Wij pleiten dan ook voor een diepgaande analyse vooraf, van zowel de impact als haalbaarheid van ML-oplossingen in de zorg, en dragen hiervoor een praktisch en toepasbaar raamwerk aan.
Machine Learning: de oplossing voor alles?
Machine learning is een vorm van kunstmatige intelligentie (ook wel artificial intelligence, AI) waarbij computers zelf leren van grote hoeveelheden data, om op basis daarvan voor nieuwe, onbekende gevallen voorspellingen te kunnen doen. Dit concept wordt in veel sectoren al toegepast, zoals in surveillance en advertising. Ook in de zorg, en zo ook de acute zorg, wordt AI aangedragen als de oplossing: het kan namelijk op efficiënte wijze problemen oplossen in o.a. de zorglogistiek (zoals capaciteitsplanning) en behandeling.
Een onderzoeks- en implementatietraject hiervoor is echter lang en niet altijd vruchtbaar. Bijna de helft van innovatieprojecten in de zorg stranden of lopen ernstige vertraging op. Uit het jaarlijks onderzoek naar de stand van zaken van AI bij Nederlandse ziekenhuizen uitgevoerd door M&I/Partners van februari 2020, blijkt ook dat 59% van de ondervraagde ziekenhuizen AI nog niet toepast, of er alleen mee experimenteert.
Nieuwe techniek bekeken door verkeerde bril
Eén van de oorzaken hiervan is de afwezigheid van een adequate kritische check op impact en haalbaarheid vooraf. Volgens Maria Jacobs, hoogleraar Implementatie van innovatie in de gezondheidszorg in Tilburg, dient haalbaarheid in kaart te worden gebracht vóór de invoering van innovatie. Maar hoe doet men dat bij een opkomende techniek als ML, waarbij het niet, of slechts deels, mogelijk is om terug te vallen op de geijkte haalbaarheid- en impactanalyses?
Belangrijke vragen zijn bijvoorbeeld: zijn de gegevens waarop het voorspelmodel op papier gebaseerd is wel beschikbaar in de praktijk op het moment dat het model wordt toegepast? 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?
Een eigen dynamiek in een nieuw speelveld
In samenwerking met de ROAZ-regio’s Netwerk Acute Zorg Noordwest en SpoedZorgNet deed Pacmed onderzoek naar ML-oplossingen voor de acute zorgketen. Om de theoretische haalbaarheid te toetsen, gebruikten wij 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.
Daarnaast is het belangrijk om in ogenschouw te 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.
Proef op de som
Met behulp van bovenstaande lijst hebben wij 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 volgens de voorwaarden die wij gebruikten. Het betreft triage-ondersteuning voor de huisartsenpost, capaciteitsplanning op de spoedeisende hulp, en instroom- en doorstroomvoorspelling in het beddenhuis van het ziekenhuis en in de verpleging, verzorging & thuiszorg.
Deze oplossingsrichtingen en de problemen die zij aanpakken worden verder beschreven in het rapport Datagedreven oplossingen voor een efficiëntere regionale acute zorgketen.
Hoe nu verder
Machine learning biedt wel degelijk mogelijkheden om een grote impact te hebben op de gezondheidszorg. Een toets op haalbaarheid vooraf verhoogt de kans om dit ook echt te realiseren. Van essentieel belang zijn echter ook het vertrouwen bij de gebruikers, goede samenwerkingen met zorgprofessionals en het waarborgen van de privacy. Een ML-oplossing in de zorg kan dus zeker verbetering en efficiëntie teweegbrengen, maar het succes ervan is immer context afhankelijk. Daarom dient deze altijd vooraf kritisch en onder de juiste voorwaarden geanalyseerd te worden.
Naast dat we daarvoor moeten samenwerken om impactvolle ketenoplossingen te ontwikkelen, in plaats van puntoplossingen, moeten we dus ook andere raamwerken gebruiken. Het is zonde om te zorggeld te investeren zonder vooraf dit soort haalbaarheidstoetsen te doen.
Martijn Scholtemeijer
Arts en medical consultant bij Pacmed
Dit stuk is in samenwerking met ROAZ-regio’s NAZNW en SZN tot stand gekomen.