Machine learning

Als je huisartsen en POH’s vraagt naar de problemen waar ze tegenaan lopen in de zorg voor chronische ziekten, krijg je eigenlijk standaard een lange lijst aan IT-gerelateerde problemen waar men tegenaan loopt. Het betreft veelal problemen die mij bekend voorkomen van mijn werk in de kliniek; veel klikken, slechte verbinding met printer, en systemen die vast lopen zijn enkele voorbeelden.

Allemaal problemen die relevant zijn als je zelf beslissingsondersteunende software voor de zorg ontwikkelt. Je moet niet het zoveelste softwareprogramma worden dat vanaf het moment van release direct aan de lijst pijnpunten toegevoegd zal worden. Echter, het zijn geen medisch inhoudelijke problemen en ook niet het type problemen waarvoor machine learning de oplossing is en dat is eigenlijk wel waar ik naar op zoek ben.

Je moet niet het zoveelste softwareprogramma worden dat direct aan de lijst pijnpunten toegevoegd wordt

Als je doorvraagt blijkt dat er in de zorg voor chronische ziekten logistiek en medisch inhoudelijk zeker wel wat zaken zijn die verbeterd kunnen worden. Chronische zorg voor cardiovasculair risicomanagement (CVRM) en voor diabetes mellitus is in de meeste praktijken geregeld in strak georganiseerde ketenzorgprogramma’s. De zorg die geleverd wordt volgt de NHG-standaarden en dankzij de ketenzorgprogramma’s heeft de zorgverlener net iets meer handvatten om maximaal grip te krijgen op de populatie.

Voor chronische nierschade ligt het iets anders. Het grootste deel van deze patiëntengroep heeft ook een verhoogd risico op hart- en vaatziekten of diabetes mellitus, en valt op deze manier binnen de ketenzorgprogramma’s. Meer dan eens hoor ik echter terug van huisartsen en POH’s dat ze toch merken dat het aan alertheid ontbreekt als het gaat om de chronische nierschade. Ze volgen wel de NHG-standaard, maar de focus ligt vaak toch op CVRM of op de diabetes.

En dan hebben we de patiënten die niet in de ketenzorgprogramma’s vallen nog niet eens besproken. Voor deze groep patiënten blijkt een goed vangnet helemaal te ontbreken.

Door nauw samen te werken met beoogde eindgebruikers kun je zorgen dat een product ook echt aansluit op hun behoeften en werkwijze

En dit laatste is nu net wél iets waar machine learning een mooie rol kan spelen. Analyse van grote hoeveelheden data uit de dagelijkse huisartsenpraktijk kan inzicht geven in het beloop bij specifieke patiënten en wat het effect is geweest van specifieke therapieën. Daarmee kan het ook gebruikt worden om in te schatten wat het verwachte beloop van chronische nierschade bij die specifieke patiënt in de spreekkamer gaat zijn. Op deze manier kan de zorg op maat gemaakt worden door inzicht te geven in waar de zorg het hardst nodig is. Bovendien kan een dergelijk algoritme in combinatie met bijvoorbeeld een automatisch oproepsysteem ervoor zorgen dat de eerste stap richting een verbeterd vangnet voor chronische nierschade gezet kan worden.

Door nauw samen te werken met beoogde eindgebruikers kun je zorgen dat een product ook echt aansluit op de behoeften en werkwijze van je deze eindgebruikers. En nu nog zorgen dat het niet een softwareprogramma wordt dat direct op de lijst IT-problemen verschijnt.

Delen