Combineren van data is uitdaging in de zorg

Ziekenhuizen hebben twee primaire systemen: erp en het epd. Tot dusverre zijn dat gescheiden werelden. In het ene systeem draait het om inkoop, productie en logistiek. In het andere systeem staat de patiënt centraal. Die twee werelden zijn in de praktijk echter uiteraard niet gescheiden.

Als inkoop niet de juiste aantallen protheses heeft ingekocht, of als de voorraadmodule niet de juiste aantallen weergeeft, dan kan het zo maar gebeuren dat een operatie last-minute moet worden afgeblazen omdat de juiste materialen niet beschikbaar zijn. En zo zijn er nog vele andere voorbeelden te noemen waar de twee werelden van erp en het epd bij elkaar komen.

Ziekenhuizen krijgen steeds meer behoefte om die databronnen te combineren. In de eerste plaats vanuit patiëntoogpunt. De patiënt verdient de best mogelijke zorg, waarbij alle aspecten naadloos op elkaar zijn afgestemd. Maar ook voor de bedrijfsvoering is het prettig als data worden gecombineerd. Als op basis van patiëntdata een ziekenhuis bijvoorbeeld beter kan voorspellen welke zorg patiënten in de kliniek waarschijnlijk nodig hebben, dan kunnen zij hun personeelsplanning optimaliseren.

Nu maken verpleegafdelingen meestal een planning op basis van de bedbezetting. Maar de ene patiënt is de andere niet. De meeste mensen die hun heup breken zijn ouderen, met alle kans op complicaties zoals delier. Maar breekt een jonge wielrenner zijn heup bij een valpartij, dan is de kans op delier vrijwel nihil. Kortom, hoe meer data over een patiënt aanwezig is, hoe beter kan worden voorspeld hoeveel en welke verpleegkundige zorg de patiënt nodig heeft en hoe beter een personeelsplanning kan worden gemaakt die is afgestemd op de waarschijnlijkheid dat zich bepaalde complicaties gaan voordoen. Daarbij kan realtime ingegrepen worden op planningen (personeel, OK, materialen, bedden, et cetera) als patiënten onverhoopt complicaties hebben, er no-shows op de poli zijn of als er een ‘onverwachte’ instroom op de spoedeisende hulp (SEH) is vanwege calamiteiten.

Integreer ook open data

Daarnaast zijn er nog open databronnen. Denk aan wat mensen over je ziekenhuis schrijven op social media. Wat zeggen zij over hun arts of over hun behandeling. En welke vragen zij stellen aan medepatiënten op patiëntfora. Voor longartsen die COPD-patiënten behandelen zijn KNMI-data wellicht interessant, terwijl specialisten in infectieziekten graag op de hoogte blijven van de laatste ontwikkelingen rond ebola. Kortom, er zijn diverse externe databronnen die, gecombineerd met andere data in het datawarehouse, voor meerwaarde kunnen zorgen.

Integreer data van meerdere ziekenhuizen

Tot slot is het interessant om data van meerdere ziekenhuizen te bundelen: patiëntdata, maar ook erp-data. Ziekenhuizen in dezelfde regio werken immers vaak op veel terreinen met elkaar samen: ze verwijzen patiënten over en weer door, ze delen schaarse resources en ze kopen samen in. En dus zou het interessant zijn de erp-systemen en epd’s aan elkaar te koppelen, maar natuurlijk wel op een privacy-vriendelijke manier.

Daar stippen we meteen één van de grootste uitdagingen aan: hoe regel je privacy-technisch dat databronnen op een veilige manier kunnen worden gekoppeld? Zeker als ziekenhuizen gaan samenwerken en data gaan delen, moeten patiënten er wel op kunnen rekenen dat ze alleen geanonimiseerde data delen. De technologie om dit te doen is er. Zeker, het is niet eenvoudig, maar de technologie hoeft geen showstopper te zijn.

Vind niet zelf het wiel uit

Moet ieder ziekenhuis zelf het wiel uitvinden? Nee. Liever niet. Samenwerken kan op meerdere terreinen. Bijvoorbeeld door het delen van analytische modellen. Ik stel me zo voor dat er op termijn een marktplaats komt waar ziekenhuizen hun algoritmen uitwisselen. Het delen van dergelijke kennis kan innovatie immers versnellen.

Wat innovatie ook kan versnellen, is gebruikmaken van de kennis van leveranciers. Aan de erp-kant zetten partijen als SAP en Oracle grote stappen op het gebied van big data analytics. Ze helpen bijvoorbeeld banken met het opsporen van creditcard fraude. Alles wat ze daarvoor doen is in hele grote databases op zoek gaan naar patronen en afwijkingen daarin. Dat is niet anders dan wat bijvoorbeeld medische onderzoekers doen als zij ziekteoorzaken willen opsporen aan de hand van fouten in het dna.

Van de epd-leveranciers heeft bijvoorbeeld Epic via haar database partner veel kennis van en ervaring met informatie halen uit ongestructureerde data.

Ook system integrators, waarvan mijn werkgever er één is, kunnen de rol van sparringpartner vervullen. Vaak hebben ze ervaring in de zorg, maar ook op andere terreinen, zoals bijvoorbeeld marketing. Ze zien de overeenkomsten tussen bijvoorbeeld het voorspellen van klantwensen en het voorspellen van de zorg die patiënten nodig hebben. Natuurlijk, er zijn ook verschillen. Ieder wiel zal er anders uit komen te zien: wat meer of wat minder spaken, een wat bredere of smallere velg, en een wat grotere of kleinere diameter. Maar het zijn wel allemaal wielen.