Mara is afgestudeerd!
Onlangs studeerde Mara van Boeckel af bij EscuLine.
Mara vertelt over haar tijd bij EscuLine en de resultaten van haar onderzoek naar patronen in meldingen uit zorgtechnologie data.
Onlangs studeerde Mara van Boeckel af bij EscuLine.
Mara vertelt over haar tijd bij EscuLine en de resultaten van haar onderzoek naar patronen in meldingen uit zorgtechnologie data.
Voor het afstuderen aan de opleiding Toegepaste Wiskunde aan de Hogeschool van Amsterdam heb ik gekozen mijn afstudeeronderzoek te doen bij EscuLine. De combinatie van de zorgsector en Data Science sprak mij enorm aan en ik was daarom erg op mijn plek bij dit bedrijf. EscuLine heeft al eerder onderzoeken gedaan in samenwerking met studenten van mijn opleiding, waardoor ik vooraf al op de hoogte was dat EscuLine een bedrijf is met veel kennis aan boord. Veel leesplezier bij dit artikel over patronen in meldingen uit zorgtechnologie data.
In samenwerking met de zorgorganisatie Groenhuysen is er onderzoek gedaan naar het vinden van uitzonderingssituaties bij cliënten, vanuit zorgtechnologie-data. De zorgtechnologie-data die gebruikt is, bevat alle meldingen van de cliënten die voortkomen uit de domotica. Denk hierbij aan de meldingen van de halszender/polszender of de bedsensor. Tijdens het onderzoek ben ik ook op bezoek geweest bij een locatie van Groenhuysen.
De data is geanonimiseerd verwerkt.
‘’Het was erg interessant en leerzaam om een beeld te krijgen van de verschillende soorten sensoren en hoe de zorgmedewerkers hiermee werken.’’
Mara over haar onderzoek bij Groenhuysen
De eerste optie is supervised learning. Supervised machine learning heeft input nodig met gelabelde data, ofwel er moet vooraf bekend zijn wat een anomalie (onregelmatigheid) is. Tijdens dit onderzoek is dit niet bekend omdat het de eerste stap is naar het vinden van deze uitzonderingssituatie. In dit onderzoek is bekeken of er voorafgaand per zorgprofiel, anomalieën gedefinieerd konden worden. Echter bleek dat voor cliënten met hetzelfde zorgprofiel geen eenduidige regel te formuleren was voor een anomalie. Dit komt omdat het aantal sensormeldingen per dag kan verschillen tussen nul en honderd meldingen voor de ene cliënt, terwijl de andere tussen de nul en twintig per dag zit. Supervised machine learning bleek hierdoor geen mogelijkheid te bieden voor dit onderzoek.
De andere optie is unsupervised machine learning. De unsupervised modellen leren van de gebruikelijke patronen in tijdreeksen en vinden daarmee de anomalieën. Voor dit onderzoek leek deze methode een goede optie. Echter bleek uit het weergeven van de tijdreeksen van de cliënten dat erg veel cliënten geen stabiel patroon hadden voor de verschillende soorten sensormeldingen. De modellen hadden eventueel gemaakt kunnen worden, maar omdat daar weinig potentie in zat door de missende patronen en de ruis, is hier niet voor gekozen.
Aangezien het aannemelijk was dat machine learning geen modellen ging opleveren met hoge prestaties, is er gezocht naar andere mogelijkheden om toch tot een methode te komen die werkt voor de opdrachtgever. Uiteindelijk is er gebruikgemaakt van een statistische formule die uitschieters vindt. De ontwikkelde methode is zo ontworpen dat de anomalieën mee veranderen met het gedrag van de cliënt. De methode kan dit voor elke cliënt en elke soort sensor. Tot slot zijn er vier categorieën toegevoegd met relevante anomalieën. Deze bevatten extreme anomalieën en meerdere dagen anomalieën.
De belangrijkste aanbeveling van dit onderzoek is dat de ontwikkelde methode getest moet worden. De methode vindt wiskundig de abnormale situaties, maar of de zorgmedewerkers deze punten ook als afwijkend zien, moet nog blijken. Door middel van het testen ontstaat er ook een gelabelde dataset, wat weer input kan zijn voor een supervised learning model in de toekomst.
Het is ook van belang dat er in de data meegegeven wordt wat foutieve meldingen zijn geweest. Denk bijvoorbeeld aan iemand die de kamer van de cliënt in loopt en daarbij vergeet de sensor uit te schakelen.
Hierdoor kunnen deze meldingen weg gefilterd worden waardoor er minder ruis zit in de tijdreeksen. Het is nu mogelijk dat de methode verkeerde punten classificeert als afwijkend of afwijkingen heeft gemist omdat er nog foute meldingen in staan.
Ik heb de stageperiode zeer prettig ervaren. Mijn begeleider Daan Ooms heeft wekelijks met mij gespard waardoor ik het beste uit de opdracht en mezelf heb kunnen halen. Ik vond ook de werksfeer bij EscuLine ontspannen, motiverend en inspirerend. De gezamenlijke lunchwandelingen en de potjes tafelvoetbal waren hier onderdeel van.
Met dit onderzoek hoop ik een bijdrage te hebben geleverd aan het verbeteren van de inzichten voor het management van het verpleeghuis.
Blijf op de hoogte van wat wij doen. Meld je nu aan voor onze nieuwsbrief!