In de zorg worden grote hoeveelheden data vastgelegd. Echter wordt er op dit moment relatief nog weinig informatie uit deze data onttrokken. In dit artikel laten we zien hoe machine learning hierin kan bijdragen en een essentiële rol gaat spelen in het verduurzamen van de zorg. En waarom een dataplatform van essentieel belang is om data te structureren en te combineren.

 

Wat is machine learning?

Machine learning klinkt heel complex maar simpel gezegd geeft deze techniek computers het vermogen om zelf te leren, zonder dat ze daar expliciet voor zijn geprogrammeerd. Bij machine learning geven we de computer historische voorbeelden waarna de computer zelf de onderliggende verbanden kan leren. Vervolgens kan het systeem automatisch voorspellingen maken – zo ook binnen de zorg gelinkt aan nieuwe patiënten.

Ondanks dat machine learning onder de paraplu van kunstmatige intelligentie valt, hoeft er niet meteen te worden gedacht aan bijvoorbeeld zorgrobots. Machine learning helpt namelijk ook bij het stroomlijnen van processen. Veel herhaaldelijk taken die normaal door een zorgmedewerker worden gedaan kunnen zo worden geautomatiseerd.

 

Voorbeelden van machine learning in de zorg

Aan wat voor machine learning systemen moeten we dan denken binnen zorg? Er zijn veel voorbeelden waar machine learning processen de zorg ondersteunen. Zo kan een machine learning model gebruikt worden om huisartsen en behandelaren in de GGZ te ondersteunen bij het identificeren van mogelijk suïcidale patiënten.

Maar ook kan er bijvoorbeeld voorspeld worden hoelang een patiënt opgenomen dient te worden. Het machine learning model kijkt en leert welke kenmerken in de historische data invloed hebben op de opnameduur van een patiënt. Vervolgens kan voor een nieuwe patiënt de opnameduur worden ingeschat. Hierdoor wordt het makkelijker om op een efficiëntere manier zorg te plannen.

Verder kan een machine learning systeem leren om te voorspellen of een cliënt in de GGZ vroegtijdig een behandeling zal beëindigen. Hierdoor kan in een eerder stadium door de behandelaar worden ingegrepen om zo vroegtijdige beëindiging van de behandeling tegen te gaan.

 

Sentiment halen uit de tekstvelden

Ook wordt veel informatie in de zorg vastgelegd in tekstvelden. Uit deze velden kan sentiment worden gehaald, wat een indicator kan zijn voor de gesteldheid van de patiënt. Daarnaast kunnen ook thema’s uit deze tekstvelden worden gehaald waardoor een behandelaar snel een overzicht kan krijgen over de gesteldheid van de patiënt. Verder verbetert dit ook de doorzoekbaarheid van het elektronische patiëntendossier.

In de ziekenhuisgeneeskunde kan machine learning ook radiologen ondersteunen bij het interpreteren van scans en echo’s. Bepaalde machine learning systemen zijn in staat met dezelfde accuraatheid bepaalde ziektes op deze scans te identificeren. Hierdoor kan de werkdruk voor radiologen worden verlicht. Daarnaast kan een automatische analyse van deze scans ook dienen als een snelle en directe second opinion voor de patiënt.

Lees ook: Hoe Mondriaan machine learning inzet om een verhoogd risico op een drop-out te voorspellen

 

Waarom machine learning gebruiken in de zorg?

In de zorg wordt onwaarschijnlijk veel data vastgelegd. Echter blijft deze ruwe data vaak onaangeraakt op de plank liggen. Dit is een probleem, want deze data bevat veel nuttige informatie die door zowel de zorgbestuurder als de behandelaar en de zorgverlener kan worden gebruikt.

Met machine learning kun je informatie extraheren uit deze ruwe data. De mens is niet in staat verbanden te ontdekken in grote hoeveelheden data, maar machine learning modellen gedijen hier juist bij. Door deze modellen te gebruiken kunnen grote hoeveelheden data in de zorg inzichtelijk worden gemaakt en processen worden geautomatiseerd en geoptimaliseerd.

Toch loopt technologie (voornamelijk op IT en datagebied) in de zorg vaak achter ten opzichte van andere sectoren. Dat is niet gek, aangezien het gaat om de gezondheid van mensen. De impact van een machine learning systeem in de zorg op iemands leven kan groot zijn, veel groter dan bijvoorbeeld het koppelen van de juiste advertentie aan de juiste consument. Daarom is essentieel dat mens en machine elkaars sterktes en zwaktes kennen om zo beter te kunnen samenwerken voor een optimalere en efficiëntere zorg.

 

Een dataplatform is essentieel om data te structureren en te combineren

Er zijn talloze manieren waarop machine learning een bijdrage kan leveren aan het verbeteren van de zorg. Er wordt in de zorg ongelooflijk veel data vastgelegd waar relatief weinig mee wordt gedaan. Machine learning kan hier een bijdrage aan leveren door om zo zorgprocessen te automatiseren en te optimaliseren. Het is van belang dat er een symbiose ontstaat tussen mens en machine, waarin de machine in dienst staat van de zorgverlener en niet de zorgverlener in de weg zit.

Bij 6Gorillas geloven wij dat machine learning modellen essentieel zijn voor het verduurzamen en verbeteren van processen in de zorg. Daarom hebben we een data platform ontwikkeld dat data uit allerlei verschillende bronnen structureert en combineert. Hierdoor kunnen data scientists en machine learning engineers relatief makkelijk machine learning modellen bouwen die zorgmedewerkers ondersteunen.

 

Download de explainer ‘Alle data van jouw zorgorganisatie in één platform

Bij 6Gorillas willen wij de samenwerking bevorderen door het aanbieden van een Data Science werkplek as a service. Hierbij kunnen traditioneel onderzoekers en Data Scientists makkelijk en op een veilige manier toegang krijgen tot data op het dataplatform.

Zo kunnen ze samen analyses en modellen maken en nieuwe inzichten creëren om zo de kwaliteit van de zorg te verbeteren. We vertellen je graag meer over het dataplatform in onze explainer.

In de Explainer: ‘Dataplatform as a service’ lees je alles over:

✔ Hoe het dataplatform jouw zorgorganisatie sturing geeft in de bedrijfsvoering
✔ Benut de potentie van BI en Data Science
✔ Klantcases Trubendorffer en MoleMann
✔ Hoe schaalbaarheid, real time en security leidend zijn

 

                                 

Anton Kuijer                Max Scheijen

Data Scientist                                                   Data Scientist