Een kijkje in de R&D keuken bij EscuLine
We vroegen Daan naar zijn ervaringen tijdens de eerste periode en de projecten waaraan hij werkt.
Voordat ik bij EscuLine in dienst kwam heb ik zelf gewerkt aan de ontwikkeling van machine learning modellen en heb ik leiding gegeven aan teams die werkten aan data-inzichten en machine learning.
De eerste 2 maanden ben ik vooral bezig geweest met het aanbrengen van structuur in de Research & Development (R&D) activiteiten van EscuLine.
Er lopen namelijk meerdere R&D projecten tegelijkertijd. Hierbij werken we samen met verschillende klanten. Door goed te communiceren met de klant en onze ontwikkelaars borgen we dat de stakeholders op de hoogte zijn. Mijn voornaamste verantwoordelijkheid is de coördinatie over alle lopende projecten. Om de voortgang van de projecten te stimuleren maken we een plan. En daaruit volgen concrete acties waarbij we werken vanuit een backlog.
Als Productowner ben ik met veel verschillende vraagstukken bezig. In de zorg is er veel data beschikbaar. En er liggen echt grote kansen om daar meer mee te doen. De missie van EscuLine is om zorgorganisaties te helpen steeds meer data gedreven te werken. We denken daar samen met de zorgverleners en management over na. Hoe kunnen wij vanuit de beschikbare data en onze modellen helpen om het werk efficiënter, gemakkelijk en beter te maken.
Het leuke van mijn werk is dat ik de drijvende kracht ben achter de innovatie van EscuLine. Mijn achtergrond als econometrist helpt me ook heel concreet om mee te denken en mee te werken aan innovatie. Er zit dus zowel een strategische maar ook een hele praktische kant aan mijn rol.
Verschillende organisaties
We werken aan oplossingen die specifiek voor een sector binnen de zorg beschikbaar zijn. Daarnaast werken we sinds kort ook aan een model dat zowel data van de Thuiszorg als data van de Huisartsenpost combineert.
Het is erg belangrijk dat we ons goed kunnen verplaatsen in wat er speelt in de zorg. Voordat we aan een goede oplossing kunnen werken is het van belang om de dagelijkse praktijk van de zorg goed begrijpen.
Door aan de hand van de data die we in veel gevallen al ontsluiten voor BI doeleinden, samen met onze klanten na te denken over wat er aan voorspellende of verklarende waarde in zou kunnen zitten, komen de goede ideeën vaak vanzelf. Bijvoorbeeld bij een huisartsenpost (HAP) meten we hoe druk het is geweest op de HAP. Daarnaast brengen we voor een aanbieder van thuiszorg de kenmerken van cliënten in kaart. Door ge-anonimiseerde datasets te koppelen kunnen we analyseren welke ouderen die thuiszorg ontvangen, vervolgens de HAP bellen. Aan de hand van deze informatie gaan we met de thuiszorgorganisatie nadenken over mogelijkheden om het aantal telefoontjes naar de HAP te verminderen.
De huisartsenpost is namelijk ingericht voor spoedzorg en niet voor vragen die ook tot de volgende dag kunnen wachten en mogelijk veel beter aan een professional gesteld kan worden die de cliënt goed kent.
We werken op dit moment in een eerste regionale samenwerking aan een voorspelmodel dat hiervoor ingezet kan worden. Het is heel gaaf om naast onze technische input ook een rol te kunnen spelen in het verbinden van organisaties door middel van de gegevensverrijking die we doen.
Op basis van deze inzichten hopen we dan zorgprofessionals te kunnen helpen om gerichte preventieve acties toe te passen.
Het idee voor een simulatiemodel voor de drukte op de Huisartsenpost speelde al langer. Een van de oprichters van EscuLine is manager geweest bij meerdere Huisartsenposten. En bij een van onze klanten werkt ook een manager van de HAP die ook graag met dit idee aan de slag wilde. In een eerder artikel is het HAP simulatiemodel toegelicht. In dat onderzoek kwam naar voren dat laag urgente telefoontjes bij de HAP terecht kunnen omdat het beeld kan zijn dat de HAP de Huisartsenpraktijk overneemt buiten kantooruren. Wat we nog niet meegenomen hebben in dat onderzoek is de klacht (kenmerken / ziektebeeld) waarmee een patiënt belt. Deze data is er wel en is ook onderdeel in vervolgonderzoek dat inmiddels gestart is.
Bij dit onderzoek is ook weer een afstudeerder betrokken. We proberen hier het onderzoek vanuit de thuiszorg dataset op te bouwen. Zo kunnen we ge-anonimiseerde datasets aanwenden om te zien welke cliënten bij de spoedzorg aankloppen, die ook thuiszorg ontvangen.
Om van een idee naar een operationeel AI product te komen heb je focus en geduld nodig. De ontwikkeltijd van sommige oplossingen varieert van één tot in sommige gevallen meerdere jaren. Als er een idee ontstaan is werken we – waar mogelijk – samen met een student die op dat thema een afstudeerproject uitvoert. Zo komen we erachter of de data geschikt is om de vraag te beantwoorden.
Als dat het geval blijkt te zijn kunnen we vervolgens een ontwikkelproject starten om te een zogeheten Minimal Viable Product (MVP) te komen. Mocht er blijken dat de dataset ontoereikend is om er een voorspellende of verklarende kracht uit te halen dan gaan we weer terug naar de tekentafel. We kijken dan samen met onze klanten naar mogelijkheden om de dataset te verrijken of te verbreden om zo mogelijk tot een betere set aan inputvariabelen te komen.
Recent hebben we voornamelijk “onder water” serieuze stappen gemaakt. We kunnen nu namelijk de nieuwe registraties direct mee nemen in het lerende vermogen van onze AI modellen. Daarmee kunnen we dagelijks nieuwe informatie tonen.
Het werken aan bovenstaande ontwikkelingen bevallen me erg goed. Mede door de leuke collega’s en studenten waar ik mee samenwerk. Ook de sfeer in de zorgsector is erg positief. De uitdagingen zijn groot. En ik ervaar dat veel professionals in de zorg, met ons, inzien dat inzicht in zorgdata een bijdrage kan leveren.
Voor vragen ben ik bereikbaar op daan.ooms@esculine.nl.
Ook als de resultaten niet opleveren wat je op voorhand hoopt kun je wel degelijk iets aan een onderzoek hebben. Zo leren we samen met onze klanten dat de registratie bij de bron niet altijd op de plekken wordt gedaan waar dit bedoeld is. Of dat de registratie te wensen over laat omdat het primaire systeem niet logisch is opgebouwd. Dit geeft input waar we vervolgens met samenwerkingspartners iets mee kunnen. Maar soms is het ook gewoon een kwestie van goede werkafspraken maken en kennis binnen de organisatie up-to-date te brengen.
In gevallen waar direct in de dataset verklarende of voorspelkracht aanwezig is, is dat natuurlijk heel mooi. Bij oplevering van het afstudeerproject kan het zo zijn dat we er vervolgens een ontwikkelproject voor definiëren. Wanneer een model dusdanig goed presteert dat we dit beschikbaar willen stellen aan professionals, ondersteunende dienst of management, doen we dat vaak door de uitkomsten te presenteren in een BI dashboard. We koppelen dan de resultaten uit de Machine Learning omgeving aan een BI tool. Maar het is zeker niet ondenkbaar dat we in de toekomst ook resultaten terug kunnen gaan geven aan de databron, zoals een EPD, ECD, HIS.
Bij een aantal grotere VVT-organisaties hebben we voor cliënten in de wijkverpleging AI-modellen ontwikkeld die cliënten, die qua kenmerken op elkaar lijken te groeperen in clusters. De thuiszorgorganisatie kan dan bijvoorbeeld zien welke cliënten binnen een cluster relatief veel zorg vragen. Ook kan worden gezien welke clusters in welke teams oververtegenwoordigd zijn. Door over deze inzichten binnen of tussen teams in gesprek te gaan leren wijkverpleegkundigen van elkaar en van de inzichten uit de data. Het huidige clustermodel is ontwikkeld op het elektronisch cliënten dossier (ECD) ONS van Nedap. Deze oplossing is ook beschikbaar voor organisaties die werken met het ECD van Ecare (PUUR). We werken op dit moment aan de toepassing van het model op meerdere ECD’s.
Met het HAP-simulatiemodel werken we ernaar toe dat we in het tweede kwartaal van 2022 een dashboard beschikbaar hebben. Huisartsenposten kunnen daarmee de effecten van ingrepen op de drukte op de HAP eenvoudig zelf analyseren.
