Een systeem als Health Exchange heeft volgens voormalig verpleegkundige Teun – nu Information Manager KPN Health - meerdere voordelen. Informatie is beter deelbaar tussen zorgprofessionals, medische informatie is inzichtelijker voor patiënten zelf en zorgprofessionals ervaren minder administratieve last. Om dat laatste meteen concreet te maken: in plaats van voortdurend formulieren opnieuw in te vullen, zijn gegevens al digitaal en gestructureerd vastgelegd. En steeds duidelijker wordt dat het juist interpreteren van alle data van patiënten steeds belangrijker wordt.
Patiëntgegevens op orde
De informatiemanager benadrukt dat de meeste zorgaanbieders – huisartsen, ziekenhuizen, VVT-instellingen et cetera – data zoals patiëntgegevens al goed op orde hebben. Wat Health Exchange doet, is de uitwisseling ervan beter faciliteren. Tot nu toe was dit als gevolg van gebrekkige interoperabiliteit vaak lastig.
“Wij doen zelf niets met de data, maar zorgen wel dat deze beter kan worden ontsloten zodat de verschillende zorgprofessionals die data met elkaar kunnen uitwisselen’, aldus Teun. “Uiteindelijk moeten professionals al die data van al die verschillende bronsystemen van zorginstellingen niet alleen maar gebruiken om te kijken hoe het met de patiënten gaat, maar ook wat die data hen vertelt. Wat kunnen ze van die data leren? Zijn er bepaalde verbanden te leggen? En zijn bepaalde zaken wellicht te voorspellen?”
Veelzijdiger gebruik data
Zo is informatie van een sensor die aangeeft dat een patiënt ’s nachts vaak dwaalt voor meer doelen te gebruiken dat om een verpleegkundige een signaal te geven. “Het is wellicht veel interessanter om het dwalen te koppelen aan de medicatiegegevens van de patiënt. Is daar recent iets in veranderd? Of heeft de patiënt eerder op de dag bijvoorbeeld ruzie gehad met iemand? En kunnen we dit voorval koppelen aan vergelijkbare casussen? Waren er meer patiënten die dit gedrag vertoonden de afgelopen tijd? En hoe zit het met hun medicatie? Wellicht is er sprake van een correlatie.” En behalve voor medische hulp kan data bijvoorbeeld worden ingezet voor onderwijs, onderzoek, of personeelsbeheer. Data driven kennis kan de zorg zo verbeteren.
Het systeem van Health Exchange maakt gebruik van het herkennen, indelen, transformeren en transporteren van verschillende FHIR-resources die zijn gedefinieerd via HL7 FHIR (Health Level Seven: de wereldwijde standaard voor veilige, elektronische informatie-uitwisseling in de zorg). De HL7 standaard definieert alle soorten gegevens in alle zorgdomeinen en zorgsectoren en is in meer dan 30 landen actief. De FHIR resources hebben een relatie met zorginformatiebouwstenen (zib’s) die Nictiz beheert en die informatie beschrijven zoals bloeddruk, de voorgeschiedenis, de patiënt, de huisarts enzovoorts.
Mooie toepassingen
Wanneer de medische data volgens de HL7 standaard via de cloud snel en veilig kan worden gebruikt, ontstaan er volgens KPN veel mooie toepassingen voor onder meer patiënten. Die krijgt meer inzicht in eigen gegevens en kan via een app zoals een PGO altijd zijn medische gegevens oproepen, bijvoorbeeld tijdens een vakantie op Terschelling waar onverhoopt een bezoek aan de lokale huisarts plaatsvindt. Of het is eenvoudiger om fout vermelde data – iemand die astma heeft maar als COPD-patiënt te boek staat – te verbeteren.
Verder bieden AI-toepassingen zoals machine learning nieuwe mogelijkheden. In de VS wordt bijvoorbeeld al gebruik gemaakt van real-time bloedvergiftigingswaarschuwingen, als sleutel tot het redden van levens. Door vroegtijdige identificatie van sepsis (bloedvergiftiging) wordt de mogelijkheid om antibiotica toe te dienen binnen het eerste kritieke 'gouden uur' aanzienlijk vergroot.
Laat data stromen
Een variant is streaming machine learning is de toepassing van een ML-model op een streaming datapijplijn, oftewel een workflow die gegevens in real-time binnenhaalt en transformeert tussen een bron en een doel. Real-time kan betekenen milliseconden, seconden of minuten, afhankelijk van de use case. Het ML-model levert logica die de streaming data-pijplijn helpt om kenmerken binnen de stroom en mogelijk binnen historische data bloot te leggen. Het model genereert vervolgens real-time scores op basis van de kenmerken die de pijplijn heeft blootgelegd. De datapijplijn levert deze real-time scores aan bedrijfsmonitoringsystemen, business intelligence tools, medische applicaties of workflows, zodat deze scores voorspellingen, classificaties of aanbevelingen kunnen doen.
“Waarom zou je iedere vijf seconde iemands hartslag meten en die meting ook daadwerkelijk opslaan?”, stelt Teun tot slot. “Dat zit je binnen mum van tijd met een gigantische hoeveelheid terabytes aan data waar je niet per se iets aan hebt. Als een hartslag onder een bepaalde kritische waarde komt, dan wil je daar een signaal van en die data moet je wel opslaan. Dankzij machine learning en real-time streaming sla ja pas data op als deze relevant is.”
