Cliënten zoveel vrijheid als mogelijk geven, zorg op maat bieden en tegelijkertijd zo efficiënt mogelijk werken. Dit zijn veelbesproken onderwerpen die we zien in de langdurige zorg. Wil je als zorgorganisatie met deze thema’s aan de slag, dan is er eigenlijk maar één actie noodzakelijk; met bewonersdata aan de slag. Maar hoe doe je dat? En wat betekent dit voor de toekomst van de langdurige zorg?
Van oudsher ligt de nadruk bij het gebruik van domotica systemen op technologie. Stel je voor dat een bewoner, laten we haar mevrouw Jansen noemen, in kamer 1.12 verblijft van een zorgorganisatie en ‘s nachts hulp nodig heeft. Hoe wordt dit vertaald in traditionele technologie? Meestal zo: kamer 1.12 geeft een alarm af aan device 2004. Het verzamelen van dit soort data is niet zo zinvol, de data wordt tenslotte niet gekoppeld aan een cliënt. In de praktijk zie je dat de meeste organisaties vooralsnog data van kamers en apparaten registreren in plaats van bewoners.
Zorg op maat bieden aan de hand van data
Pas als je data uit sensoren en devices koppelt aan een cliënt, kun je gerelateerde patronen gaan herkennen en de zorg hierop afstemmen. En dat hoeft niet heel ingewikkeld te zijn, ook met minimale aanpassingen kun je grote veranderingen teweegbrengen. Zo ken ik een praktijkverhaal waarbij een lichtdemente cliënte zeer onrustig was in haar slaap, uit de data bleek dat ze soms wel vijf keer per nacht haar bed verliet. Toen hierover werd gesproken met de cliënte en haar familie, bleek dat de zorgorganisatie een heel ander ritme voerde dan de cliënte gewend was. Zij ging thuis namelijk pas rond 24.00 uur naar bed, dat is zo’ n twee uur later dan in de zorgorganisatie gebruikelijk is. Toen zorgmedewerkers besloten voortaan het ritme van de cliënte te volgen, sliep de vrouw bijna elke nacht acht uur aaneengesloten. Door deze rustige nachten zat de cliënte ook overdag een stuk lekkerder in haar vel. Dit voorbeeld laat zien dat je met simpele en op data gebaseerde oplossingen de zorg veel beter kan afstemmen op de bewoner.
Persoonlijke profielen aanmaken
Om patronen te herkennen en individuele afspraken mogelijk te maken, is het nodig om persoonlijke bewonersprofielen aan te maken waar de data uit de slimme sensoren in uitmondt. Via deze profielen kun je per bewoner zijn of haar data analyseren en persoonlijke zorgbehoeften instellen. Je kunt bijvoorbeeld per bewoner instellen wat zijn of haar bewegingsvrijheid is. Via een slimme polsband of halsketting kun je per bewoner bepalen welke deuren hij of zij wel of niet mag openen. In de praktijk betekent dit dat veel bewoners meer vrijheid krijgen, ze hoeven niet langer op hun eigen kamer te verblijven voor hun eigen veiligheid. Maar voor sommige cliënten kan zo’n slimme tracker ook uitwijzen dat zij meer vrijheid krijgen dan ze eigenlijk aankunnen. Soms blijkt uit de data bijvoorbeeld dat een cliënt regelmatig ‘dwaalt’ in de zorgorganisatie. Daarom praten we ook altijd over: zoveel mogelijk vrijheid krijgen als dat mogelijk is. Veiligheid is een randvoorwaarde en vrijheid het doel.
De inzet van data zorgt niet alleen voor meer vrijheid en zorg op maat, het zorgt er ook voor dat zorgmedewerkers efficiënter kunnen werken. Neem als voorbeeld de ‘bedsensor’. Dit soort sensoren geven een alarm af als een bewoner zijn bed verlaat. In de praktijk komt het echter vaak voor dat een bewoner ‘s nachts prima zelf naar het toilet kan. Dan is het zowel voor de bewoner als voor de medewerker fijner dat er geen alarm wordt gegenereerd. In het persoonlijke profiel van zo’n cliënt kun je dan aangeven dat je alleen een alarm wil ontvangen als een bewoner bijvoorbeeld meer dan tien minuten uit bed is. Hoe beter je het gedrag van zo’ n bewoner leert kennen, hoe relevanter je het profiel kunt maken. Je probeert de grenswaarden zo precies mogelijk in te stelen. Uiteraard moet je de instellingen in het profiel doorlopend evalueren, want een bewoner kan ook achteruitgaan en zorgbehoevender worden. Ook hiervoor is het analyseren van data en het herkennen van patronen cruciaal.
Privacy en datagebruik
Om de bewonersprofielen mogelijk te maken, is privacy een belangrijk aandachtspunt. Op het moment dat je data niet toekent aan een kamer, maar aan een persoon, wordt de data heel persoonlijk. Je moet goed nadenken over de gevolgen bijvoorbeeld ook in het kader van de AVG.
Een belangrijk aandachtspunt van het registeren en analyseren van bewonersdata is privacy. Een cliënt (of zijn wettelijk vertegenwoordiger) moet akkoord geven hiervoor. Om het datagebruik in je organisatie te verantwoorden en het belang ervan te onderbouwen, is het belangrijk dat je een antwoord hebt op de ‘waarom-vraag’. Als het goed is kom je met het antwoord terug bij je oorspronkelijke doel: het vergroten van vrijheid voor de cliënt en zorg op maat kunnen bieden. Houd deze doelen ook in gedachte op het moment dat je de bewonersprofielen gaat inrichten.
Onlangs gaf Daniel Kapitan, Datascientist bij Mediquest, een interessante presentatie met Ascom bij zorgorganisaties over data in de zorg. Ook hij benadrukte dat het zwaartepunt niet zozeer ligt op wat je met data kan, maar vooral wat je met data wil. Zomaar doelloos data verzamelen en analyseren heeft volgens Daniel weinig meerwaarde. Wat wil je bijvoorbeeld bereiken met de data uit een bedsensor? Een relevant antwoord kan zijn: ik wil weten of de cliënt s nachts alleen naar het toilet kan. Daniel waarschuwt hierbij wel voor het gevaar van aannames. Dat een cliënt s nachts zoveel mogelijk met rust wil worden gelaten, is namelijk een aanname. Misschien vindt een cliënt de nachtelijke checks van de verpleging juist fijn. In zo’n geval heeft het minderen ervan dus weinig meerwaarde voor de kwaliteit van de zorg. Het gaat uiteindelijk toch om de individuele beleving, daarom hamert Daniel op het koppelen van zowel objectieve als subjectieve data.
Patronen herkennen als preventie
Dat we data kunnen inzetten voor patroonherkenning van individuele bewoners, is eigenlijk nog niets met wat er al technisch mogelijk is. Door middel van kunstmatige intelligentie is het namelijk ook al mogelijk om grote datasets te analyseren en voorspellingen te doen. Concreet betekent dit bijvoorbeeld: Als data aantoont dat een bepaalde doelgroep (man/vrouw, leeftijd, ziektebeeld etc) een verhoogd valrisico heeft en er een bewoner uit die doelgroep een zorgorganisatie binnenkomt, kun je de standaardinstellingen van een profiel al hierop aanpassen. Je begint dan niet meer blanco. Om dit mogelijk te maken heb je wel enorme datasets nodig en moet je jezelf ook hypotheses stellen die je kunt loslaten op die set. Uiteindelijk zou deze ontwikkeling ervoor kunnen zorgen dat het zwaartepunt op preventie komt te liggen in de zorg. Dat is toch wel het ultieme doel van data als je het mij vraagt.
Daarnaast verwacht ik dat we in de toekomst veel meer gebruikmaken van data die thuis verzameld wordt in de jaren voordat een bewoner een zorgorganisatie binnenkomt. Er zijn al smartphones die een val kunnen detecteren. Als een nieuwe bewoner dan binnenkomt, kunnen we de bestaande data als uitgangspunt nemen. Dat klinkt nu nog misschien als toekomstmuziek, maar ik denk dat dit weleens sneller werkelijkheid kan worden dan we verwachten.
