De geneeskunde is permanent aan het veranderen: er zijn steeds weer nieuwe wetenschappelijke inzichten en daarmee veranderen behandelingen, die worden beter en er komen meer behandelingen beschikbaar. In het ziekenhuislandschap komt het er grofweg op neer dat medische innovaties in het academische en topklinische deel van de zorg ontwikkeld worden. Zodra ze daar voldoende zijn ontwikkeld, kunnen de innovaties gebruikt worden in andere delen van de zorg. Zo komen nieuwe behandelingen voor grote groepen mensen beschikbaar en ontstaat ruimte om weer nieuwe innovaties te ontwikkelen.
JZOJP is niet nieuw
De kern van deze beweging is het kunnen expliciteren van de benodigde kennis om de zorg goed uit te kunnen voeren: in welke situatie doe je wat en wat mag je daar qua resultaat van verwachten? En als het resultaat niet conform verwachting is, wat dan?
Zo is het mogelijk geworden dat ook heel complexe behandelingen tegenwoordig door patiënten zelf uitgevoerd worden. Denk bijvoorbeeld aan insuline behandelingen bij diabetes. Ooit (1922) was dit een experimentele behandeling, tegenwoordig is deze kennis gewoon bij patiënten aanwezig voeren zij zelf de behandeling uit. Het is een nagenoeg perfect voorbeeld van JZOJP. JZOJP is dus helemaal niet nieuw – het is wat de zorg al jaren regelt.
Kennis blijft bovenin plakken
Maar de laatste tijd stokt er iets. Het verplaatsen van kennis verloopt minder vlot dan nodig voor de uitdagingen van vandaag. Kennis blijft “plakken” in de ziekenhuizen en kan daarbuiten onvoldoende worden ingezet.
Als we kijken naar verwijzingen van nieuwe patiënten naar het ziekenhuis, dan zit daar een grote groep patiënten tussen die uiteindelijk weinig baat heeft bij de verwijzing. Het gaat om veel voorkomende klachten als hoofdpijn, rugpijn, buikpijn, moeheid, gewrichtsklachten, bewegingsklachten, etc. Natuurlijk kan er sprake zijn van aandoeningen die gebaat zijn bij behandeling in de tweede lijn, maar regelmatig kan de tweede lijn geen werkelijke verlichting bieden. En toch bezoeken deze patiënten massaal het ziekenhuis voor deze klachten, waar ze veel kosten genereren en maar weinig therapeutische waarde vinden. Er is wel diagnostische waarde, maar de vraag is of deze diagnostische waarde niet op een andere manier te realiseren valt.
Voor veel van deze patiënten geldt dat als de specialist in het ziekenhuis geconfronteerd wordt met de patiënt “op papier”, zij/hij min of meer direct kan aangeven of zij/hij therapeutisch iets te bieden heeft voor deze patiënt. Het lijkt erop alsof deze kennis voor de specialist eigenlijk niet erg complex is, maar alsof zij/hij wel de enige is die deze kennis tot executie kan brengen.
Dát is de kern van het probleem bij JZOJP – het doorgeven van de kennis stokt. Ze blijft steken bij de specialist, die de enige is die deze kennis tot executie brengt.
Hetzelfde geldt voor vele behandelingen die uitgevoerd worden door medisch specialisten. Die vragen regelmatig om precieze stappen met verschillende medicijnen in verschillende doseringen. Denk bijvoorbeeld aan het instellen van lastig te behandelen hoge bloeddruk. Dit soort kennis leeft in het hoofd van de specialist en mét die kennis zijn die precieze stappen niet zo moeilijk uit te voeren. Maar buiten de 2e lijn worden deze behandelingen nauwelijks uitgevoerd. Ook deze kennis blijft kleven bij de specialist, wordt onvoldoende doorgeven naar andere stations zodat ze daar uitgevoerd kan worden.
Digitale kennisdragers
Het komt doordat dit soort kennis zich niet goed laat vangen via onze traditionele media voor kennis: tekstdocumenten. Onze huidige kennisdragers, tekstdocumenten, zijn ongeschikt voor wat nu nodig is. Dit soort kennis is een algoritme en algoritmes zijn niet goed te vangen in tekst.
Zo’n algoritme werkt als volgt:
● Eerst ga je uit van een kans op een bepaalde ziekte, die de klachten kan verklaren. De aan- en afwezigheid van bepaalde symptomen maakt de kans op die ziekte groter of kleiner.
● Deze kennis vergaren artsen voornamelijk door ervaring op te doen met veel patiënten – tijdens de opleiding bouwen artsen dit soort algoritmen op in hun brein. In dat brein ontstaat een briljante statistiek-machine, die steeds beter wordt als een arts meer patiënten ziet. Niemand beleeft dit natuurlijk als statistiek, het voelt als ervaring, als intuïtie, als bijna automatisch weten. Maar het brein is in dit geval de uitvoerder van Bayesiaanse statistiek.
● Bayesiaanse statistiek laat zich niet vangen in tekst, dat moet je op een andere manier vastleggen, in een algoritme.
● De gegevens voor deze algoritmen zijn in veel gevallen keurig in de wetenschappelijke literatuur terug te vinden – meestal is prima bekend wat de voorspellende waarde is van een bepaald symptoom voor een bepaalde ziekte. Deze algoritmen zijn dus meestal goed te formuleren zonder dat daar nieuw onderzoek voor nodig is.
Een groot voordeel van deze benadering is dat patiënten zelf die algoritmen kunnen uitvoeren en dus zelf kunnen achterhalen of een verwijzing naar het ziekenhuis zin heeft. Zo kunnen patiënten met gewrichtsklachten zélf uitvinden of een verwijzing naar een reumatoloog of een orthopeed zin heeft. Dat gaat huisartsen en specialisten veel werk schelen.
Wat is er nodig om dit voor elkaar te krijgen: een andere infrastructuur voor medische kennis, waarop die algoritmen gedeeld en gebruikt kunnen worden. De specialisten uit de tweede lijn ontwikkelen ze, patiënten en huisartsen kunnen ze toepassen.
Pas dán kan JZOJP de omvang krijgen die maatschappelijk noodzakelijk is.
Arts en ondernemer
JZOJP is in het belang van patienten. Om dit te bereiken met Bayesiaanse statistiek in algoritmes vervat is een interessante gedachte. Ik onderschrijf de stelling dat tekst een beperkende kennis drager is, en de huidige medische systematiek voor een ‘kennis-flessenhals’ kan zorgen. lijkt me mooi om daar software voor te maken.
Ik zie nog twee praktische obstakels in de toepassing, beide hebben te maken met correcte beeldvorming.
1) Wanneer algoritmes worden gebruikt voor zelfdiagnose hoe verzamelt een individuele patient de informatie om het algoritme te voeden? Kunnen we voorkomen dat een algoritme op basis van halve of gekleurde informatie en (deels)onjuiste meting een (deels) onjuiste conclusie trekt? zo nee hoe erg is dat en welk mechanisme kunnen we verzinnen om dit op te vangen?
2) wanner blijkt dat andere factoren een rol spelen in het ziektebeeld, of de wereld verandert om de patient, hoe onderhouden we de waarschijnlijkheidsberekeningen als gevolg van de veranderende wereld? een algoritme verandert zich niet vanzelf.
over punt 1 ben ik benieuwd hoe anderen daar tegen aan kijken. Wat betreft de tweede, dat zal het succes van de software gaan bepalen. mooi onderwerp voor een klinische informatica promovendus
Hi Jan,
Zeer terechte punten!
In reactie op (1): juist en onjuist bestaat natuurlijk niet. Het gaat om kansen. En dat vraagt eigenlijk om een paradigma shift, want nu praten we over dat iemand iets “gemist” heeft en je wil dingen “uitsluiten”. Dat is een werkelijkheid die niet bestaat, er bestaan alleen kansen, geen absolute zekerheden. Dingen kunnen wel onwaarschijnlijk zijn, of juist heel waarschijnlijk, maar vaak zit het er tussenin. En dat maakt dus de vraag relevant: bij welke kans ga je verwijzen / behandelen? Nu gebeurt die afweging in het hoofd van professionals en wordt deze onzekere kant van medisch handelen niet zichtbaar. Met dit soort algoritmen wordt het wél zichtbaar. Hoe gaan we daar mee om met z’n allen? Dat is een belangrijke vraag.
(2) Jazeker, het is dynamische kennis. Dus als je start met zaken die ik hier voorstel, dan moet je die data blijven verzamelen, zodat je kunt leren en kunt verbeteren. Gelukkig is het zo dat áls je zaken gecodeerd vastlegt ipv als vrije tekst, het leren zoveel makkelijker is. Dat is de belofte van deze nieuwe manier van werken.
Dank voor je reactie!