Papieren dossiers in zorginstellingen zijn bijna overal verdwenen. Alle gegevens van patiënten worden digitaal bewaard. En omdat we nogal wat gegevens verzamelen gedurende ons leven kan data science in de zorg veel waarde toevoegen.
En dan hebben we het niet alleen over data die wordt gegenereerd binnen de muren van de zorginstelling (zoals foto's, allerlei metingen of labonderzoeken). Maar denk ook eens aan de data die gebruikers van smartphone gezondheid-Apps of wearables dagelijks genereren. Deze toegenomen schat aan data is nog krachtiger wanneer je bedenkt dat zorginstellingen steeds beter samenwerken over organisatiegrenzen heen.
Het is duidelijk dat Data Science met Python onze zorgsector de komende jaren sterk gaat veranderen. In dit blog gaan we in op vier trends die we nu al zien. Dit zegt waarschijnlijk veel over de toekomst van onze zorgsector.
1. Niet iedereen is gelijk en algoritmes kunnen dit zien
Zou je je ouders een zelfde dosering van een bepaald medicijn toedienen als je kind? Waarschijnlijk in veel gevallen niet. Maar net als de lichamelijke verschillen tussen jouw ouders en jouw kind, zitten er ook grote verschillen tussen de lichamen van mensen die op het eerste gezicht meer op elkaar lijken.
Zo kan de ene vrouw van 40 veel gevoeliger zijn voor bepaalde medicatie dan de ander. Bijvoorbeeld door genetische verschillen, een wisselwerking met andere medicatie, of door bepaald gedrag gedurende het leven.
Medicijnen worden ontwikkeld door groepen met elkaar te vergelijken, waardoor er (te) weinig oog is voor individuen. Geef twee groepen een medicijn waarbij één groep een écht medicijn krijgt en de 'controle groep' een placebo. Wanneer de groep die het échte medicijn heeft gekregen significant meer vooruitgaat dan de controle groep, dan werkt de medicatie.
Hierbij zie je dat er weinig oog voor de individuele patiënt is. Daar komt de kracht van Data Science om de hoek krijgen. Door veel meer datapunten te betrekken in de analyse kan men veel nauwkeurigere persoonlijke aanbevelingen doen. Met data science weet je voor het toedienen van medicatie al veel beter of het überhaupt gaat werken op deze pacifieke patiënt, en hoeveel de patiënt nodig heeft van de medicatie.
2. Analyse van afbeeldingen of video's voor betere keuzes
Door de toegenomen rekenkracht in computers is het tegenwoordig niet alleen mogelijk om op hoog tempo gestructureerde data te analyseren, maar ongestructureerde data als plaatjes en video's behoren ook tot de mogelijkheden.
Dit schept interessante mogelijkheden binnen de zorg. Waar vroeger de beelden van een röntgenfoto of CT-scan altijd het beste door een mens beoordeeld konden worden, is dat vandaag de dag anders. In veel gevallen maakt een machine learning model dat goed getraind is nauwkeurigere en snellere keuzes dan mensen. En laat nauwkeurigheid en snelheid nou net van cruciaal belang zijn als het om de zorg gaat.
Een toepassing van data science op video-beelden is bijvoorbeeld dwaaldetectie in de ouderenzorg. Door camera's of sensoren op te hangen kunnen ouderen (wanneer zij toestemmen) gevolgd worden. Door de patronen te herkennen waarmee iemand door het huis beweegt kunnen vroegtijdig veranderingen worden gedetecteerd. Denk bijvoorbeeld aan een oudere die plots veel minder gaat eten (het aantal wandelingen naar de koelkast vermindert). Ook de ontwikkeling van dementie is in sommige gevallen te herkennen uit bewegingspatronen.
3. Voorkomen is beter dan genezen: mogelijk gemaakt door voorspellende modellen
In bovenstaande alinea kwam de kracht van voorspellende algoritmes al aan bod. Om de potentie van data science in de zorg verder te illustreren volgen nog enkele voorbeelden:
- Zo heeft het UMC Utrecht een model ontwikkeld waarmee je reumaklachten kunt voorspellen. Dit is handig, omdat reuma in golven opkomt. Soms heb je veel last, soms weinig of niet. Het model geeft een signaal wanneer een individu klachten dreigt te krijgen, waardoor de patiënt medicatie in kan nemen. De zware medicatie hoeft hierdoor niet meer door de patiënt genomen te worden in rustige tijden.
- Een ander voorbeeld is het monitoren van te vroeg geboren kinderen. Door bloeddruk, bloedwaarden, ademhaling, en hartritme in de gaten te houden kan men infecties vroegtijdig detecteren. Hierdoor kunnen artsen snel ingrijpen en dit levert gezondheidswinst op voor de baby.
- Tenslotte een voorbeeld van waar men openbare data gebruikt en toepast in de zorg. Zo kun je data over luchtkwaliteit van het internet halen en combineren met data van Twitter en Google. Als je deze data naast de astma-opnames legt kun je herkennen welke situaties leiden tot meer opnames. Zo kan een spoedeisende hulp uiteindelijk voorspellen hoeveel astma-patiënten binnen zullen komen. Ook kan je preventief waarschuwingen naar risicopatiënten sturen op slechte dagen.
4. Data Science om kosten te reduceren / inzichtelijk te krijgen
Waar voorgaande voorbeelden vooral ingingen op het verbeteren van de gezondheid van patiënten, kun je data science ook gebruiken om kosten te reduceren door je bedrijfsvoering beter in te richten.
Zo hebben bepaalde GGZ instellingen voorspellende modellen die aangeven hoeveel tijd er aan bepaalde DBC's besteed gaat worden. Ook in bijvoorbeeld capaciteitsplanningen kunnen slimme modellen beter optimaliseren dan mensen, waardoor je kosten bespaart.
Nog niet overtuigd van de waarde van Data Science en Python? Lees hier meer redenen waarom Python en data science leren een goed idee is.
Wil je nog veel meer leren over Python en Data Science? Schrijf je dan in voor onze Python cursus voor data science, onze machine learning training, of voor onze data science opleiding en leer met vertrouwen te programmeren en analyseren in Python. Nadat je een van onze trainingen hebt gevolgd kun je zelfstandig verder aan de slag. Je kunt ook altijd even contact opnemen als je een vraag hebt.
Download één van onze opleidingsbrochures voor meer informatie
Rik is data scientist en marketeer bij Data Science Partners. Vanuit zijn achtergrond op de Technische Universiteit Eindhoven heeft hij veel affiniteit met data. Na zijn studie heeft hij als consultant altijd met data gewerkt en tevens ervaring opgedaan in het geven van trainingen.
