Het Erasmus MC heeft in samenwerking met SAS, wereldwijde speler op het gebied van advanced analytics, een model ontwikkeld om te voorspellen of patiënten na een operatie in het ziekenhuis moeten blijven of overgeplaatst kunnen worden naar een verzorgingshuis. Door de inzet van dit model worden er minder ziekenhuisbedden onnodig bezet gehouden en kunnen meer patiënten worden geholpen. Davy van de Sande, promovendus Intensive Care Medicine bij Erasmus MC, ontving de Gerrit Jan Mulder prijs voor beste masterscriptie van het Erasmus MC.
In oktober 2019 constateerde de afdeling Chirurgische Oncologie van het Erasmus MC dat veel patiënten na een operatie onnodig lang in het ziekenhuis liggen. Slechts een deel van hen had daadwerkelijk ziekenhuiszorg nodig, echter weten de artsen en verpleegkundigen dit pas achteraf. Patiënten die geen heroperatie of speciale zorg nodig hebben, kunnen herstellen in een verpleeghuis. Van de Sande heeft de volgende onderzoeksvraag uitgewerkt in zijn masterscripte: “Kunnen we met behulp van data analytics voorspellen welke patiënten kunnen herstellen in een verpleeghuis en welke patiënten in het ziekenhuis moeten blijven?”
Potentiële besparing ziekenhuisdagen
Samen met SAS ontwikkelde Van de Sande op basis van historische data en patiëntgegevens een machine learning model, dat voorspelt hoe groot de kans is dat een patiënt zorg nodig heeft die alleen in het ziekenhuis geleverd kan worden. Na analyse bleek dat variabelen zoals totale duur op de OK, soort behandeling, tijd tot de operatie en medische geschiedenis van de patiënt van grote invloed zijn op deze voorspelling. Uit simulatie met patiëntdata van de afdeling Chirurgische Oncologie bleek dat het Erasmus MC met behulp van dit model in 2019 145 ziekenhuisdagen had kunnen besparen.
Datagedreven beslissing
“Dit model kan artsen ondersteunen met het inschatten of patiënten specialistische zorg nodig hebben. Op deze manier kunnen zij een datagedreven beslissing maken”, aldus Edwin van Unen, Principal Analytics Consultant bij SAS. “Tegelijkertijd leveren deze inzichten het ziekenhuis meer capaciteit, omdat bedden sneller beschikbaar komen en er dus meer patiënten geholpen kunnen worden die anders moeten wachten op hun ingreep.”
Maximale waarde
Van de Sande werkte voor data analytics en machine learning nauw samen met Joost Huiskens, arts en Industrie Expert Healthcare bij SAS. “Naast de technologie kon ik ook gebruikmaken van de kennis en expertise binnen SAS om zo maximaal waarde uit de data te halen. Dat Joost arts-onderzoeker is, maakte het nog makkelijker om de verbinding te maken met de medische wereld. Dit heeft mij enorm geholpen om de mogelijkheden van machine learning voor het voorspellen van de ligduur in ziekenhuizen verder te onderzoeken.”
Tijdens het onderzoek werd Van de Sande begeleid door Kees Verhoef en Dirk Grünhagen, beiden oncologisch chirurg bij het Erasmus MC. De volgende stap is onderzoeken of het model ook toepasbaar is op patiënten van andere afdelingen en in andere ziekenhuizen.
