Waarom de Care nog niet klaar is voor Data Science

Het is fair om even een nuance aan te brengen. De zorgsector bevat ‘cure’-organisaties en ‘care’-organisaties. Cure: Het beter maken van een ziektebeeld zoals ziekenhuizen, fysio en dergelijke. Care: Het verzorgen van mensen, zoals een verpleging- en thuiszorg, gehandicaptenzorg, jeugdzorg en dergelijke. Bij ‘cure’-organisaties zijn er wel al verschillende toepassingen waarbij de meerwaarde van data-oplossingen aangetoond zijn en/of de potentie laten zien. Bij ‘care’-organisaties is dat een ander verhaal. Hoe kan dat?!

Data Science is geen doel op zich, het is een middel. Er zijn prima alternatieven om toch data gedreven te werken, zonder AI of complexe algoritmes toe te passen. Mijn empirisch onderzoek is te beperkt om de absolute waarheid te zijn. Desalniettemin heb ik de indruk dat er een aantal factoren meespelen waarom de Care-zorgorganisaties nog niet klaar zijn voor echt data gedreven werken:

1. Standaardisatie is nodig
2. Primaire doel is zorg
3. Zoek je Data Science oplossingen?

Standaardisatie is nodig

De standaardisatie van in de data (in registratie en communicatie) zal een aantal voordelen opleveren. Bij dataregistratie en databeheer verwijst standaardisatie naar het proces om ervoor te zorgen dat data consistent, uniform en volgens een vooraf gedefinieerd formaat of structuur is. Dit is cruciaal voor:

• Het handhaven van datakwaliteit
• Het mogelijk maken van interoperabiliteit (oftewel samenwerking)
• Leidt tot lagere kosten
• Het faciliteren van nauwkeurige data-analyse.

Voorbeelden zijn er veel, te denken aan op een eenduidige manier registreren (naamgeving) van geleverde zorg, maar ook het registreren van eenheden. Ga je voor telling van een dosis, gram, hoeveelheid pillen, tijdsduur, …?

Oftewel, applicaties kunnen vereenvoudigd worden, gedefinieerde opties geeft minder fouten bij registratie en snellere doorlooptijden. Standaardisatie stroomlijnt alle processen. Je ontkomt er immers niet aan door ook de processen grondig te evalueren. Standaardisatie werkt bovendien modulair werken in de hand, wat de beheersbaarheid van je applicatielandschap ten goede komt. Geen vendor lock-in, maar bewust kiezen voor een bepaalde module. En als elk systeem of module op dezelfde manier registreert, dan kun je ook over systemen heen analyses uitvoeren. Zelfs sector-breed, wat analyses van ziektebeelden, behandelingen of aanpak mogelijk maakt! Tot slot heeft dit een breder effect als het gaat om innovatie. Een bewezen model in organisatie A kan eenvoudig toegepast worden bij organisatie B. Het is daarmee rendabel voor partijen om de investering van de ontwikkeling op zich te nemen en wordt voorkomen dat elke oplossing een maatwerkoplossing is voor een specifieke organisatie (en dus duurder).

Er zijn voorbeelden van stappen in de goede richting. Denk aan KIK-V en ZIB. Beide initiatieven om registratie en communicatie te standaardiseren. Ik heb de stille hoop dat de standaardisatie doorgetrokken wordt binnen elke organisatie en zorgsector als geheel.

Primaire doel is zorg

We kunnen erom lachen, maar er zit een gedachte achter. Natuurlijk is het vanzelfsprekend dat een zorginstelling als primaire doel het leveren van zorg heeft. Als het om Data Science gaat, of data gedreven werken, is dat ook geen showstopper. Data gedreven werken opzetten en beheren vraagt echter om bepaalde expertises. Het is geen neventaak, zeker niet als je primaire taak ‘zorg verlenen’ is. Maar het is ook geen neventaak voor een Controller. En helaas is dat wat je toch vaak ziet bij zorgorganisaties. Veel neventaken verdelen onder de bestaande populatie medewerkers. Medewerkers die aangenomen zijn in een functie met een andere taak dan Data Management, Data Governance, applicaties beheren, data ontsluiten en beschikbaar stellen volgens autorisatiemodel, modelleren, etc.

Het mooie is, als daar wél voor gekozen wordt, dan snijdt het mes aan twee kanten. Iedere medewerker heeft focus voor de taak die hij/zij het leukste vindt en waarvoor hij/zij opgeleid is. Mijn pleidooi in deze zou dus zijn: durf de stap te zetten. Kijk kritisch naar de taken in je organisatie en pas je organisatie daar op aan. Afhankelijk van de omvang en data volwassenheid van je organisatie kun je hierin keuzes maken. Start je klein met één medewerker met de focus op data management/governance. Of ben je al wat verder en breidt je uit met Data Engineers, BI Consultants, Data Analisten en/of Data Scientists.

Zoek je Data Science oplossingen?

Ik hoor vaak “Ik ben op zoek naar een Data Science oplossing”. Of, “Doen jullie ook iets met AI?”. Leuke en geen domme vraag, wel de verkeerde vraag. Het is alsof je wil gaan klussen en vraagt om een schroefmachine. Maar niet elke klus heeft een schroefmachine nodig.

Bij het aanpakken van vraagstukken, problemen of knelpunten is het vooral belangrijk het doel voor ogen te houden. Wat wil je oplossen en waarom? En wat ga je doen met de uitkomst? In veel gevallen is Data Science niet per se de beste optie. Soms is een beslisboom veel efficiënter. Deze zijn bovendien veel goedkoper te beheren en consequenter qua resultaat. Let wel: ik ben zelf Data Scientist. Ook ik zie wel de waarde die Data Science kan leveren. Maar doel redeneren moet altijd voorkomen worden. Ik heb teveel situaties gezien waarbij er duizenden euro’s verspijkerd zijn aan het creëren van een (complex) voorspelmodel. Zonde, zeker als een eenmalige investering het probleem oplost. Wat vooral nodig is, is kritisch en pragmatisch denken. Vraag dus niet om een Data Science oplossing, maar bevraag kritisch vanuit meerdere invalshoeken wat de beste oplossing zou zijn. Bezint eer gij begint!

Dan even terug naar de ‘Cure’. Waarom lukt het daar wel? Grofweg omdat:

• Vraagstukken een duidelijk kader kennen en een doel hebben.
• Nagedacht over hoe een ziektebeeld gemeten kan worden.
• Onderzocht welke data benodigd is voor een model.
• Tijd genomen om data te verzamelen (representatief, ethisch verantwoord, etc.).
• En niet onbelangrijk: Heel veel trail & error met een ‘human-in-the-loop’. Oftewel een menselijke expert die behaalde resultaten kan beoordelen op waarde.

Dit kan bij care-organisaties ook. Maar als je kritisch en eerlijk bent, zijn er andere hordes veel waardevoller. Zoals de hordes hierboven beschreven. Deze punten faciliteren de basis die nodig is voor een data gedreven toekomst en zijn kosten besparend.

Mocht je een verdieping zoeken, we bieden sinds kort de opleiding ‘Data Science in de Zorg’ aan. Hierin krijg je de theorie over het speelveld van Data Science, ga je een vraagstuk van je eigen organisatie verkennen en zelf een aantal Data Science modellen toepassen. Pragmatisch en kritisch.