettemin werden de eerste inzichten als verrijkend ervaren en het enthousiasme onder de deelnemende teams, de BI-afdeling en de bestuurders is groot. Zij zien de volgende kansen:

• Op een nieuwe manier het gesprek voeren tussen verschillende disciplines, vanuit data-analyse en vanuit domeinexpertise.

• Aan de hand van de uitkomsten dingen net anders organiseren of aanpakken, en dan - ook weer aan de hand van data-analyse - kijken wat dat oplevert.

• Meer werken met data uit de inhoudelijke systemen. Je kunt bijvoorbeeld kijken of onrust bij mensen gecorreleerd is aan een bepaalde aanpak in het behandelplan. Nu was de analyse meer op logistiek gericht, met incidenten, roosters, en dat soort data.

De verschillende betrokkenen geven ook aan dat het beperkend kan werken als je enkel van tevoren bepaalt wat je wilt weten. Of, zoals Braun aangeeft: ‘Je kunt veel meer met de data dan men zich op de werkvloer realiseert.’ Voor een vervolg kan het interessant zijn om meer met datamining te gaan doen: nog meer te zoeken naar verbanden tussen verschillende data. Een nauwe samenwerking is daarbij essentieel. Data-analisten kunnen nieuwe ideeën en inzichten aandragen over hoe bepaalde factoren in de zorg zich tot elkaar verhouden, de zorg kan helder maken wat zinvol is om te weten en waar je op moet letten.

Zelf aan de slag met data? Ondanks dat nog niet alles mogelijk is, kan data in de zorgsector van grote betekenis zijn. Bent u ook op zoek naar interessante inzichten over betere kwaliteit van zorg voor uw cliënten? En wilt u ook aan de slag met data binnen uw zorgorganisatie? We horen graag waar u mee bezig bent en wat uw ervaringen zijn. Door uw kennis te delen helpen we elkaar om data in de zorg zo goed mogelijk te benutten. Neem gerust contact op met Dirk Lukkien, d.lukkien@vilans.nl.

DisclaimerDe inhoud van deze publicatie is met grote zorg samengesteld. Het is echter niet geheel uitgesloten dat de informatie in deze uitgave onjuistheden bevat. Vilans aanvaart geen aansprakelijkheid voor eventuele schade die ontstaat door het gebruik van deze informatie.

Auteurs:Dirk Lukkien, Sabine Timmer

Speciale dank aan:Harko Aris, Thea Braun, Govert de Jong, Alex van Bergen Bravenboer, Erwin Pfeiffer, Sebastiaan ten Hove, Maik Couwenberg

Redactie: Martine de Wit

Vormgeving:Marcom+design Utrecht

VilansPostbus 8228, 3503 RE UtrechtTelefoon 030 789 2300www.vilans.nlUtrecht, December 2018

vilans.nl

Colofon/ dankwoordDit document is tot stand gekomen dankzij de ervaringen en tips die de medewerkers van de bij Carante Groep aangesloten zorgorganisaties deelden tijdens het datascience project. We bedanken alle mensen die we hebben geïnterviewd en die hebben meegewerkt aan het project.

VilansVilans, kenniscentrum voor de langdurende zorg, ontwikkelt vernieuwende en praktijkgerichte kennis en versnelt de processen die nodig zijn om die kennis succesvol door te voeren. Dat doen we samen met verpleegkundigen, verzorgenden, huisartsen, specialisten, bestuurders, beleidsmakers, managers en patiëntenorganisaties. En in samenwerking met andere kenniscentra en onderzoeksinstituten. Zo houden we de zorg aan ouderen, gehandicapten en chronisch zieken efficiënt, betaalbaar en van goede kwaliteit. www.vilans.nl

Carante GroepCarante Groep is een samenwerkingsverband van dertien zelfstandige organisaties in de zorgsector. De aangesloten organisaties zijn regionaal actief, verspreid over Nederland. De samenwerkende organisaties bieden met ruim 19.000 medewerkers zorg, begeleiding en ondersteuning op maat aan ruim 20.000 cliënten. Carante Groep is actief in de zorg en dienstverlening aan mensen met een lichamelijke en/of verstandelijke beperking, de psychiatrie, ouderenzorg, welzijn en jeugdhulpverlening. www.carantegroep.nl