In gesprek met... epidemiologen Sjoukje & Isabeau

DHD ondersteunt de ziekenhuizen vanuit verschillende disciplines in hun informatiebehoeften. In een nieuwe reeks artikelen gaan DHD’ers met elkaar in gesprek over hoe zij hun kennis en expertise toepassen voor de ziekenhuizen. Vandaag zijn dat epidemiologen Sjoukje van der Bij (Patiëntenzorg & kwaliteit) en Isabeau van Brakel (Registratiestandaarden).

November 2019

Isabeau van Brakel Sjoukje van der Bij DHD.png
Wilt u met Sjoukje (links) of Isabeau (rechts) van gedachten wisselen? Neem dan contact met hen op via 030 799 61 65 of info@dhd.nl.


Isabeau: ‘Waar houd jij je op dit moment mee bezig?’

Sjoukje: ‘Onder andere met de vraag hoe we ziekenhuizen nog meer handvatten kunnen bieden voor het efficiënter maken van dossieronderzoek. Dat is een vraag die constant speelt: hoe blijven we hierin verbeteren?’

I: ‘Hoe moet ik dat voor me zien? Wij zorgen voor een goede voorselectie van dossiers die vervolgens binnen het ziekenhuis nader kunnen worden onderzocht?’

S: ‘Ja, klopt. Het mooie aan dossieronderzoek is dat je op zoek gaat naar verbeterpunten voor de patiëntveiligheid die op andere manieren minder snel naar voren komen. Simpelweg omdat je vooraf niet weet wat er aan de hand is, tenzij het bijvoorbeeld een calamiteit betreft. Wij helpen de ziekenhuizen naar de meest interessante dossiers te kijken.’

I: ‘Op welke manier gebeurt dat?’

S: ‘Op verschillende manieren. We gebruiken voornamelijk de HSMR, OLO en Heropnamenratio, maar hebben onlangs ook een nieuwe functionaliteit aan de Hospital Data Viewer toegevoegd waarbij aanwijzingen voor zorggerelateerde schade automatisch worden voorgeselecteerd op basis van LBZ-data. Daarnaast onderzoeken we met specialisten de mogelijkheden om indicatoren uit kwaliteitsregistraties te gebruiken. Momenteel loopt er bijvoorbeeld een verkenning met twee ziekenhuizen om indicatoren van de wervelkolomchirurgie op basis van de LBZ te berekenen. De eerste signalen zijn veelbelovend, ook met het oog op het verlagen van de registratielast.’


I: ‘Ik kan me voorstellen dat goede registratie aan de bron hier ook aan kan bijdragen, waar wij ons bij Registratiestandaarden mee bezighouden.’

S: ‘Registratie aan de hand van de Diagnose- en Verrichtingenthesaurus draagt zeker bij aan de kwaliteit van de data en daarmee aan een betere patiëntselectie. Nu worden bij onduidelijke vastlegging patiënten nog wel eens gecodeerd op basis van DBC-informatie in plaats van een specifieke diagnose.’

I: ‘Dat kwam ik zelf ook tegen toen ik mijn scriptie schreef in een ziekenhuis. Ik moest een patiëntenselectie maken op basis van DBC’s. Dat vond ik veel te algemeen, dus heb ik namens het ziekenhuis de eigen data op ICD-10-niveau opgevraagd via DHD. Ik ben nog steeds heel benieuwd wat de uitkomsten van mijn onderzoek waren geweest als de data op basis van thesaurus-ID’s waren geselecteerd.’

S: ‘Dat is ook onze ervaring bij gesprekken met artsen: je hebt minimaal ICD-10-codering op basis van bronregistratie nodig. DBC’s zijn medisch-inhoudelijk niet specifiek genoeg.’

I: ‘Zelfs het niveau van ICD-10 schiet in mijn ogen tekort. Het is al beter dan op basis van financieel ingestoken DBC’s, maar ICD-10 is opgedeeld in hoofdstukken waardoor je nooit op het puur diagnostische niveau van de patiënt komt. Gebruik je de Diagnose- en Verrichtingenthesaurus, dan kun je nog specifieker en duidelijker bepalen welke patiënten je meeneemt in je selectie. Het mooie hierbij is dat de termen in de thesauri zijn gekoppeld aan SNOMED CT, een internationaal terminologiestelsel dat polyhiërarchisch is opgebouwd.’


S: ‘Hoe pas jij je kennis van Medische epidemiologie toe bij DHD?’

I: ‘Dat zit voornamelijk in die bewustwording van het nut van goede registratie aan de bron en hergebruik van data. Ik heb veel afstemming met specialisten, waarbij ik met mijn achtergrond kan onderbouwen dat registratie voor meer doeleinden dan alleen de financiën van belang is. Tijdens de studie zag ik dat veel mogelijkheden rond vastlegging niet worden benut, bijvoorbeeld met betrekking tot kwaliteitsregistraties en wetenschappelijk onderzoek. Het zou mooi zijn als de specialist in de toekomst niet alleen vastlegt aan de bron, maar dit ook goed up-to-date kan houden. Daarmee voorkom je bijvoorbeeld dat de medisch codeur op basis van het dossier de poli-diagnose “buikpijn” moet omzetten naar “appendicitis”.’

S: ‘Ik hoor dat de laatste tijd ook steeds vaker in gesprekken met specialisten. Zij zijn heel enthousiast om de juiste informatie boven water te krijgen. Dat enthousiasmeert mij weer om nog beter te kijken naar welke data er al zijn en welke informatiewaarde je eruit kunt halen.’

I: ‘Die omslag zie je op meerdere manieren terug. DHD ontvangt ook steeds vaker gegevensverzoeken van specialisten en ziekenhuizen die zelf meer met de data willen doen.’


S: ‘Hoe zie jij de toekomst van je vakgebied?’

I: ‘Ik vind het interessant dat er steeds meer mogelijk is op basis van machine learning. Met de thesauri selecteer je nu nog een diagnose of verrichting in een daarvoor bestemd veld in het EPD, maar de specialist wil het liefst snel iets in eigen bewoordingen typen als vrije tekst. Ik denk dat het in de toekomst mogelijk moet zijn om op basis van een algoritme die vrije tekst om te zetten naar exacte diagnosen en verrichtingen. Op die manier wordt het voor iedereen makkelijker: de specialist kan op zijn eigen manier vastleggen, de data – van poli tot ontslag – worden vanuit het EPD via de LBZ automatisch doorgestuurd naar DHD en wij beschikken over de medisch-inhoudelijke data om ziekenhuizen zo goed mogelijk te ondersteunen. Daar ligt in mijn ogen nog een mooie uitdaging voor de EPD-leveranciers, aangezien EPD’s nu vaak heel verschillend zijn ingericht.’

S: ‘Ik herken me wel in de situatie die je schetst. Bij ons gaan voorspellende modellen een steeds grotere rol spelen voor bijvoorbeeld dossieronderzoek. Onze kennis en achtergrond zijn daarbij onverminderd belangrijk, het beoordelen en ontwikkelen van voorspellende modellen is ook onderdeel van de opleiding Klinische epidemiologie. Je moet immers begrijpen waar de data vandaan komen en hoe een afwijkende uitkomst moet worden geïnterpreteerd. Neem bijvoorbeeld patiënten die medicatie krijgen ter voorkoming van een aandoening. Logischerwijs zijn dat vaak al patiënten met een hoog risico op een bepaalde uitkomst. Het lijkt dan alsof de medicatie een hoger risico met zich meebrengt, terwijl de uitkomst wordt veroorzaakt door de patiëntenselectie. Dat soort menselijke kennis is noodzakelijk, juist ook wanneer bij het voorspellen steeds meer gebruikgemaakt wordt van kunstmatige intelligentie.’