De mogelijkheden van data om de medische zorg beter en veiliger te maken, lijken oneindig. Zeker nu binnen artificial intelligence ook op basis van teksten kan worden voorspeld of iemand ziek is, of welk behandelbeleid het beste is. “De uitdaging waarin we steeds beter slagen”, vertelt Nicolette de Keizer, hoogleraar medische informatiekunde aan Amsterdam UMC, “is het benutten van alle medische gegevens die al voorhanden zijn.”

Tekst: Caroline Wellink • Foto: Mark Horn

Wat is binnen de muren van het ziekenhuis jouw bijdrage aan de behandeling van patiënten? 

Als medisch informatiekundige sta je niet aan het bed van de patiënt. Maar vanuit de afdeling Klinische Informatiekunde leveren we zeker een wezenlijke bijdrage aan betere en veiligere patiëntenzorg. Vaak zijn het afdelingen zelf die aangeven dat ze met klinische data hun behandelbeleid willen verbeteren, of een eHealthapplicatie willen ontwikkelen. Ze vragen dan aan ons om voorspelmodellen of applicaties te ontwikkelen, maar ook welke data je het beste kunt gebruiken. Belangrijk onderdeel hierbij is de implementatie. Je kunt een prachtig voorspelmodel of eHealth-applicatie hebben, het is pas geslaagd als de kwaliteit van zorg erdoor verbetert. Het gebruikersgemak moet bijvoorbeeld gegarandeerd zijn, betrokken zorgverleners moeten vertrouwen hebben in de veiligheid van het model of de applicatie. Het is dus niet alleen een kwestie van hardcore data verzamelen. Juist daarom bestaat mijn afdeling uit een kakofonie van medewerkers, van computer scientists en medisch informatiekundigen tot gedragswetenschappers. Gezamenlijk dragen ze bij aan betere zorg voor de patiënt, dankzij de vertaling van medische informatiebronnen naar bruikbare tools.

Landelijk verzamelt jouw afdeling data voor alle intensive cares om daarmee de kwaliteit van IC-zorg in Nederland te waarborgen. Waar kun je dan aan denken? 

Wij verwerken voor de Nationale Intensive Care Evaluatie (NICE) inderdaad van alle IC’s in Nederland data uit de Elektronische Patiëntendossiers (EPD’s). Met jaarlijks zo’n vijfenzeventigduizend nieuwe IC-opnamen is dat omvangrijk. De data komen onder andere uit IC-apparatuur, zoals bewakingsmonitoren en de beademingsmachine. We zetten deze om naar bruikbare informatie in de vorm van kwaliteitsindicatoren. Wij vergelijken daarbij de resultaten, zodat IC’s kunnen zien hoe ze het ten opzichte van elkaar doen. Het percentage heropnames verschilde bijvoorbeeld onderling enorm. Na terugkoppeling van deze inzichten, namen de IC’s hun opname- en ontslagbeleid onder de loep en scherpten het aan. Toch merkten we in de praktijk dat het in de waan van de dag lastig is om zorgpraktijk te verbeteren op basis van kwaliteitsindicatoren. Daarom ontwikkelen we nu voor een aantal hiervan dashboards met toolboxen, waarmee je kunt onderzoeken waaraan het kan liggen dat sommige IC’s slechter scoren en met welke aanpassingen je het behandelbeleid kunt bijschaven. 

Hoe ziet zo’n toolbox eruit?

Rond pijnmanagement zagen we grote verschillen; op IC’s waar pijn nauwkeurig wordt gemonitord, ervaren patiënten minder pijn. Toen we in de toolbox handvatten gaven om hiermee aan de slag te gaan, verbeterden alle IC’s hun pijnmanagementbeleid. We ontwikkelen nu dergelijke dashboards en toolboxen voor beademing en antibioticabeleid. Hoewel IC-patiënten volgens de richtlijn op een bepaalde teugvolume, dat is de hoeveelheid verse lucht die tijdens een inademing in de longen wordt gezogen, ingesteld moeten zijn, zien we in onze data dat in sommige IC’s het teugvolume vaak te hoog is. Met risico’s op schade voor de patiënt. In de toolbox zeggen we niet wat je moet doen, maar geven wel verbetersuggesties en materialen op basis van literatuur. Met de NICE-data doen we ook veel onderzoek. Binnenkort promoveert een onderzoeker op een beter alarmsysteem voor medicatie-interacties. IC-patiënten krijgen zoveel medicatie, dat het gangbare alarmsysteem niet werkt; het gaat te vaak af. Het maakt dat de dokter interactiemeldingen makkelijk wegklikt. We hebben nu een sensitiever alarmsysteem specifiek voor de IC ontwikkeld; als er nu een pop-up komt, gaan de alarmbellen bij de zorgverlener ook weer af. Dit heeft tot een aanzienlijke afname van medicatie-interacties geleid.

"We kunnen steeds beter voorspellen op basis van patiëntgegevens"

Tijdens de coronapandemie kwam het vast goed uit dat in Nederland data van alle IC’s zo goed worden vastgelegd? 

Het was een nieuw ziektebeeld, dus in het begin waren er veel vragen. Al snel zagen we aan de registraties dat deze patiënten anders waren dan de ‘normale’ virale pneumonie-patiënt. Ze waren jonger, relatief gezond en toch ernstig ziek. Dankzij de unieke data binnen de NICE-registratie werd snel inzichtelijk hoeveel covid-patiënten er in heel Nederland in het ziekenhuis lagen, hoeveel daarvan op de IC en hoeveel eraan overleden. Landelijke besluitvorming werd ermee ondersteund, bijvoorbeeld de weerslag van de avondklok op het aantal nieuwe IC-opnames. De data werden gebruikt om het verloop van de pandemie te modelleren, om het beddentekort per centra te monitoren. Op basis van patiëntkarakteristieken kon het effect van vaccineren worden geëvalueerd. Het leverde ook uniek onderzoeksmateriaal op. Hoewel aangenomen werd dat vooral mensen met overgewicht kwetsbaar waren, zagen wij bijvoorbeeld dat in de IC-groep van obese covid-patiënten jonger dan 45 jaar, juist sprake was van een lagere mortaliteit dan even oude covid-patiënten met een normaal gewicht. 

Datatoepassingen om de zorg beter en veiliger te maken, lijken geen grenzen te kennen. Wat zijn binnen jouw vakgebied nu de gamechangers? 

We kunnen steeds beter voorspellen op basis van patiëntgegevens, zoals de sterftekans van IC-patiënten of de valincidentie onder ouderen door medicatie. Maar next level is dat we binnen artificial intelligence naast gestructureerde data ook vrije tekst gaan benutten. Duizenden notities kunnen we nu analyseren en patronen ontdekken. In een studie met huisartsengegevens zagen we dat je bij patiënten die maanden later de diagnose darmkanker kregen, je dit met huisartsaantekeningen eerder had opgespoord dan wanneer je alleen gestructureerde data gebruikt. Voordat we een dergelijk model in de huisartsenpraktijk kunnen implementeren is er meer onderzoek nodig naar methoden om transparant te maken welke woorden in de notities bijdragen aan een hoger risico voor een specifieke patiënt. Andere gamechanger is het uniform labelen van data. We hebben het over bloeddruk, systolische bloeddruk, bp, blood pressure. Als je mondiaal dezelfde, door de computer te begrijpen, labels afspreekt, kunnen we oneindig veel bestanden met elkaar combineren. Dan wordt data nóg meer bruikbaar om de zorg te verbeteren.