Datasharehouse en effectievere triage in de eerstelijn

Het Nederlandse zorgstelsel staat al jaren onder druk. Een vergrijzend populatie die steeds meer zorg nodig heeft en zorgprofessionals die om variërende redenen besluiten om de zorg te verlaten zijn de meest genoemde oorzaken. Maar daarnaast hebben we ook een steeds meer zorg consumerende samenleving. We hebben drukkere levens met meer stress en we leven ook ongezonder.

Dit zorgt ervoor dat de huisarts als poortwachter in de eerste lijn, een belangrijke rol speelt in het zo efficiënt mogelijk begeleiden van deze zorgvraag naar ketenpartners verderop in de keten en waar mogelijk onnodige voorverwijzingen te voorkomen. Dit draagt bij aan het voorkomen van overbelasting van specifieke ketenpartners in de tweede en derde lijn, maar legt tevens verdere druk op aan al een erg drukke huisarts.

In dit blog wil ik daarom pleiten voor de potentiële kracht van een regionaal Datasharehouse van 6Gorilla’s als hulpmiddel voor nog effectievere triage in de eerste lijn waarbij tevens de huisarts ontlast kan worden. Dankzij de inzet van AI, de kracht van regionale data samenvoegen én data gedreven samen te werken, kunnen we met het datasharehouse van 6Gorilla’s tijd teruggeven aan de zorg.

Het Datasharehouse waar data uit de keten samenkomt

Wat maakt een doorverwijzing van de huisarts tot correcte doorverwijzing? Hierover kan uitvoerig gediscussieerd worden, maar heel zwart-wit gezegd, kan er gesteld worden dat een correcte doorverwijzing leidt tot een behandeling voor de gestelde indicatie. Indien deze behandeling niet opgestart wordt, wat uiteraard in de praktijk meerdere redenen kan hebben, was de doorverwijzing feitelijk onjuist.

Hoe kunnen we tot vaker correcte doorverwijzingen komen? Het begint bij regionaal inzicht. Door bijvoorbeeld verwijsdata uit het huisartseninformatiesysteem (HIS) zoals verwijsbrieven te koppelen aan geopende Diagnose Behandel Combinatie (DBC’s) vanuit de ziekenhuizen, kan herleid worden of een doorverwijzing geleid heeft tot een opgestarte behandeling verderop in de keten. Dit kan op geanonimiseerde/ gepseudonimiseerde wijze gebeuren om de privacy te waarborgen.

Door dit regionaal op grote schaal te doen, wordt een grote pool aan zeer waardevolle data verzameld waar analyses op gedaan kunnen worden en algoritmes op kunnen worden getraind. Het zijn deze algoritmes die op termijn de huisartsen kunnen gaan ondersteunen bij nog betere triage en tijd teruggeven aan de zorg.

Retrospectief

Indien de regionale data bijvoorbeeld uitwijst dat een doorverwijzing voor een specifieke indicatie minder vaak leidt tot het openen van een DBC in het ziekenhuis, zou geconcludeerd kunnen worden dat de diagnosestelling voor die indicatie verbeterd kan worden. Er kan dan ingezoomd worden op de doorverwijzingen van deze indicatie. Bij welke huisartsen wordt een doorverwijzing wel gevolgd door een opgestarte DBC en bij welke niet? Wat maakt dat deze huisartsen het ziektebeeld beter herkennen, vaker de juiste diagnose stellen en dus correct doorverwijzen? Wat kunnen de artsen die minder vaak succesvol de diagnose hebben gesteld daarvan leren? Aan de hand van antwoorden op deze vragen kan men regionaal in gesprek gaan om de regionale kwaliteit van triage voor allerlei indicaties verder te verbeteren.

Voorspellend

Het bovenstaande leidt tot waardevolle retrospectieve inzichten. Maar dankzij de inzet van AI kan dezelfde regionale datapool ook voorspellende waardes krijgen. Door holistisch te kijken naar de dossiers van succesvol doorverwezen patiënten, kunnen mogelijk risicofactoren en verbanden tussen symptomen ontdekt worden. In de ziekenhuis data valt mogelijk een hiaat in de voorgeschiedenis van de patiënt in de tijd vóór de ziekenhuisopname. Dit hiaat kan worden aangevuld door data uit het HIS. Hiermee kan als het ware een vollediger ziektebeloop in kaart gebracht worden. Dit kan leiden tot door AI ondersteunde triage in de toekomst.

Auteur: Rick Smits