OLVG en Sint Lucas Andreas ziekenhuis integreren data

Mirjam Hulsebos portret

De Amsterdamse ziekenhuizen Onze Lieve Vrouwe Gasthuis (OLVG) en Sint Lucas Andreas Ziekenhuis fuseerden op 1 juni 2015. Dit betekende ook dat de data moesten worden samengebracht. Een reden om opnieuw te kijken naar het te hanteren datamodel. “We hebben ons datamanagement nu goed op orde. De zorgmanagers gebruiken rapportages momenteel vooral om terug te blikken. De volgende stap is om ook te gaan voorspellen.” Een gesprek met Hoofd Bedrijfsinformatie Rob van Bruggen.

De integratie van de data van twee ziekenhuizen is een grote uitdaging. Hoewel ziekenhuisprocessen op hoofdlijnen vergelijkbaar zijn, zitten er behoorlijk wat verschillen in de details en in de manier waarop activiteiten worden geregistreerd. Hoewel OLVG en Sint Lucas Andreas Ziekenhuis beide met Epic werken, leggen ze zaken niet op dezelfde manier vast. Informatie loopt bovendien door alle gelederen van de organisatie van een ziekenhuis. Het omzetten van deze data naar externe aanleveringen en overzichtelijke inzichten voor zorg- en afdelingsmanagers, de Raad van Bestuur, zorgverzekeraars en inspecteurs van onder andere NIAZ vraagt om een consistente basis. En tot slot is er de omvang. Het datawarehouse van het OLVG en het Sint Lucas Andreas Ziekenhuis bevat maar liefst 1300 tabellen en 2,1 miljard rijen.

olvg Rob van BruggenBesparen door goed gebruik data

Rob van Bruggen trok het project om de belangrijkste data van de beide ziekenhuizen bij elkaar te brengen: financiële data, personele data, productiedata en data over kwaliteit. Hij vertelt: “Het OLVG heeft een jaar of vier geleden prioriteit toegekend aan de informatievoorziening vanuit de gedachte: als we alle data bij elkaar brengen in één centraal datawarehouse en daaruit iedere dwarsdoorsnede kunnen maken die we willen, dan automatiseren we het tijdrovende werk dat nu nog door allerlei werknemers in de organisatie en externe partijen wordt gedaan en maken we bovendien data inzichtelijk die we nu niet inzichtelijk hebben.”

Door het formuleren van die doelstelling was er funding om de afdeling Bedrijfsinformatie uit te breiden. Ze ontwikkelden een self service portal voor iedereen in het ziekenhuis die een basisinformatiebehoefte heeft. Deze portal bevat vele verschillende query-mogelijkheden, maar kan niet iedere vraag beantwoorden. Voor de mensen die niet-alledaagse analyses willen maken, is er de mogelijkheid om ad hoc query’s te (laten) maken.

Inrichting datamodel

Gezien deze geavanceerde omgeving was het geen wonder dat het team van Rob van Bruggen de leiding nam in het project om de data van de twee ziekenhuizen te integreren. Daarbij liep het team tegen een aantal uitdagingen aan. “De eerste was dat de eerder opgezette datastructuur niet voldeed. Deze bleek te veel beperkingen te hebben. We hebben gekeken wat de voordelen en nadelen van het huidige datamodel zijn en dit verwerkt in een nieuwe structuur. In de eerste laag van het datawarehouse bepalen we de historie en definiëren we welke betekenis we precies aan welk data-element toekennen.”

Van Bruggen geeft een voorbeeld: “In één van de databronnen stond het veld ‘specialist’. Het andere ziekenhuis gebruikte de term ‘zorgverlener’. Je weet bij specialist niet wat daarmee wordt bedoeld: is het een medisch specialist of kan dit ook betrekking hebben op een senior verpleegkundige? Wat is de rol van die specialist: is hij behandelaar en eindverantwoordelijk, is hij operateur en is een andere arts eindverantwoordelijk of is hij misschien alleen doorverwijzer? In ons datamodel hebben wij nu gekozen voor ‘zorgverlener’ als naam voor de kolom. In het onderliggende data-element wordt gespecificeerd wat de rol van die zorgverlener bij deze patiënt is. In een bibliotheek leggen we alle gebruikte termen vast. Daardoor is nu voor iedereen in de beide ziekenhuizen duidelijk wat we met een bepaalde term bedoelen. Hoe de data in bronsystemen vastgelegd wordt is niet relevant, de vertaling van de data vindt plaats in het datawarehouse.”

Van Bruggen ziet voordelen als iedereen in beide ziekenhuizen de dezelfde data-elementen raadpleegt. “Het kost initieel tijd om dit op te zetten, maar als iedereen met dezelfde data-elementen werkt, kun je gebruikmaken van elkaars analyses en hoeven de analisten in beide ziekenhuizen het wiel niet opnieuw uit te vinden.”

olvg voorkant

Databewustzijn steeds hoger

Nu het data-integratieproject zijn voltooiing nadert, kan Van Bruggen niet anders zeggen dan dat “wij de data extreem goed op orde hebben.” Al kan het altijd beter. “Het databewustzijn van de managers is over het algemeen hoog. Zij zien het belang van data en ze gebruiken onze self service portal ook veel. Medisch specialisten beginnen de portal ook te ontdekken, al maken zij nog lang niet gebruik van alle mogelijkheden. Onze focus ligt nu op het vergroten van het databewustzijn door in alle rapporten de mogelijkheid te maken om tot patiëntniveau door te klikken. Zo werd ik laatst gebeld door een cardioloog die zei: ‘Ik zie in het systeem dat jullie denken dat ik twaalf ICD’s heb geplaatst, maar dat klopt niet, dat zijn er tien.’ Ik kon antwoorden: ‘Dan is er waarschijnlijk iets niet goed geregistreerd. Klik maar eens op ´details´. Toen hij zag dat er bij twee patiënten een dubbele registratie was gedaan, heeft hij de data meteen in het bronsysteem gecorrigeerd.” Uit de snelheid waarmee dit soort onjuiste registraties wordt opgemerkt, concludeert Van Bruggen dat het databewustzijn in rap tempo toeneemt.

Datavalidatie

Met andere woorden: “Door data beschikbaar te stellen, zorg je ook voor datavalidatie en maak je je bronsystemen kloppend. Natuurlijk doen wij zelf een grove validatie, maar dit soort details haal je daar niet uit. Als echter iedereen in het ziekenhuis de data gaat gebruiken, ontdekken ze die fouten zelf en herstellen ze die. Daardoor neemt het databewustzijn toe en de kans af dat ze in de toekomst data verkeerd invoeren.”

Een zelfcorrigerend mechanisme dus, al moet de afdeling van Van Bruggen daaraan wel degelijk veel sturing geven. “Als mensen alleen maar zien dat data niet kloppen en niet snappen waarom dat zo is, leidt dat slechts tot een averechts effect. Dan vertrouwen ze de portal niet meer en zullen ze ‘m niet gebruiken. Je moet dit dus wel goed begeleiden.”

Behalve deze menselijke controles vinden er drie geautomatiseerde controles plaats. Iedere dag worden automatisch de metadata uitgelezen en gecontroleerd op naamgeving en verversdatum. Een andere automatische controle is die op de aantallen rijen in de bronsystemen en het datawarehouse, inmiddels samen dus zo’n 2,1 miljard. Zo wordt duidelijk of alle data wel volledig in het datawarehouse zijn overgenomen. Tot slot vindt er een controle plaats op de hoeveelheid wijzigingen in de historische data. Van Bruggen: “Wij houden ook de historie bij, zodat we kunnen terugzoeken wie wat heeft vastgelegd. Stel nu dat er ineens een heleboel wijzigingen in de datastructuur van die historie zijn, dan is de kans groot dat er een wijziging is aangebracht in de datastructuur van het bronsysteem. Wij krijgen daarvan automatisch een seintje, zodat we daar zicht op houden.”

Toegang

Omdat het datagebruik toeneemt en de behoeften sterk uiteenlopen, biedt het ziekenhuis data-analyse op drie niveaus aan. De meest toegankelijke is de self service portal, waartoe iedereen toegang kan hebben en waar men analyses van de cijfers kan maken op basis van de meest voorkomende vragen, zoals aantal polibezoeken per specialisme, aantal opnamedagen, aantal consulten of operaties per medisch specialist et cetera.

Medewerkers die regelmatig vragen hebben, krijgen toegang tot SAS Enterprise Guide. Hiermee kunnen zij zelf analyses maken op basis van de data in de integratielaag. Dit is een voorgeprepareerde laag in het datawarehouse waar alleen geselecteerde kenmerken zijn meegenomen. “Medewerkers hebben relatief weinig datakennis nodig en kunnen zelf met Enterprise Guide aan de slag. Een oplossing, vooral geschikt voor stafadviseurs en anderen die specifieke informatiebehoeften hebben waaraan we met de portal niet kunnen voldoen. Gemak staat hierbij centraal.”

Tot slot is er nog de directe toegang via Enterprise Guide tot de feiten- en dimensieslaag. Dit is een gestructureerde laag met alle kenmerken van de data. “Dit vraagt wel enige handigheid en training. In eerste instantie gebruikten alleen de medewerkers van onze afdeling die laag, maar nu zijn er ook andere analisten die erg data-minded zijn en hiermee zelf aan de slag gaan.”

Als vierde niveau wil het ziekenhuis SAS Visual Analytics introduceren voor specifieke doelgroepen, zoals onderzoekers.

Achteruitkijken? Voorspellen!

Nu dit goed loopt, wil de afdeling Bedrijfsinformatie de volgende stap zetten: niet langer alleen achteruit kijken naar wat er is gebeurd, maar ook vooruitkijken en voorspellen. “Daar ligt de volgende grote uitdaging. Daar kunnen we veel winst boeken”, zegt Van Bruggen met overtuiging. Hij geeft weer een voorbeeld. “Je hebt bij iedere poli no-shows: mensen die hun afspraak zijn vergeten en niet komen opdagen. Dat percentage verschilt per poli en per type consult. Een eerste bezoek wordt vrijwel nooit vergeten. Mensen hebben immers een klacht en willen dat daarnaar gekeken wordt door een specialist. Maar een herhaalbezoek om te zien of alles goed is genezen, wordt wel regelmatig vergeten. Om toch de beschikbare tijd van een polikliniek optimaal te benutten, kun je dieper in de data kijken. Als je vooraf al op basis van specifieke datakenmerken kunt bepalen of het volgende week woensdag erg rustig wordt, kun je extra patiënten inplannen. De toegangstijd voor een patiënt kun je daarmee verkorten.”

Voorspellen kan op veel meer fronten – in eerste instantie vooral gerelateerd aan bedrijfsvoering, zoals OK-planningen. Van Bruggen kijkt ernaar uit om daarmee aan de slag te gaan. “We hebben de afgelopen jaren hard gewerkt om de basis op orde te krijgen. Doordat die basis zo goed is, kunnen we de data van de twee ziekenhuizen relatief eenvoudig integreren, al is dat natuurlijk een heel groot project. De omgeving die er nu staat is van hoge kwaliteit, zowel technisch als op het gebied van datamanagement. Nu hebben we als afdeling behoefte aan data scientists: analisten die in de grote berg aan data op zoek gaan naar nieuwe inzichten. Ik denk dat we veel processen inzichtelijk kunnen maken en vervolgens kunnen verbeteren, zoals betere planningen maken, zorgpaden anders inrichten, de patiëntlogistiek optimaliseren. We beschikken nu over alle benodigdheden – gestructureerde data en tools – om deze uitdagingen aan te gaan.”

 

Gerelateerde berichten...