Slim voorspellen van de ligduur van patiënten met machine learning
In een tijd waarin personeel schaars is, de werkdruk hoog, en de kosten en wachtlijsten oplopen, is het cruciaal dat ziekenhuizen hun capaciteit goed managen. Met zijn afstudeeronderzoek bij Kurtosis heeft Niek Boersen het Rode Kruis Ziekenhuis in Beverwijk geholpen met een model om de verblijfsduur van patiënten te voorspellen met als doel het optimaliseren van de planning en de capaciteit.
Als operatieplanners worden geconfronteerd met de complexe taak van het optimaal benutten van ziekenhuisbedden, biedt het model van Niek Boersen een oplossing.
Op basis van relevante patiëntgegevens zoals leeftijd, gewicht, type ingreep en behandelend arts, maakt het model gebruik van machine learning-technieken om de verblijfsduur te voorspellen. Deze voorspellingen vormen de basis voor het creëren van een efficiënte planning, waarbij de beschikbare middelen zo optimaal mogelijk worden ingezet.
Het optimaliseren van de planning en het efficiënt benutten van ziekenhuisbedden kan aanzienlijke voordelen opleveren voor het Rode Kruis Ziekenhuis. Bovendien zal dit leiden tot een hogere tevredenheid onder de patiënten, aangezien ze sneller kunnen worden behandeld.
Het onderzoek omvatte een uitgebreide literatuurstudie gevolgd door de analyse van mogelijke modellen die kunnen worden toegepast. De focus lag zowel op het voorspellen van de verblijfsduur van patiënten als op het efficiënt inplannen van hun behandelingen. Het onderzoek introduceerde een nieuwe validatiemethodologie die nog niet eerder was onderzocht in de bestaande literatuur.
Om de ligduur van patiënten te voorspellen, werd gekozen voor de een regressie-aanpak, waarbij het aantal minuten dat een patiënt op de dagafdeling doorbrengt wordt voorspeld. Het samenvoegen van deze voorspellingen met een planningsalgoritme markeert een belangrijke vooruitgang die nog niet veelvuldig in de praktijk wordt toegepast.
18 modellen, 3 keer meer patiënten
Aangezien er geen vaststaande methode is om de verblijfsduur van patiënten te voorspellen, werden diverse technieken getest en geëvalueerd om tot een betrouwbare voorspelling te komen. In totaal werden maar liefst 18 verschillende modellen geconstrueerd en getraind met behulp van machine learning.
Op basis van een uitgebreide analyse en de verkregen resultaten heeft Boersen een speciale tool geprogrammeerd. Deze tool stelt operatieplanners in staat om patiënten opvolgend te plannen op basis van de voorspelde verblijfsduur. Door efficiënt te plannen met de tool, kunnen er in sommige gevallen tot wel drie keer meer patiënten gepland worden met dezelfde middelen.
Vanaf september zal Boersen doorgaan met de implementatie van deze tool, waarbij hij zich richt op het succesvol integreren ervan in de praktijk.
Tijdens zijn opdracht maakte Boersen niet alleen gebruik van machine learning, maar deed ook waardevolle inzichten op vanuit het menselijke perspectief. Hij voerde gesprekken met professionals op de werkvloer en leerde van de dagelijkse uitdagingen waarmee planners in het ziekenhuis te maken hebben. Dit heeft hem een dieper begrip gegeven van de praktijk en de specifieke problemen waarmee artsen, anesthesisten en verpleegkundigen worden geconfronteerd.
De onderzoeker heeft kunnen horen welke praktische problemen zich voordoen en hoe bijvoorbeeld een andere planning de werkwijze van verpleegkundigen kan beïnvloeden. “Ik ben onder de indruk van de samenwerking tussen de interdisciplinaire teams, die allemaal streven naar één doel: tevreden patiënten.”
Vele toepassingen mogelijk
Bij het behalen van deze én talloze andere doelstellingen kan machine learning volgens Boersen een belangrijke rol spelen. “Machine learning is echt de toekomst als het gaat om het maken van voorspellingen”, geeft hij aan. “Je ziet het overal om je heen opduiken en het heeft het potentieel om in elke sector veel te bereiken.”
Hij benadrukt het belang en de veelzijdigheid van machine learning in het voorspellen van verschillende vraagstukken. Zo wordt binnen Kurtosis momenteel ook gewerkt aan het voorspellen van de jeugdzorgvraag voor nog te bouwen wijken. Boersen legt uit: “We willen graag weten hoe de vraag zich in de toekomst zal ontwikkelen, hoeveel personeel er nodig zal zijn en wat de verwachte kosten zullen zijn.”
Door gebruik te maken van historische data kunnen deze voorspellingen nauwkeurig worden gedaan, wat waardevolle inzichten oplevert voor de planning en besluitvorming.
Het master-afstudeeronderzoek van Boersen werd vanuit de Universiteit Twente begeleid. Bij Kurtosis werd de begeleiding verzorgd door Vincent van Ham.
Kurtosis is gespecialiseerd in data-analyse, data science en datagedreven werken. Ook heeft Kurtosis het trainingsplatform Data To Go, waarmee laagdrempelig kan worden gestart met het werken met data.
