Gegevens die artsen in de elektronische patiëntendossiers (EPD's) invoeren, worden voornamelijk gebruikt om de medische geschiedenis van een patiënt te bekijken. In een artikel op ICT&health International wordt beschreven hoe deze gegevens beter ingezet kunnen worden met behulp van het ‘kleine gegevens’-model.
In de wetenschappelijke studie ‘Physician Time Spent Using the Electronic Health Record during Outpatient Encounters’ uit 2020 bekeken onderzoekers 100.000 afspraken in de VS. De studie onthulde dat voor elke afspraak behandelaars 16 minuten moeten besteden aan het invoeren van gegevens in het EPD. De meeste tijd wordt besteed aan het bekijken van de afspraakgeschiedenis (33%) en de bijbehorende documentatie (24%).
Dit is vrij veel tijd, maar nog steeds aanzienlijk minder dan bij papieren documentatie. Het EPD heeft nog een aantal andere voordelen: snellere toegang (in theorie) tot patiëntgegevens vanuit andere zorgaanbieder, veilige gegevensuitwisseling, gemakkelijker bekijken en sorteren van informatie, automatisering door middel van notitiesjablonen en standaarden, veilig voorschrijven en controle van farmacotherapie.
Twee soorten voordelen EPD
Naast de voordelen die direct voortvloeien uit digitaal toegankelijke gegevens (primaire verwerking), zijn er voordelen met betrekking tot secundair datagebruik. Dit betreft informatie die kan worden verkregen door het analyseren van patiëntdatasets binnen een zorginstelling of individuele medische praktijk. Om dit potentieel van data te benutten, moet een strategie voor ‘datamanagement’ worden toegepast.
Deze strategie voor beter gebruik van data omvat twee elementen:
- Hoe een arts omgaat met patiëntgegevens ter ondersteuning van klinische en preventieve besluitvorming (gegevenssortering);
- Een methodiek voor het verwerken van de gegevens om specifieke zorgacties te ondernemen voor specifieke patiëntengroepen of individuen.
Elke arts heeft een eigen werkwijze. Maar allemaal hebben ze tijdens een afspraak met een terugkerende patiënt dezelfde soort gegevens nodig: eerdere diagnoses, laboratorium- en beelddiagnostische resultaten, voorgeschreven medicijnen, afspraaknotities, allergieën, trends in meetbare gezondheidsparameters, waarschuwingen voor overschrijding van referentienormen, etc. Een zogeheten EPD-dashboard organiseert deze informatie om de arts snel een volledig beeld van de gezondheidstoestand te geven.
Minder tijd nodig
Goed ontworpen IT-systemen maken individualisering van patiëntoverzichten mogelijk, aangezien deze variëren afhankelijk van het patiëntencohort, specialisme en de verwachtingen van artsen. Pre-configuratie helpt de tijd te beperken die wordt besteed aan het bekijken van data en het openen van volgende vensters in het systeem.
Bij het bepalen van een bepaalde kijk op het systeem moet rekening worden gehouden met het effect van vooringenomenheid (bias). Hoewel geselecteerde en in één oogopslag zichtbare gegevens de besluitvorming kunnen versnellen, bestaat het risico dat andere essentiële feiten over het hoofd worden gezien, die niet worden benadrukt of niet zijn opgenomen in het EPD. Een goed dashboard voor artsen en verpleegkundigen wordt daarom systematisch geëvalueerd. Hoewel het vanzelfsprekend klinkt, wordt dit in de praktijk vaak vergeten direct na de implementatie van het IT-systeem.
Beperkt gebruik databronnen in EPD
Zorginstellingen maken beperkt gebruik van databronnen om beslissingen te nemen over zorg of preventie. Toch kunnen ze de tevredenheid van de patiënt zo verhogen en zelfs de resultaten van de behandeling van patiënten verbeteren. Een datamanagementstrategie moet specificeren welke rapporten regelmatig worden geproduceerd, wie er toegang toe heeft - in overeenstemming met de privacyregels van patiëntgegevens en de AVG-procedures - en welke acties ze met zich meebrengen.
Een klassiek voorbeeld is een lijst van patiënten waarvan de resultaten van door een arts opgedragen laboratoriumonderzoek al beschikbaar zijn. Als dit wordt aangevuld met informatie of er al een vervolgafspraak voor de patiënt is gemaakt, kan de huisarts gemakkelijker beslissen welke actie moet worden ondernomen: een telefoontje naar de patiënt om te informeren dat alles in orde is; een oproep voor een afspraak; geen actie - de resultaten zijn stabiel en de afspraak is geregeld.
Doelstellingen analyses
Soortgelijke procedures zijn van toepassing op andere verklaringen die door het systeem worden gegenereerd. Het aantal potentiële statistieken en verklaringen is groot, allemaal afhankelijk van de doelstellingen van de analyses, zoals bijvoorbeeld verbeterde zorg, verhoogde patiënttevredenheid, inkomstenoptimalisatie, identificatie van knelpunten in workflows, etc. Hieronder volgen enkele voorbeelden:
- Voor patiënten met chronische ziekten in stabiele toestand kan de voorziening vergelijkbare diensten aanbieden, maar in een andere vorm. Het gaat om online consulten waarbij een arts een e-recept voorschrijft. Passend beheer van de stroom van patiëntengroepen is ook belangrijk vanuit het oogpunt van inkomsten (online consultatieservice voor chronische patiënten – meer gratis afspraken voor patiënten die zorg ter plaatse nodig hebben). Een medische instelling kan bijvoorbeeld een lijst met diabetespatiënten analyseren en controleer of ze in het voorgaande jaar zijn doorverwezen voor een oogonderzoek (of er zijn geregistreerde resultaten) om neuropathie uit te sluiten.
- Preventieve campagnes. Dit kan een lijst zijn van patiënten met chronische ziekten, die vervolgafspraken zouden moeten maken, maar dat niet doen; of degenen die vanwege hun risicogroep preventieve vaccinaties moeten krijgen.
- Patiënten met een hoog nalevingspercentage. Degenen die bezig zijn met het behandelproces, komen regelmatig op afspraken, kopen de voorgeschreven medicijnen en volgen de instructies op. Passende annotatie in het dossier helpt om communicatie en zorg op elkaar af te stemmen.
- Frequentie van bezoeken. Een hoog aantal terugkerende patiënten kan het gevolg zijn van het bedienen van een specifieke patiëntengroep (senioren met meerdere aandoeningen), ontevredenheid over het serviceniveau (afspraken van dezelfde patiënt met verschillende huisartsen) of ongepast gebruik van beschikbare technologie (e-recepten voor chronisch zieke patiënten). Er zijn veel andere statistieken die abnormale workflows kunnen identificeren: het aantal gemiste afspraken, een toenemende gemiddelde servicetijd voor de patiënt, de noodzaak om het EPD in te vullen na het einde van de afspraak, enz.
- Analyse voor wetenschappelijk onderzoek. Anonieme, hoogwaardige EPD-gegevens worden vaak gebruikt in wetenschappelijke publicaties. Dit zijn Kleine gegevens: gegevens die lokaal zijn verzameld, maar die een groot cohort patiënten vertegenwoordigen. Ze kunnen unieke informatie bevatten over regionale gezondheidstrends voor de bevolking.
