Innovatieve methode valrisicobepaling: van data naar advies op maat

Bij Groenhuysen en tanteLouise zet men in op een innovatieve methode voor het bepalen van valrisico en bijpassende maatregelen bij ouderen. Door met behulp van camera’s objectief de balans van ouderen in kaart te brengen en dit te combineren met al bestaande gegevens uit het elektronisch cliëntendossier, hopen ze een objectiever en breder beeld te krijgen van het valgevaar van een cliënt.

Daardoor kan een behandeladvies op maat worden afgegeven en hopen ze uiteindelijk het aantal valincidenten te verkleinen. Deze ontwikkeling vindt plaats in het CrossCare project, onderdeel van het EU-programma Interreg Vlaanderen-Nederland, en begeleid door de zorgproeftuin Care Innovation Center (CIC). In dit project is Kinetic Analysis B.V. gekozen voor het helpen realiseren van de techniek. Vilans sprak met Natascha van Riet (projectleider) en Chantal van Spaendonck (directeur) van het Care Innovation Center (CIC), Maarten Gijssel, oprichter van Kinetic Analysis en Rudi Dierkx, specialist Ouderengeneeskunde en kaderarts Geriatrische Revalidatiezorg bij tanteLouise.

Dit artikel is onderdeel van een reeks over de kansen en uitdagingen van datagedreven zorg en slimme technologie op basis van AI (artificiële intelligentie). Daarin verkennen we de beoogde en ervaren impact van data- en AI-gedreven hulpmiddelen in de langdurige zorg, de huidige staat van ontwikkelingen en uitdagingen waar betrokkenen mee te maken hebben. 

Behoefte vanuit de zorg

Doorgaans ondersteunt CrossCare ondernemers met interessante zorginnovaties door ze te koppelen aan zorgorganisaties. Binnen dit project werd gekozen voor de omgekeerde route; behoeften vanuit de zorg vormen het startpunt. Het CIC vroeg aan zorgorganisaties voor welke uitdagingen zij een oplossing zoeken. Zorgorganisaties tanteLouise en Groenhuysen bleken beiden het aantal valincidenten te willen verminderen en daarmee de verdere gevolgen, zoals verwondingen, fracturen en ook het ontstaan van valangst. Er is een gedeelde behoefte aan een verbeterde en objectievere valrisicobepaling met bijpassende interventies. 

De huidige testen die zorgmedewerkers gebruiken voor het inschatten van het valrisico geven niet altijd een goede indicatie. “Het doen van een onderzoek vraagt veel expertise van een professional en de ervaring is dat de huidig gebruikte testmethode subjectief is waardoor er bij twee verschillende professionals altijd net verschillende uitkomsten uit komen”, aldus Chantal. Rudi van tanteLouise vult aan: “Daarnaast kan de afname van de testen belastend zijn voor de cliënt. De objectieve methode van Kinetic Analysis kan hiervoor een oplossing vormen. In vrije korte tijd en op weinig belastende wijze voor de cliënt kan een indruk worden verkregen over de veiligheid van zelfstandig bewegen en het valrisico.”

Naar aanleiding van dit vraagstuk deed het CIC een oproep aan bedrijven om potentiële oplossingen aan te dragen en op basis van pitches is uiteindelijk besloten om verder te gaan met de aanpak van Kinetic Analysis waarbij een meetmethode op basis van camera’s wordt gecombineerd met data uit het zorgdossier.

Innovatieve objectieve meetmethode 

Bij de meetmethode van Kinetic Analysis wordt balans gemeten door cliënten voor een camera een aantal balanstesten te laten doen. Op basis van de beelden wordt de lichaamszwaartepunt verplaatsing geanalyseerd en een voorspelling gedaan van het valrisico. “Het voordeel van onze oplossing is dat het in feite een registratiesysteem is; het geeft geen subjectief oordeel gebaseerd op de observatie van de expert, maar meet objectief de verplaatsing van personen”, aldus Maarten. Door de test ieder halfjaar of kwartaal te herhalen, kan bovendien worden gesignaleerd of de situatie is veranderd. 

Koppeling met het ECD

Terwijl de meetmethode van Kinetic Analysis al bestond, richt men zich in het Crosscare-project op de ontwikkeling van een dashboard waarin de koppeling met data uit het Elektronisch Cliënten Dossier (ECD) plaatsvindt. Door het meenemen van informatie over relevante kenmerken gerelateerd aan valgevaar zoals valgeschiedenis, medicatiegebruik, spierkracht, onjuist gebruik van hulpmiddelen en type schoeisel, ontstaat er een completer beeld. “Al deze factoren hebben invloed op de kwaliteit van lopen en daarmee ook het valrisico. Vaak kunnen deze factoren ook (gedeeltelijk) worden behandeld, waardoor er een afname van vallen kan worden bereikt. Het mooie van dit project is dat deze factoren, die momenteel op diverse en niet altijd gemakkelijk toegankelijke plekken in het ECD staan, met een dashboard samengebracht worden in één overzicht. Zo kunnen de diverse paramedische behandelaren en de arts in één oogopslag een overzicht hebben van de relevante informatie en hierop hun interventies richten.” - Rudi

De verwachting is dat deze methode beter onderscheid kan maken tussen vallers en niet-vallers en bovendien inzicht geeft in achterliggende oorzaken. Op basis van die gegevens kan dan een meer op maat advies worden afgegeven. Dit advies kan bijvoorbeeld bestaan uit het volgen van een valpreventieprogramma, intensievere fysiotherapie of gebruik van een hulpmiddel zoals een rollator of WOLK-heupairbag. Volgens de betrokkenen kan het daarnaast ook een stukje tijdsbesparing opleveren, niet zozeer ten aanzien van het monitoren en bepalen van de juiste interventie, maar juist doordat cliënten een gerichtere interventie krijgen. Daardoor wordt een afname in valincidenten verwacht en dus ook een afname van de complexe zorg die daarbij komt kijken. 

Efficiënt ophalen van informatie

Volgens Maarten is een van de uitdagingen om op een efficiënte manier data uit de systemen te halen. Op dit moment is er nog geen automatische koppeling met het ECD en moeten zorgmedewerkers, bijvoorbeeld de fysiotherapeut en specialist ouderengeneeskunde, zelf op zoek naar relevante informatie. De verwachting is dan ook dat een automatische koppeling zal zorgen voor tijdsbesparing. 

De tweede uitdaging zit in het omzetten van de gerapporteerde informatie naar een meer gestructureerde vorm om er vervolgens een waarde aan toe te kennen. Hierdoor wordt de informatie beter vergelijkbaar en kan deze worden meegenomen in de geautomatiseerde analyse. “Als een zorgmedewerker opschrijft ‘mooie rode gelakte schoentjes met een nieuw hakje, maar lijken me wat minder veilig’, dan is de uitdaging om daar eentjes en nullen van te maken die we in een regressieanalyse of factoranalyse kunnen stoppen. Met dit proces zijn we op dit moment binnen Kinetic Analysis bezig.” - Maarten

Met behulp van textmining, een AI-technologie die gebruik maakt van natuurlijke taalverwerking, worden stukken ongestructureerde tekst uit het ECD omgezet naar gestructureerde data die geschikt is voor verdere analyse. Dit kan door in de tekst te zoeken naar specifieke patronen die op voorhand zijn gespecificeerd; dan spreken we over rule-based AI. Maar het is ook mogelijk om op zoek te gaan naar open patronen door gebruik te maken van zelflerende algoritmen. Op deze manier(en) wordt geprobeerd relevante informatie met betrekking tot het valrisico van een cliënt uit het ECD te halen. Wat ook kan helpen bij deze uitdaging, is om gezondheidsinformatie eenduidig te verzamelen. Dat begint bij een uniforme manier van registreren in het ECD. We zien dat eenheid van taal een steeds belangrijker onderwerp wordt, ook in de langdurige zorg.

Van rule-based naar black box

In het begin zal de verwerking van informatie uit het ECD volledig worden voorgeprogrammeerd, maar uiteindelijk is de ambitie van Kinetic Analysis om steeds meer naar een zelflerend systeem toe te gaan, gebruik makend van machine learning algoritmen. Bij Kinetic Analysis zijn ze ook de mogelijkheden van remote machine learning technieken aan het verkennen. Hierbij kunnen ze analyses op afstand doen, zonder dat de vertrouwelijke data over de cliënt de zorginstelling hoeft te verlaten.

Een belangrijk aandachtspunt bij het gebruik van machine learning is dat de algoritmen zelf niet uitleggen hoe de input precies wordt verwerkt tot bepaalde uitkomsten en de werking vaak te complex is voor mensen om helemaal te doorgronden. Men spreekt daarom ook vaak over een “black box”. Met de opmars van AI gaan we collectief steeds meer af op beslissingen en adviezen die we niet geheel kunnen doorgronden, maar die naar verwachting wel tot betere resultaten leiden. Tegelijkertijd willen we in de zorg zo veel mogelijk op de hoogte zijn van de verklaring achter voorspellingen en aanbevelingen voordat we er in mee gaan. Een belangrijk vraagstuk is dan hoe verantwoord om te gaan met zelflerende algoritmen. Voor nu willen we vooral alles nog zelf blijven begrijpen, aldus Maarten, maar deze toepassing zal zich van een registratiesysteem steeds meer ontwikkelen tot een beslissingsondersteunende toepassing. Daarbij moeten gebruikers wel kritisch blijven kijken naar de suggesties en uitkomsten van een systeem en ontwikkelaars kunnen gebruikers hier ook aan herinneren via de interface van hun toepassingen. 

“We gaan natuurlijk niet puur op basis van het algoritme beslissingen nemen. Er komt altijd de expertise van de fysiotherapeut of specialist ouderengeneeskunde bij kijken. Zij zullen er altijd naar kijken of de uitkomsten van het algoritme kloppen met hun beeld. Als je daar op een gegeven moment vertrouwen in hebt, dan is dat natuurlijk steeds makkelijker. Dan is het van oh dat klopt wel, mooi om dat advies te volgen. In het begin moet je natuurlijk wel dat vertrouwen krijgen en inderdaad zien of die aanname goed werkt.” - Maarten

Rudi vult aan: “Je hebt daarnaast ook te maken met individuele wensen en behoeften van cliënten. De een wil maar tot die mate een behandeling, terwijl de ander iets verder wil gaan. Zie dat maar eens in een algoritme te krijgen.”

Betrokkenheid zorgprofessionals en cliënten

Het CIC heeft bij haar begeleidende rol in het CrossCare-project nadrukkelijke aandacht voor de ontwikkeling van een businessmodel waar alle betrokken partijen baat bij hebben. Dit alles doen ze aan de hand van de SHINE-methodiek, waarin het gezamenlijk creëren van meerwaarde centraal staat. Daarbij is het idee ook dat de innovatie schaalbaar moet zijn, dus niet alleen toepasbaar voor deze organisaties. Natascha legt uit: “Vaak komt de ondernemer met een goed idee en gaat die dat uittesten bij een zorgorganisatie en die steekt daar vervolgens veel tijd en kennis in. Die geeft dat allemaal gratis aan de ondernemer. En dan heeft de ondernemer zijn product verbeterd en kan die zijn product gaan verkopen. Het idee hierbij is om te gaan kijken wie heeft welke waarde er ingestoken en kan je het bijvoorbeeld gezamenlijk in de markt zetten of kan je in ieder geval zorgen dat de zorgorganisaties ook iets terugkrijgen voor hun kennis en tijd die ze erin hebben geïnvesteerd.”

Vanuit de SHINE-methodiek heeft het CIC ook co-creatiesessies opgezet om samen met zorgprofessionals te schetsen hoe de Patient Journey en Professional Journey er uit kunnen zien en zodoende gedetailleerde beschrijven te krijgen van de gebruikers van het systeem. Ook stimuleert het CIC-zorgmedewerkers in gesprek te gaan met bijvoorbeeld de mantelzorger, collega’s, cliënten of iemand van de cliëntenraad. Dat is iets wat zorgmedewerkers nog niet altijd gewend zijn en wat in dit project uiteindelijk, mede door corona, nog niet heeft kunnen plaatsvinden. 

“De wijze waarop dit door CIC werd begeleid was voor mij nieuw en ook leerzaam. Denk daarbij bijvoorbeeld aan de Patient en Professional journeys en het werken met persona’s. De co-creatie-sessies waren leuk en uitdagend en toonden eigenlijk veel overeenkomsten met de multidisciplinaire werkwijze waarmee we in het verpleeghuis bekend zijn. [..] Zelf ben ik gewend om vooral vanuit een medische en functionele optiek naar zaken te kijken, dus de aandacht die werd gegeven aan het businessmodel gaf mij eveneens een nieuwe kijk op samenwerking tussen diverse partijen en de belangen die daarin spelen.” - Rudi

Cliënten worden pas betrokken op het moment dat het testen van de methode in praktijk plaatsvindt. Bij de technische ontwikkeling van de innovatie zijn ook zorgmedewerkers betrokken, bijvoorbeeld door feedback te vragen op het dashboard. Datascientists hebben hiervoor de input van de zorgmedewerkers nodig.

Toekomstvisie

Eind 2020 wil Kinetic Analysis op basis van de combinatie van de meetmethode en ECD data eerste aanbevelingen kunnen doen. Maar ze zien voor de nabije toekomst meer mogelijkheden; bijvoorbeeld voor het signaleren van verandering in de situatie van de cliënt. Uiteindelijk willen ze dat de zorgmedewerker inzicht krijgt in belangrijke wijzigingen of het ontbreken van belangrijke informatie, doordat ze hier proactief door het systeem op geattendeerd worden. Ook het integreren met andere databronnen dan het ECD, zoals activity trackers, zien ze bij Kinetic Analysis als een kans.

“Een stip op de horizon is om ook nog eens bij te gaan houden welke interventies er plaatsvinden en om daarvan de effectiviteit evalueren. Maar dan zijn we wel een paar jaar verder." - Maarten

Bij het CIC ziet men ook mogelijkheden om deze innovatie toe te passen op een bredere doelgroep, bijvoorbeeld bij mensen die nog thuis wonen. Doordat ouderen steeds langer thuis blijven wonen, zit daar ook een belangrijke groep die risico loopt om te vallen, met alle gevolgen van dien. Ook Rudi ziet kansen om de innovatie in de toekomst breed te gaan toepassen, bijvoorbeeld binnen de woonzorglocaties van de oudereninstelling, maar ook in ambulante settingen en mogelijk bij de cliënt thuis. 

“Die kwetsbaarheid zou je kunnen verminderen. Net zoals je nu 2 keer per jaar naar de tandarts gaat, ondergaan mensen van een bepaalde leeftijd misschien straks wel 2 keer per jaar zo’n test, om de bewustwording te verhogen, tijdig juiste interventies in te zetten en hiermee valrisico’s te verlagen.”- Chantal

Het project loopt door de uitbraak van het coronavirus ook vertragingen op. Door de beperkende maatregelen zijn ze op dit moment bij de zorgorganisaties bijvoorbeeld pas net gestart met de eerste testen met de camera. Wanneer er meer bekend is over de toegevoegde waarde van deze innovatie voor deze doelgroep zal het CIC de resultaten en kansen delen met andere zorgorganisaties. 

Oproep voorbeelden delen

We horen graag van zorgorganisaties, technologie leveranciers en andere belanghebbenden wat voor innovaties zij zien op het gebied van data- en AI-gedreven technologieën in de langdurige zorg, welke behoeften er op dit gebied zijn vanuit gebruikersperspectief, en welke uitdagingen en aandachtspunten men ziet.

Dus heeft u zelf voorbeelden of een prangende vraag omtrent deze ontwikkeling? Neem dan contact met ons op!