App Icoon

Klaar, naar Verenso tijdschrift

Samenwerkende Academische Netwerken Ouderenzorg (SANO)
Academische Werkplaats Ouderenzorg Zuid-Limburg 

Data in de langdurige ouderenzorg

 

Sil Aarts, Ramon Daniels, Jan Hamers, Hilde Verbeek

De druk op de langdurige ouderenzorg neemt toe. Mede door de forse vergrijzing, het tekort aan personeel én de voortdurende implementatie van innovaties, ligt er een enorme uitdaging om de langdurige ouderenzorg toekomstbestendig te maken. Digitale en technologische ontwikkelingen spelen hierbij een relevante rol, mede omdat ze tot enorme hoeveelheden data leiden die worden verzameld. Al deze data, die veelal worden verzameld tijdens dagelijkse werkzaamheden, kunnen worden benut met het oog op het inzichtelijk maken en verbeteren van kwaliteit van zorg, kwaliteit van leven en kwaliteit van werken in de langdurige zorg. Mede door de inzet van vooruitstrevende analysemethoden, zijn er nieuwe mogelijkheden om kennis, en daarmee waarde, uit data te halen. Maar welke mogelijkheden bieden data eigenlijk en hoe zetten we dergelijke data om in kennis?

In 2019, is de Academische Werkplaats Ouderenzorg Zuid-Limburg (AWO-ZL) gestart met een nieuwe onderzoekslijn gefocust op ‘(Technologie en) data gebruik in de langdurige ouderenzorg’. De AWO-ZL streeft er naar een voorloper te zijn in het verzamelen en analyseren van (grote hoeveelheden) data binnen de langdurige zorg. Met het genereren van betekenisvolle informatie op basis van analyses van grote hoeveelheden data kunnen we bijdragen aan de kwaliteit en doelmatigheid van de langdurige zorg.1-3

Dit artikel beschrijft het belang van het gebruik van data in de langdurige ouderenzorg. Twee initiatieven gestart door de AWO-ZL illustreren hoe we data (en technologie) een meer prominente plek kunnen geven binnen de langdurige ouderenzorg.

Het belang van data in kwaliteit van zorg, kwaliteit van leven en kwaliteit van werken

Kwaliteit is een van de belangrijkste onderwerpen in de langdurige ouderenzorg, met name in de verpleeghuiszorg. Hierbij gaat het niet alleen om de kwaliteit van zorg, maar ook om kwaliteit van leven voor zowel cliënten als hun naasten, én om de kwaliteit van werken voor zorgprofessionals werkzaam in de langdurige ouderenzorg.

Om kwaliteit te behouden of te verbeteren is kennis een vereiste. Het verzamelen van data binnen de zorg is dan ook niets nieuws. Te denken valt aan informatie over het aantal valincidenten, het percentage cliënten dat tevreden is over de zorgverlening of het ziekteverzuim onder zorgprofessionals. Veel gegevens worden tegenwoordig dan ook routinematig verzameld, bijvoorbeeld in de vorm van elektronische patiëntendossiers en innovatieve technologieën zoals GPS-trackers of domotica (slimme technologie zoals sensoren in woningen en gebouwen).

Wat wel nieuw is, is de hoeveelheid data die wordt verzameld, de variatie in data (niet alleen cijfermatige data, maar ook aan data in de vorm van tekst, plaatjes en videomateriaal), de snelheid waarmee dit gebeurt en de methodes die kunnen worden aangewend om deze data met elkaar te verbinden en te analyseren. Daarom is er meer kennis nodig over het combineren van verschillende soorten data (kwantitatieve en kwalitatieve data), maar ook over het combineren van data vanuit verschillende invalshoeken (bijvoorbeeld data die betrekking heeft op zorgprofessionals relateren aan data die betrekking heeft op kwaliteit van zorg/leven van bewoners van verpleeghuizen), om zo nieuwe kennis te genereren. Het gebruik van grote hoeveelheden data, wordt ook wel ‘Big Data’ genoemd (zie box). Om een breder perspectief op kwaliteit van zorg, kwaliteit van leven én kwaliteit van werk te bieden, dienen de enorme hoeveelheden aan kwantitatieve en kwalitatieve data te worden gecombineerd én geanalyseerd met innovatieve data-exploratieve methoden.  

Big Data

Big data kan gezien worden als een ontwikkeling waarbij grote hoeveelheden gegevens afkomstig uit verschillende gegevensbronnen, aan elkaar worden verbonden om te zoeken naar patronen, veelal zonder vooraf opgestelde hypothesen.4 Daarnaast is het, door nieuwe manieren van data-analyse zoals machine learning en tekstanalyses, mogelijk om deze grote hoeveelheden data te combineren en te analyseren. Hiermee kunnen voorspellingen worden gedaan op zowel persoons- als groepsniveau. Het groeiend aanbod van grote hoeveelheden data én de ontwikkeling van innovatieve analysemethoden, bieden dan ook nieuwe mogelijkheden voor de langdurige ouderenzorg.

Ter illustratie; voor het inzichtelijk maken en voorspellen van goede kwaliteit van zorg in de langdurige ouderenzorg, zijn er verschillende grote databronnen die kunnen worden aangewend om ons mogelijk nieuwe inzichten te kunnen verschaffen. Te denken valt aan data verkregen met de Landelijke Prevalentiemeter Zorgkwaliteit (LPZ).

De LPZ is een jaarlijks terugkerende meting van zorgkwaliteit gericht op zorgproblemen zoals decubitus, incontinentie en ondervoeding. Door de kwantitatieve gegevens uit de LPZ te koppelen aan bijvoorbeeld data te vinden op ZorgkaartNederland.nl ontstaan er nieuwe inzichten. Op Zorgkaart Nederland kunnen cliënten hun persoonlijke ervaringen delen evenals een cijfermatige beoordeling van de zorg dit zij ontvangen hebben. Door middel van ‘webscraping’, kan de data van deze website geëxtraheerd worden. Webscraping is een computermethode om informatie van websites op een automatische manier te verzamelen.5 Deze data kan dientengevolge worden gekoppeld aan de verkregen LPZ data. Dit stelt ons in staat relaties tussen de kwaliteitsindicatoren enerzijds en persoonlijke ervaringen met zorg anderzijds te leggen.

Kwaliteit & tekstuele data

In 2018 is de AWO-ZL gestart met het project ‘Ruimte voor Zorg’. Ruimte voor Zorg meet ervaren kwaliteit van de verpleeghuiszorg middels aparte gesprekken met de bewoner, een familielid en een zorgverlener van de betreffende bewoner.6 Deze gesprekken worden gevoerd door getrainde zorgmedewerkers. Zij voeren de gesprekken in een andere organisatie dan waar zij werkzaam zijn. Inmiddels zijn er 35 interviewers getraind die in totaal 275 gesprekken hebben gevoerd.

Analyse van deze verhalen en terugkoppeling aan elke organisatie blijft echter een tijdrovende uitdaging. Handmatige analyse van de tekstuele data (namelijk: de uitgeschreven gesprekken) is niet alleen een tijdrovend proces, maar vereist ook een constante objectieve houding van de betrokken onderzoekers. Text-mining zou een antwoord kunnen bieden op de vraag hoe we deze grote collecties geschreven tekst makkelijker kunnen omzetten in informatie én kennis. Met text-mining kunnen we tekstuele data analyseren via methoden zoals frequenties, correlaties, clustering en sentimentanalyse.7 Welke thema’s komen het vaakst voor in al deze gesprekken? Zijn de gesprekken van familieleden positiever of juist negatiever dan die van bewoners en/of zorgverleners? Momenteel zijn we dan ook de mogelijkheden van text-mining voor het inzichtelijk maken van de kwaliteit van zorg aan het onderzoeken.

Een ander voorbeeld waarbij text-mining een rol kan spelen is het Elektronisch Cliënten Dossier (ECD) of het multidisciplinaire overleg. ECD’s kunnen bijvoorbeeld worden geanalyseerd met betrekking tot valincidenten; zijn bepaalde geregistreerde woorden, zoals “disbalans” en “onrustig in looppatroon”, gerelateerd aan toekomstige valincidenten? Dergelijke data kan worden aangewend om valincidenten te kunnen voorspellen op persoonsniveau.

Kerngroep Zorgtechnologie zet technologie én data op de kaart

Juist omdat binnen zorgorganisaties steeds meer technologie en dataverzameling hun intrede doen, is de AWO-ZL in 2018 gestart met de Kerngroep Zorgtechnologie. De missie en ambitie van deze Kerngroep is om de inzet van nieuwe zorgtechnologie en bijbehorende dataverzameling te versnellen. Dit wordt bereikt door het geven van feedback aan ontwikkelaars van zorgtechnologie en het beschikbaar stellen van test- en experimenteerruimte voor kansrijke technologieën. De kennis en ervaring die wordt opgedaan in deze kerngroep wordt gedeeld met en tussen de partners van de AWO-ZL. Daarnaast bepalen de partners in samenspraak of, wanneer en hoe subsidietrajecten ondersteunend kunnen zijn aan de onderliggende missie en ambitie. In dit kader is de AWO-ZL een onderzoek gestart hoe de zogenoemde Smartglass nuttig ingezet kan worden binnen de ouderenzorg. Deze 'slimme bril' maakt het mogelijk om tijdens zorgmomenten expertise op afstand in te schakelen, waarbij de deskundige, bijvoorbeeld een specialist ouderengeneeskunde of verpleegkundige, op de tablet of smartphone hetzelfde ziet als een zorgmedewerker die een bril met camera draagt. Door een microfoontje in de bril kan er tijdens het meekijken tevens overlegd worden. Vanwege de toepasbaarheid voor zorg op afstand is dit project in de COVID-19-pandemie in een stroomversnelling geraakt. Momenteel worden testen uitgevoerd om in kaart te brengen hoe de Smartglass ervaren wordt door gebruikers en wat het gebruik ervan daadwerkelijk oplevert voor zorgkwaliteit, reistijd en werkdruk.

Juist omdat nieuwe vormen van technologie steeds meer data automatisch verzamelen, kan de Kerngroep Zorgtechnologie een mooie springplank bieden om data een prominenter onderdeel te maken van de Academische Werkplaats Ouderenzorg Zuid-Limburg en de langdurige ouderenzorg.

Samen aan de slag!

Academische werkplaatsen hebben als gemeenschappelijke doel om onderzoek en zorgpraktijk beter met elkaar te verbinden. De AWO-ZL, zijnde een groot en interdisciplinaire netwerk, is bij uitstek in staat om ideeën en uitdagingen die leven binnen zorgorganisaties, te verzamelen én te vertalen naar wetenschappelijke data en technologievraagstukken. Willen we de resultaten van dergelijke analyses uiteindelijk inzetten voor besluitvorming in de langdurige ouderenzorg, dan dienen deze eerst beoordeeld te worden op nauwkeurigheid (kwaliteit), toepasbaarheid en eerlijkheid. Bij dit proces betrekken we niet alleen wetenschappers en data-specialisten. De betrokkenheid van zorgprofessionals en ouderen en hun naasten bij het formuleren, prioriteren én beoordelen van datavraagstukken, waarborgt dat het gebruik van data en de inzet van technologie daadwerkelijk van meerwaarde is voor de dagelijkse zorgpraktijk. 

Dit is een bijdrage namens de Samenwerkende Academische Netwerken Ouderenzorg (SANO) van de Academische Werkplaats Ouderenzorg Zuid-Limburg (AWO-ZL). De AWO-ZL is een structureel samenwerkingsverband tussen de Universiteit Maastricht, zeven ouderenzorgorganisaties en drie mbo- en hbo-onderwijsinstellingen. De academische netwerken ouderenzorg vormen een belangrijke brug tussen wetenschappelijk onderzoek en de zorgpraktijk: onderzoekers werken samen met professionals uit de ouderenzorg aan (zorg)innovaties en nieuwe kennis. Andere academische netwerken ouderenzorg zijn die van Groningen (UNO-UMCG), Nijmegen (UKON), Leiden (UNC-ZH), Maastricht (AWO-ZL), Tilburg (Tranzo) en Amsterdam (UNO-Amsterdam, voorheen UNO-VUmc).

Auteurs

  • Dr. S. (Sil) Aarts, universitair docent AWO-ZL, vakgroep Health Services Research, Maastricht University
  • Dr. R. (Ramond) Daniëls, linking-pin Sevagram AWO-ZL, vakgroep Health Services Research, Maastricht University & Lector bij Zuyd Hogeschool
  • Prof. dr. J. (Jan) Hamers, voorzitter AWO-ZL, vakgroep Health Services Research, Maastricht University
  • Prof. dr. H. (Hilde) Verbeek, vice-voorzitter AWO-ZL, vakgroep Health Services Research, Maastricht University

Literatuur

  1. Aarts S. & Verbeek H. Blog: Vijf handvatten om data in de langdurige ouderenzorg te gebruiken. Zorgvisie. 2020.
  2. Aarts S. & Verbeek H. Blog: Oproep aan de langdurige ouderenzorg: gebruik die data! Skipr. 2020.
  3. Aarts S. & Verbeek H. Blog: Slim gebruik van data verbetert kwaliteit langdurige ouderenzorg. Qruxx. 2020.
  4. https://www.nictiz.nl/wp-content/uploads/2018/04/Big_data_in_de_gezondheidszorg.pdf
  5. Nicolas G, Bai X, Fiske ST. Exploring Research-Methods Blogs in Psychology: Who Posts What About Whom, and With What Effect? Perspectives on Psychological Science. 2019, 14(4):691-704.
  6. Sion K, Verbeek H, Aarts S, Zwakhalen S, Odekerken-Schröder G, Schols J & Hamers J. The Validity of Connecting Conversations: A Narrative Method to Assess Experienced Quality of Care in Nursing Homes from the Resident’s Perspective. International Journal of Environmental Research and Public Health. 2020, 17.
  7. Yu, C. H., Jannasch-Pennell, A., & DiGangi, S. Compatibility between Text Mining and Qualitative Research in the Perspectives of Grounded Theory, Content Analysis, and Reliability. The Qualitative Report, 2011, 16(3), 730-744.
PDF
Genereer PDF document