Om onderstaande en alle andere premium artikelen te lezen, moet u inloggen of een account aanmaken.
U kunt nog {free_articles_left} premium artikel gratis lezen. Om meer premium artikelen te lezen, moet u inloggen of een account aanmaken.
Het Zuyderland ziekenhuis bedacht een slimme oplossing om no show-afspraken te voorspellen en voorkomen, namelijk met kunstmatige intelligentie (AI). Jeanine Beuken van het Data Science team: “Door de pilot weten we dat het AI-model de juiste groep selecteert. Nu breiden we inzet van het model uit naar meer zorgaandachtsgebieden in het ziekenhuis.”
‘Goedemorgen. U heeft over een paar dagen een afspraak bij het Zuyderland ziekenhuis. Zien we u dan?’ Dit is een voorbeeld van één van de telefoontjes die het klantcontactcentrum van het ziekenhuis sinds begin dit jaar pleegt. Wekelijks krijgt een medewerker van het centrum een overzicht dat wordt gegenereerd door een eigen AI-model: dit zijn patiënten met een afspraak op de korte termijn en een hoog risico op no show. Daarop belt de medewerker deze patiënten op ter herinnering.
Jeanine Beuken werkt bij de afdeling BI en is als data science specialist betrokken bij de pilot van het Zuyderland ziekenhuis. “In totaal rolden er in een half jaar zo 200 hoogrisicopatiënten uit het AI-model. Van de 100 die we aan de telefoon kregen, kwam nog maar 19 procent niet naar de afspraak. Bij de 100 mensen die we niet spraken, was dat maar liefst 34 procent.”
Bij het Data Science team van het Zuyderland ziekenhuis komen regelmatig verzoeken binnen om met data uit het ziekenhuis processen eenvoudiger of efficiënter te maken. Zo ook het plan om iets aan de no show-afspraken te doen, vertelt Beuken: “Bij dit soort verzoeken wegen we altijd af: wat is de effort versus de verwachte opbrengst?” In het geval van de no shows viel die afweging positief uit. “Het trainen van een AI-model vraagt vooral in het begin om veel inzet. Daarna blijf je het model natuurlijk ontwikkelen, maar dat kost minder tijd. Terwijl: het verwachte resultaat van het AI-model op no shows schatten we in als aanzienlijk.”
Hoe kom je vervolgens tot een goed voorspellend model? Het Zuyderland ziekenhuis startte klein, met een pilot bij drie specialismen: Oogheelkunde, Interne Geneeskunde en Longgeneeskunde. Op basis van data uit het verleden definieerden Beuken en haar team de patronen achter no shows. Leeftijd en geslacht bleken goede voorspellers, net als de vraag of iemand al eerder niet verscheen op een afspraak. Beuken: “Het is niet zo dat er een causaal verband is. Bijvoorbeeld: je bent een man, dus je komt niet opdagen. Maar het is wel een combinatie van factoren die zorgt voor een goede voorspellende waarde, en daar zochten we naar.”
Aan die kwantitatieve data voegden ze informatie van de polihoofden toe. Wat waren volgens hen belangrijke indicatoren van een patiënt die mogelijk niet komt opdagen? Bij wat voor afspraken spelen no shows, en welke soort– denk aan spoedafspraken – wil je juist uitsluiten?
Alle data gingen in het AI-model. Na tests voor het meest optimale model werd dat XGBoost, dat het ziekenhuis met Python in haar eigen software programmeerde. Daarna startte de validatie: kloppen de uitkomsten van het model wel? Beuken hierover: “Voor de analyse van de historie rond no shows in ons ziekenhuis gebruikten we data van de afgelopen vijf jaar. Die dataset knipten we in tweeën. Eén deel gebruikten we om het model te voeden, en het andere hielden we achter om later het model mee te valideren. Zo zeiden we tegen het model: laat maar eens zien wat de uitkomsten zijn op basis van data die je nog niet kent.”
Het Data Science Team categoriseerde die output in vier vakken: no show en door het model ook als zodanig herkend, no show maar niet door het model als zodanig herkend, geen no show en ook zo door het model gedefinieerd, en geen no show maar wél als zodanig door het model gedefinieerd. Beuken: “Het bijstellen van zo'n model is een cyclisch proces. Je beoordeelt steeds: doet ‘ie wat hij moet doen? En daarop stel je dan bij. We beoordeelden ook of bijvoorbeeld een ander statisch model een beter resultaat gaf. Tot we uiteindelijk tevreden waren over de werking van het model.”
Het AI-model draagt niet alleen bij aan efficiëntie, maar ook aan mensgerichte zorg
De pilot van het Zuyderland ziekenhuis draaide een half jaar in de drie specialismen. Er rolden ongeveer 200 patiënten met een hoog risico op no show uit het AI-model. Het percentage mensen dat uiteindelijk niet op kwam dagen, was beduidend lager wanneer het klantcontactcentrum hen voor de afspraak telefonisch sprak, dan bij de groep die het ziekenhuis niet aan de lijn kreeg. Bovendien werden afspraken waar nodig direct geannuleerd of verzet, en konden niet kloppende gegevens meteen worden aangepast.
“Het is nog steeds interessant dat 19 procent van de mensen die we vooraf wél spraken, uiteindelijk niet op de afspraak verscheen”, stelt Beuken. “Dat staat op onze lijst om nog verder te onderzoeken. Kunnen we iets anders doen in ons telefoongesprek? En zit er een patroon in waarom deze mensen alsnog niet komen?”
Na de eerste, goede resultaten breidt het ziekenhuis de pilot uit naar meer zorgaandachtsgebieden. Waarschijnlijk 16 in totaal. “Het gaat niet alleen om specialismen, maar bijvoorbeeld ook om beeldvormende afdelingen. Een MRI-afspraak is bijvoorbeeld hartstikke kostbaar. Dan is het al helemaal vervelend als de afspraak vergeten wordt.”
En het mooie is volgens Beuken: het AI-model hoeft nu niet helemaal opnieuw opgebouwd te worden. Het algoritme is zelflerend, en wordt dus steeds slimmer. “Maar uit zichzelf nieuwe variabelen toevoegen, dat kan het model niet. Dus dat doen we voor de tweede ronde zelf. Ook weer op basis van historische data en gesprekken met polihoofden. Voordat we het model in gebruik nemen, valideren we het model opnieuw voor de nieuwe zorgaandachtsgebieden. En ondertussen blijven we het eerste model optimaliseren. Dat is een continu proces.”
Het doel is om het AI-model uiteindelijk in het hele ziekenhuis uit te rollen. “Dat je dan helemaal geen afspraken meer hebt waarbij de patiënt niet komt, is een utopie”, stelt Beuken. “Ik denk niet dat dat mogelijk is. Maar we kunnen het aantal no shows wel drastisch terugdringen. Daarmee helpen we ook nog eens de patiënt. Want die ziet soms door de bomen het bos niet meer. Of de patiënt maakte de afspraak een jaar geleden en is het gewoon vergeten. Tijdens de pilot merkten we dat veel mensen het prettig vonden dat we hen telefonisch herinnerde. Op die manier draagt het model niet alleen bij aan efficiëntie, maar ook aan mensgerichte zorg.”
Esther Talboom (lid RvB) vertelt meer over de visie van het Zuyderland op AI: “Zuyderland heeft grote ambities op het gebied van digitalisering en de inzet van data & AI om onze zorgprocessen te versimpelen, administratieve lasten te verminderen en nog betere capaciteitsbenutting te realiseren. Met de toename van de zorgvraag en afname van de beschikbaarheid van zorgpersoneel is het zeer noodzakelijk om innovatief te zijn. We zetten hier strategisch dan ook vol op in. We zien veel kansen om AI-oplossingen in te zetten in het medisch-, verpleegkundig- en logistiek domein en in de administratieve organisatie. Dat geldt zowel voor het ziekenhuis als de GGZ en Care - verpleeghuis- en thuiszorg.”
“Als unieke organisatie met al deze vormen van zorgaanbod hebben we een bijzondere positie om de waarde van data te maximaliseren. We zetten onze zorgprofessionals in hun kracht om met zogenoemde use cases te komen, waarin vraagstukken uit de dagelijkse praktijk vertaald worden in AI-oplossingen. Denk bijvoorbeeld aan het voorspellen van de instroom op de SEH, maar ook aan het voorspellen van het verloop van het zorgpad op basis van bloedbepalingen. Uiteraard doen we dit binnen de ethische, privacy- en juridische kaders. Misschien zijn we soms zelfs strenger dan die kaders, omdat we het belangrijk vinden dat AI verantwoord wordt ingezet. Maar het helpt nu al, en we zijn zeer benieuwd naar wat de toekomst ons brengt.”
