Data, het ‘nieuwe goud’ voor de ouderenzorg

15 October 2020

Text-mining helpt ons om grote collecties geschreven tekst makkelijker om te kunnen zetten naar informatie én kennis. We kunnen hiermee vragen beantwoorden als: Welke thema’s komen het vaakst voor in gesprekken? Gebruiken bewoners dezelfde woorden om kwaliteit te beschrijven als zorgprofessionals? Hoe vaak wordt het eten besproken en wat zijn de meningen hierover? Door text-mining wordt het vinden van antwoorden op onder andere deze vragen geautomatiseerd en kan er nog meer waardevolle informatie uit tekst gehaald worden. Onder leiding van dr. Sil Aarts, prof. Hilde Verbeek en prof. Jan Hamers gaat de in corona tijd gestarte promotie kandidaat, Coen Hacking, de AWO-ZL verder helpen op dit gebied.

Data is van onschatbare waarde geworden voor evidence-based werken in de gezondheidszorg. Door grote hoeveelheden data te analyseren, kunnen door middel van innovatieve, data-exploratieve methoden nieuwe patronen en relaties inzichtelijk gemaakt worden. Data wordt dan ook vaak 'het nieuwe goud' genoemd. 

De digitale en technologische revolutie in de langdurige ouderenzorg heeft geleid tot enorme hoeveelheden data die worden verzameld om de zorg beter aan te laten sluiten op de wensen en behoeften van ouderen. In de verpleeghuiszorg en thuiszorg wordt niet alleen data verzameld die betrekking heeft op bewoners en cliënten, maar ook data die betrekking heeft op andere actoren in de zorg zoals naasten en zorgprofessionals. Daarnaast wordt niet alleen kwantitatieve data (dat wil zeggen data in de vorm van cijfers), maar ook kwalitatieve data (data in de vorm tekst/verhalen), verzameld met als uiteindelijke doel het verbeteren van de zorg. 

Om meer diepgaande informatie over de kwaliteit van zorg te verkrijgen, worden veelal kwalitatieve gegevens verzameld. Deze verhalende data bevatten niet alleen ervaringen van bewoners, maar ook informatie over hun betrokkenheid, tevredenheid en kwaliteit van leven. Denk hierbij aan data uit de driehoeksgesprekken (bewoner, naaste, zorgverlener) uit de Ruimte voor Zorg methode en de jaarlijkse Landelijke Prevalentiemeting Zorgkwaliteit (LPZ). Data hieruit wordt op dit moment handmatig geanalyseerd. Dit is helaas een enorm tijdrovende taak.

Text-mining zou weleens het antwoord kunnen zijn op de vraag hoe we grote collecties geschreven tekst makkelijker kunnen omzetten in informatie én kennis. Text-mining kan worden gezien als een verzameling van computertechnieken die waardevolle informatie, en dus kennis, haalt uit grote hoeveelheden tekst. Met text-mining kunnen we tekstuele data analyseren via methoden zoals frequenties, correlaties, clustering en sentimentanalyse. We kunnen hiermee vragen beantwoorden zoals: Welke thema’s komen het vaakst voor in al deze gesprekken? Gebruiken bewoners dezelfde woorden om kwaliteit te beschrijven als zorgprofessionals? Hoe vaak wordt het eten besproken en wat zijn de meningen hierover? Door text-mining wordt het vinden van antwoorden op deze vragen geautomatiseerd en kan er nog meer waardevolle informatie uit tekst gehaald worden. 

Sentiment analyse

Een onderdeel van text-mining is sentiment analyse. In de nieuwsbrief van juli vroegen we u om mee te werken aan wetenschappelijk onderzoek door een vragenlijst in te vullen. Hierbij vroegen wij u zinnen te beoordelen door deze als positief, negatief of neutraal te classificeren. Ondertussen hebben al heel wat mensen deze lijst ingevuld. Dank daarvoor! Maar waar dient deze vragenlijst eigenlijk voor? En waarom is dit zo belangrijk?

Het doel van dit onderzoek is het ontwikkelen van een model voor sentiment analyse dat zich specifiek richt op de evaluatie binnen de ouderenzorg. Dit houdt in dat het gevoel (oftewel sentiment) van een stuk tekst automatisch in kaart wordt gebracht door het hanteren van een ‘wiskundig model’. Middels de sentiment analyse kan Coen in beeld brengen welke woorden als positief of negatief worden gewaardeerd. Tevens kan er worden gekeken of bijvoorbeeld de gesprekken van bewoners over het algemeen positiever zijn dan de gesprekken van familieleden of professionals of vice versa.

U kunt nog steeds helpen met het onderzoek door de vragenlijst in te vullen, klik hier.

Text-mining in ECD

Momenteel richt Coen Hacking zich op het analyseren van de grote hoeveelheid tekst verzameld in het Ruimte voor Zorg project. Echter, text-mining kan ook worden toegepast op bijvoorbeeld elektronische patiëntendossiers om zo waardevolle informatie te genereren. Tekstvelden in ECDs kunnen bijvoorbeeld worden geanalyseerd met betrekking tot valincidenten; zijn bepaalde geregistreerde woorden (e.g. “disbalans”, “onrustig in looppatroon”) in ECDs gerelateerd aan toekomstige valincidenten van bewoners? Dergelijke verkregen inzichten kunnen worden aangewend om bepaalde incidenten of situaties te kunnen voorspellen, en mogelijk te kunnen voorkomen. 

Waarom is het gebruik van data zo van belang voor de ouderenzorg? Lees voor het antwoord ook eens deze blogs:

https://www.skipr.nl/blog/oproep-aan-de-langdurige-ouderenzorg-gebruik-die-data/

https://www.qruxx.com/slim-gebruik-van-data-verbetert-kwaliteit-van-zorg/

https://www.zorgvisie.nl/blog/vijf-handvatten-om-data-in-de-langdurige-ouderenzorg-te-gebruiken/