Met data science kunnen ziektes als bloedvergiftiging en borstkanker gedetecteerd worden.
Maar data science kan ook ingezet worden voor een andere kant van de zorg, namelijk processen. Want hoe zorg je ervoor dat de patiënt het proces van de verwijzing van de huisarts tot het einde van de behandeling zo goed mogelijk doorloopt? Data science kan bijvoorbeeld helpen bij het verkorten van toegangstijden voor een eerste consult bij een polikliniek. Onze data scientist Dominique Cirkel werkte in het kader van haar studie aan de Rijksuniversiteit Groningen (RUG) aan een data science project om de wachttijden bij het Universitair Medisch Centrum Groningen (UMCG) te verkorten. De resultaten zijn indrukwekkend.
Wat was het probleem?
Bij de poliklinieken Interne Geneeskunde en Dermatologie in het UMCG was de toegangstijd, de tijd tussen het verzoek van een patiënt om een afspraak te plannen en het uiteindelijke consult, te lang. Om de toegangstijden in heel Nederland binnen de perken te houden is er een Treeknorm vastgesteld. Volgens deze norm moet 80 procent van de nieuwe electieve (geen spoed) patiënten binnen drie weken op consult komen en 100 procent binnen vier weken. De cijfers van het UMCG weken hier ten tijde van het project twee jaar geleden sterk van af. Zo vond bij Infectieziekten en Dermatologie wel voor 80 procent van de patiënten binnen vier weken een afspraak plaats. Maar de 100 procent werd pas behaald bij respectievelijk zes en acht weken. Ook bij de andere poli’s werd de 100 procent niet binnen vier weken behaald. Dat kon en moest anders.
Gesprekken met artsen en patiënten
Een te lange toegangstijd kan verschillende oorzaken hebben. Dominique: “Om het onderwerp te begrijpen hebben we verschillende gesprekken gevoerd met artsen, de administratie en patiënten. Hierdoor kregen we een goed beeld van wat er misging. Ook bij het analyseren van data zijn we continu in gesprek gebleven om vragen die daaruit voortkwamen beantwoord te krijgen.” De methode die ilionx gebruikt en die Dominique destijds ook gebruikte kent zes stappen, die meerdere keren doorlopen worden:
1. Begrip onderwerp
2. Begrip data
3. Data preparatie
4. Modelleren
5. Simulatie
6. Evaluatie
Een grote stoelendans met spreekkamers
Bij stap vier ‘Modelleren’ is het gehele proces in kaart gebracht. Welke stappen worden er gezet voordat er een afspraak plaatsvindt? Hoeveel patiënten komen binnen met een afspraakverzoek? Hoe lang duurt het voor een afspraak plaatsvindt? Hoe vaak wordt een afspraak geannuleerd? Dit model werd vervolgens gebruikt in de simulatie, waarbij er als het ware verschillende patiënten door het model heengingen. Dominique: “Door niet één, maar honderden simulaties te doen kwamen we steeds dichterbij de werkelijkheid en realistische scenario’s. Met simulaties kun je ook ‘what if’-scenario’s testen. Wat nou als we een extra spreekkamer openen?” Het was duidelijk dat er verschillende variabelen zijn die de toegangstijd beïnvloeden, namelijk ruimte, tijd van de specialist, overig personeel, apparatuur en de openingstijden van de polikliniek. Uit de simulatie bleek al snel dat de eerste variabele, ruimte, de belangrijkste bottleneck vormde.
Het verschil tussen papier en praktijk
De polikliniek heeft onder andere 27 spreekkamers en twee onderzoekskamers. Uit de data bleek dat de bezettingsgraad van de onderzoekskamers slechts 20 procent was. De gelijktijdige bezetting was maar 3,75 procent. Kijkend naar de spreekkamers werd op basis van de data al snel duidelijk dat deze niet optimaal gebruikt werden. Op papier waren alle kamers de hele week bezet, maar in de praktijk waren voornamelijk de dinsdag en de donderdag vrij druk en was er verder redelijk wat ruimte vrij. De oorzaak: Je kon alleen kamers voor een dagdeel reserveren.
Door de ruimte in de spreekkamers en de andere variabelen inzichtelijk te maken werd het mogelijk verschillende scenario’s te testen om de toegangstijd te verkorten. Voor iedere differentiatie bleek een ander scenario het meest succesvol. Voor de differentiaties van Interne Geneeskunde bleek het houden van acht uur spreekuur erg succesvol, terwijl bij Dermatologie het eerder verplaatsen en annuleren van afspraken door medici de grootste verbeterslag gaf. Bij Nefrologie had juist het inzetten van een extra medicus op een dag per week het grootste effect.
Geen data-eiland
Hoe zorg je er nu voor dat de inzet van data science voor verbetering van het zorgproces een succes wordt? Een paar tips: Zorg er ten eerste voor dat data science geen geïsoleerd gebeuren is binnen de organisatie. Administratie, artsen en patiënten zijn erbij betrokken, geven input over het proces en dragen bij aan de oplossing. Geen data-eiland dus. Het is van grote toegevoegde waarde als de data scientist kennis heeft van de zorg en ervoor zorgt dat hij of zij de juiste informatie verzamelt. Met alleen statistiek bedrijven komt niemand verder. Ten slotte valt of staat het succes natuurlijk met de actie die volgt na de analyse. Wordt het probleem daadwerkelijk opgelost en door wie? Het is slim om hier bij de start van het project al een verantwoordelijke voor aan te wijzen.
Met deze tips kan data science processen aanzienlijk verkorten. Welk project ga jij als eerste tackelen?
