Mining van data uit KIS Voorstellen Kwaliteit Zorggroep in spagaat KIS data Voorbeelden van data mining Hoe nu verder
Wie ben ik Dan Hoevenaars Huisarts, kaderarts diabetes, voorzitter zorggroep Synchroon 60 jaar, 1x echtgenoot, 3x vader, 1x opa 33 jaar huisarts in Uden, HOED 7550 patiënten HOED: 5 HA, 6 DA, 3 POH-S (algemeen, DM, COPD), 1 POH-GGZ 20 jaar bezig met diabetes en organisatie van m.n. chronische zorg Landelijke projecten, regionale projecten, oprichting zorggroep Synchroon
Synchroon zorggroep: werkgebied Gallisch dorpje tussen Nijmegen Eindhoven en Den Bosch. Ziekenhuis Bernhoven in Uden Huisartsenposten in Uden en Oss 260.000 inwoners 65 HAP: 119 HA
Zorggroep Synchroon Zorggroep door huisartsen opgericht 2007 Doel: verbetering van samenwerking en kwaliteit in de chronische zorg Diabetes, HVZ, COPD, ouderenzorg, GGZ Regio: 260.000 inwoners van regio: Oss Uden Veghel 65 praktijken: 119 huisartsen Bij huisarts 80 POH- S in dienst van de huisartsen Bij huisarts 37 POH- GGZ veelal gedetacheerd vanuit organisatie Bestuur: 4 huisartsen: Veghel, Uden, Nistelrode, Oss Ondersteuning management: bestuur, GGZ+ouderenzorg, ICT-algemeen RvC, patiëntenraad, adviesraad, werkgroepen, administratie
Synchroon Samenwerking met: Diëtisten: 35 Podotherapeuten: 23 en pedicures:75 Fysiotherapeuten: beweegadvies, COPD 1 e lijn psychologen, psychiaters: behandeling en consultatie Bernhoven ziekenhuis te Uden Apothekers (Brabant Farma) Patiënten verenigingen: diabetes, patiëntenraad, GGZ Patiënten Totaal 260.000 inwoners in werkgebied 10.500 DM2, 3500 COPD, 22500 CVRM
Hoe krijg je kwaliteit? Doen wat we afgesproken hebben NHG standaarden, ZV, LTA, RTA, InEen, individuele zorg patiënt!!! Waarom is dat nou zo moeilijk??? Huisarts autonoom, hoogopgeleide professional Geloof in wetenschap Organisatie armoede bij de huisarts / POH Kennis, kunde, geloof, prioriteit, geen tijd voor verandering, onvoldoende aansturen personeel Financiering chronische zorg voor huisarts Is gemakkelijk, geen overzicht, geen rendement denken Patiënt in de chronische zorg Niet mondig, geen eigen zorgoverzicht, geen wensen
Zorggroep in de spagaat Dilemma s van een zorggroep directeur. Wat te doen met achterblijvers?? Ondersteunen: hoe, hoe lang, wie, condities? Straffen: hoe, hoe hard, helpt dat? Continuïteit en kwaliteit van zorg blijven belangrijk
Achterblijvers Straffen: verplichte verbeterplannen, geldboete, uitsluiting Ondersteunen: Protocollen, standaarden, LTA RTA Nascholing Praktijkbezoek Ondersteunen op werkvloer Analyse: organisatie en zorgverleners, verbeterplannen, daadwerkelijk helpen met verbeteren Ondersteuning door ICT
Analyse huisartspraktijk Praktijkbezoek: benchmarking Analyse instrumenten: vragenlijsten en info praktijk Diepte analyse in de praktijk: turflijsten, hoe werkt het nu echt? Voldoende FTE? Te druk? Teveel zorg? Geen zelfmanagement patiënt? Niet bewust van eigen kwaliteit: benchmarking Goede inclusie van patiënten? Bijzondere individuele ideeën van zorgverlener? Time management
ICT ondersteuning Welke ondersteuning vanuit het KIS? KIS is hier een krachtige database Management info praktijk: inclusie, prevalentie, welke zorg mist bij welke patiënt? Hoeveel zorg moet je geven en geef je? Indicatoren van zorg: proces en uitkomst Spiegelen van data aan best practice Meer diepgaande analyse m.b.v. data analyse KIS (datamining)
Data mining met KIS gegevens Organisatie: Proces t.o.v. aantal contacten Uitkomst t.o.v. aantal contacten Kwaliteit: Uitkomst t.o.v. medicatie (LDL-statine) Uitkomst t.o.v. soort meting (RR-zelfmetingen, HBA1c-eigen meter) Uitkomst t.o.v. geleverde zorg (gewicht- diëtist inzet)
Trechter analyse Grof: algemeen praktijkbeeld Middel: een indicator t.o.v. actie Fijn: lijst met individuele patiënten
Data Zorggroep Synchroon Periode: 2015 Diabetes en CVRM (HVZ (hart en vaatziekte) en VVR (verhoogd vasculair risico) Patiënten: diabetes / CVRM voor 2014, actieve patiënten in KIS
Contacten versus HbA1c - Anoniem Q2: 841 patiënten, 22% Q3: 439 patiënten, 11% HbA1c Q1: 2020 patiënten, 53% Q4: 501 patiënten, 13% Aantal contacten
Contacten versus HbA1c (Praktijk X) - Anoniem Q2: 25 patiënten, 25% (22%) Q3: 13 patiënten, 13% (11%) HbA1c Q1: 42 patiënten, 42% (53%) Aantal contacten Q4: 20 patiënten, 20% (13%)
Risico factoren (NHG protocol 2013) No. Risico factor Normaal (Score = 0) Matig (Score = 1) Hoog (Score = 2) 1 HbA1c (< 70 j) 53 mmol/mol 53 63 mol/mol > 63 mmol/mol 2 LDL 2.5 mmol/l 2.5 3.4 mmol/l 3.4 mmol/l 3 RR systolisch < 140 140 160 > 160
Benchmarking Benchmarking is m.n. interessant om je positie te bepalen in de groep. Gemiddelden zeggen over het algemeen weinig. De standaard deviatie is interessant als toevoeging. Variatie in praktijken wordt zichtbaar Leer van de beste Ondersteun de achterblijvers
Inzoomen op praktijk niveau Van grof naar middel Van zorggroep naar praktijk
Kenmerken van de praktijk Populatie kenmerken: Grootte praktijk Leeftijd verdeling Verdeling naar cultuur Sociale status Praktijk kenmerken: Kennis en kunde hulpverleners % in zorg van huisarts % patiënten in zorgprogramma
Naar patiënt niveau Analyse van grof naar middel naar fijn aanleveren van patiënten lijsten die aandacht en of verdere analyse behoeven Voorwaarde is dat POH ook management tijd reserveert Analyse van zorg geeft een betere verdeling van tijd aan patiënten die het nodig hebben Ondersteunen om te komen tot meer persoonsgerichte zorg waar nodig Gebruik maken van andere zorg dan voorheen bij die patiënten ( medisch, GGZ zorg, ehealth, mantelzorg)
Analyse wensen Direct analyses maken vanuit het KIS Automatische maandlijsten met patiënten die aandacht nodig hebben (kaderarts kijkt mee, transmurale zorg) Effect van zelfmanagement meenemen in analyses Zelf analyses bedenken, delegeren en of uitvoeren voorbeelden van uitgebreidere analyses: van aantal contacten naar werkelijke tijdsinvestering Effect van diëtetiek op gewicht / HbA1c Effect van toevoegen medicatie op resultaat bloeddruk Hoogte HbA1c op complicaties: neuropathie, retinopathie Reden van exclusie zorgpad t.o.v. uitkomsten van zorg Enz. enz. enz..
Alles gehad? Voorstellen Kwaliteit Zorggroep in spagaat KIS data Voorbeelden van data mining Hoe nu verder Discussie / vragen