Slimme zorg:
Data voorspelt uitkomst knieoperatie
Datagebruik wordt steeds belangrijker in de zorg. Zorg kan beter worden door goede data-analyse. Zo blijkt in circa zeventig procent van de gevallen dat met de juiste data een voorspelling gedaan kan worden of een knieoperatie succesvol zal zijn. ‘Toch heeft het nog wel wat voeten in aarde voordat dit op deze manier ook ingezet kan worden’, voorspelt onderzoeker en data-scientist in het Deventer Ziekenhuis, Sjoerd Grobben.
Sjoerd Grobben
Data-scientist
Van de patiënten die een knieoperatie ondergaan, heeft zo’n tien procent na een jaar nog pijnklachten. Hoe mooi zou het zijn als je van tevoren kunt voorspellen, wie wel en wie geen baat heeft bij een operatie? ‘En dat kan’, blijkt uit onderzoek van Sjoerd Grobben. Het Deventer Ziekenhuis is nadrukkelijk de weg van de toekomst ingeslagen. Was er al een Business Intelligence team, de laatste jaren is daar onder aanvoering van Innovatie middels opleiding en het aannemen van nieuwe collega’s datascience als nieuwe specialisatie aan toegevoegd. Sjoerd: ‘Business Intelligence kijkt –met behulp van data- vooral achteruit: wat is er gebeurd? Data science kijkt vooral vooruit: hoe kunnen we op basis van historische data gaan voorspellen? Hoe kunnen zorgprocessen verbeterd worden door data te gebruiken? Ons Business Intelligence team is de laatste tijd flink gegroeid. Data en innovatie is één van de belangrijke strategische lijnen van ons ziekenhuis.’
'Je kunt een goed beeld schetsen of een patiënt baat gaat hebben bij een operatie of niet.’
- Sjoerd Grobben
Scheve dataset
Sjoerd volgde recentelijk een opleiding tot data scientist. Eén van de onderwerpen die voorbijkwam als casus in de studie, was onderzoek doen naar de voorspelbaarheid van de uitkomst van een knieoperatie. Het bracht Sjoerd direct op het idee om het Deventer Ziekenhuis als schaduwcasus ernaast te leggen. Input voor het voorspellen van een uitkomst van deze operaties zijn onder meer de PROM’s: vragenlijsten waarin vooraf en op verschillende momenten na de operatie wordt gevraagd hoe de patiënt zich voelt en hoe het met hem of haar gaat. In deze PROM’s wordt ook gekeken naar de zogenaamde Oxford Knee score. Een internationale indicator/ vragenlijst. Sjoerd: ‘Denk dan aan vragen als: hoe goed kunt u een trap oplopen? Kunt u zichzelf wassen en aankleden? Kunt u soepel een auto instappen? Deze vragenlijst wordt vóór de operatie en 6, 12 en 24 maanden na de operatie opnieuw ingevuld door patiënten. Gekoppeld aan de PROM’s kun je dus met data-analyse gaan kijken of er een afwijking is tussen de situatie voor en na de operatie. En middels analyse dus kijken hoe een patiënt uit de operatie gaat komen. Ons onderzoek wijst uit dat we in ongeveer zeventig procent van de gevallen een eventuele negatieve uitkomst van een operatie goed kunnen voorspellen.’ Sjoerd maakt daarbij gebruik van machine learning. ‘Tien procent van de patiënten heeft na een jaar nog klachten. Dat is relatief weinig, wat ervoor kan zorgen dat data door een machine-learning model niet goed wordt geïnterpreteerd. Speciale machine learning algoritmes helpen hierbij om misinterpretatie van data te voorkomen. Concluderend kun je dus wel een goed beeld schetsen of een patiënt baat gaat hebben bij een operatie of niet.’
Mislukkingen
Hoewel we redelijk succesvol kunnen voorspellen of een knieoperatie de klachten oplost, is Sjoerd toch voorzichtig met conclusies en een vervolg. ‘Je hebt het wel over mensen. Je kunt wel zeggen dat een uitkomst van een operatie vermoedelijk slecht is, maar moet je dan niet gaan opereren? Dat blijft toch altijd een beslissing van de arts en de patiënt samen. De klinische blik van de arts met ervaring blijft het belangrijkst. Ik denk dat het voor de komende tijd al mooi is als we hier in het Deventer Ziekenhuis een schaduwonderzoek zouden kunnen gaan doen. Operaties gaan volgen met data om te kijken of het model inderdaad voldoet aan de verwachtingen. Wanneer dit succesvol blijkt te zijn, zou het model een second-opinion tool voor de arts kunnen zijn en daarbij als beslisondersteuning kunnen dienen.’ Speelt nog wat: voordat een systeem operationeel kan worden, moet er niet alleen veel water door de IJssel, maar door heel veel rivieren. Sjoerd: ‘Dit soort implementaties heeft nogal wat voeten in aarde. Wat uit onderzoek komt, moet uiteindelijk allemaal gecertificeerd worden. Daar gaat veel tijd en energie in zitten. Niet voor niets haalt 85 procent van dit soort “bewezen” innovaties de eindstreep niet omdat het vervolgtraject lang en ingewikkeld is.’ Het weerhoudt het ziekenhuis en ook Sjoerd niet om door te gaan met data als zorgverbeteraar. Zelf zijn hij en het Business Intelligence team alweer bezig met een project voor de fysiotherapie, waarbij onderzocht wordt of het combineren van wearable-data met klinische-data waardevolle inzichten geeft, over onder andere de kwaliteit van behandeling. ‘Daarbij kijken we hoeveel patiënten bewegen. Voor en na de operatie. Om zo voor een beter herstel te zorgen op basis van data-analyse.’