Case
Data science bij GGZ Noord-Holland-Noord

Zou het niet handig zijn om van tevoren te weten hoeveel zorg je gaat leveren in het aankomende jaar? GGZ Noord-Holland-Noord (GGZ NHN) is in samenwerking met Axians een machine learning traject gestart om deze vraag te beantwoorden. Er is een model gebouwd dat voorspelt hoeveel tijd er besteed gaat worden aan openstaande Diagnose Behandeling Combinaties (DBC’s). Het model en de voorspellingen zijn volledig geïntegreerd in de bestaande tooling van GGZ NHN, waardoor er weinig aanvullende kennis nodig is om het model te onderhouden.

GGZ NHN onderhandelt ieder jaar over de inkoop van zorg met zorgverzekeraars. Deze afspraken worden vastgelegd in een contract en zijn geldig voor het aankomende jaar. Om sterk in je schoenen te staan tijdens deze onderhandelingen, is het van belang om een goede inschatting te kunnen maken van de hoeveelheid zorg die er geleverd gaat worden. Daarom is er een model gebouwd dat de behandelduur per DBC voorspelt.

Het vraagstuk en de oplossing

Voorafgaand aan het traject zijn er een aantal uitgangspunten gedefinieerd, namelijk:

  • geen black box;
  • goede performance;
  • zoveel mogelijk gebruik maken van bestaande architectuur;
  • minimaal onderhoud;
  • automatische updates.

Met inachtneming van de uitgangspunten is er gekozen voor een model dat gebaseerd is op beslisbomen. Een beslisboom komt tot stand door een dataset met historische data steeds opnieuw te splitsen in subgroepen aan de hand van een bepaalde eigenschap. De subgroepen worden steeds kleiner en steeds meer aan elkaar gelijk. De gemiddelde behandelduur per subgroep is de voorspelling. Dit proces vindt een aantal keren plaats, waardoor er meerdere beslisbomen ontstaan. Deze beslisbomen worden samengevoegd tot één syntax; een groot aantal als- dan- anders- statements. Deze syntax is het getrainde model en wordt toegepast op openstaande DBC’s. Dit zijn de voorspellingen.

AI-architectuur

Om tot een model te komen is er een server zo ingericht dat de eindgebruikers bij GGZ NHN op een eenvoudige manier complexe modellen kunnen bouwen. Deze modellen kunnen uiteindelijk worden geëxporteerd als een SQL-query die wordt opgepakt in de huidige Extraction, Transformation and Load (ETL) tooling, waardoor een tabel in het datawarehouse ontstaat. In deze tabel staat een ID en de voorspelling, zodat de tabel eenvoudig aan andere tabellen gekoppeld kan worden en makkelijk opgepakt kan worden door BI tooling.

Dashboards

Met behulp van de huidige BI tooling zijn er twee dashboards gemaakt; één ter validatie van het model en één om de business te sturen. Het validatie dashboard laat zien hoe het model presteert aan de hand van de gemiddelde afwijking op DBC-niveau en geaggregeerd niveau. Het dashboard met stuurinformatie laat zien hoeveel tijd er reeds besteed is aan DBC’s en hoeveel tijd er volgens de voorspellingen nog besteed mag worden, zodat contractafspraken beheersbaar zijn en GGZ NHN zich aan de gemaakte afspraken kan houden.

Key Points

  • GGZ NHN heeft in samenwerking met Axians een model gebouwd die behandelduur voorspelt.
  • Data science hoeft geen black box te zijn; de syntax van een beslisboom is goed te begrijpen.
  • Het voorspellend model is volledig geïntegreerd in de bestaande tooling van GGZ NHN.

Is jouw netwerk klaar voor Machine Learning?

Zou jij ook graag de data uit jouw organisatie inzetten om voorspellingen te doen over de zorgvraag? Dat start bij een goed netwerk. Doe een vrijblijvende infra improvement scan en ontdek welke mogelijkheden er binnen jouw netwerk liggen.