Onderzoek en webinar pacmed

7 december 2020

 Kansen voor machine learning in de acute keten

Pacmed heeft in opdracht van Netwerk Acute Zorg Noordwest en SpoedZorgNet onderzoek gedaan naar Machine Learning (ML)-oplossingen in de acute zorgketen. Een belangrijke focus in de startfase werd door Pacmed aangebracht op de haalbaarheid en uitvoerbaarheid. In de praktijk gebeurt het te vaak dat veelbelovende initiatieven uiteindelijk sneuvelen, omdat vooraf niet voldoende focus is aangebracht op de impact en haalbaarheid van ML-oplossingen in de zorg. Pacmed voerde daarom vooraf een diepgaande analyse uit op basis van een praktisch en toepasbaar raamwerk.

Haalbaarheid vóór innovatie

Belangrijke vragen die vooraf gesteld moeten worden zijn bijvoorbeeld: zijn de gegevens waarop het voorspelmodel op papier gebaseerd is wel beschikbaar in de praktijk? In hoeverre zal de uiteindelijke beslisser zijn beslissing daadwerkelijk laten beïnvloeden door de aanbeveling van zo’n model? Wat is de impact van het model op de uitkomst van de situatie? Kortom, hoe haalbaar is de implementatie van een ML-model voor een bepaald probleem en weegt de mogelijke impact op tegen de investering in tijd en energie?

Om de theoretische haalbaarheid te toetsen, gebruikte Pacmed de volgende vijf kenmerkende voorwaarden voor succesvolle ML-oplossingen:

  • Beschikbaarheid juiste medische data (voldoende kwantiteit & kwaliteit, type data, en concreetheid van de uitkomsten);
  • Mogelijkheid tot verankering beslismodel in het werkproces;
  • Technische infrastructuur voor onderzoek en implementatie;
  • Actiegerichtheid van de medisch expert o.b.v. van de voorspelling;
  • Financiële haalbaarheid in het zorgsysteem.

Focus op ketenoplossingen

Een tweede belangrijke focus van Pacmed tijdens het onderzoek was het in ogenschouw nemen dat het bij de acute zorg gaat om een zorgketen waarbij, in plaats van puntoplossingen, ketenoplossingen dienen te worden ontwikkeld die regionale samenwerking bevorderen en ondersteunen.

Meest kansrijk

Pacmed heeft 25 mogelijke oplossingsrichtingen onderzocht waar ML de acute zorg zou kunnen ondersteunen. Uit deze richtingen zijn vijf uiteindelijke oplossingen geselecteerd, omdat zij een grote impact kunnen hebben op de acute zorgketen en hun ontwikkeling theoretisch haalbaar is. Het betreft triage-ondersteuning voor de huisartsenpost, capaciteitsplanning op de spoedeisende hulp en instroom- en doorstroomvoorspelling in het beddenhuis van het ziekenhuis en verpleeghuis.

Tijdens een op 5 november gehouden webinar vertelde Martijn Scholtemeijer, één van de onderzoekers van Pacmed, over het onderzoek en de resultaten. Deze oplossingsrichtingen en de problemen die zij aanpakken, worden verder beschreven in het rapport ‘Datagedreven oplossingen voor een efficiëntere regionale acute zorgketen’. Het webinar is terug te kijken en het rapport is te downloaden via: https://www.spoedzorgnet.nl/actueel/kansen-voor-machine-learning-de-acute-keten

 

Hoe verder?

We hopen dat dit onderzoek u en onze ketenpartners inspireert om aan de slag te gaan met deze slimme oplossingen.

Bent u enthousiast geworden over de kansen van deze oplossingen en wilt u actief aan de slag of wilt u meer weten, neem contact op met Pacmed: Martijn Scholtemeijer (martijn.scholtemeijer@pacmed.nl) of met één van de beide netwerken via Marloes Wessel (m.wessel@amsterdamumc.nl) ofTom Fresen (t.fresen@amsterdamumc.nl).

Middels deze nieuwsbrief en/of de website zullen wij u op de hoogte houden van de ontwikkelingen.