Betere zorg dankzij de inzet van medische data
Betere zorg dankzij de inzet van medische data
‘Gezondheidszorg’, ‘ziekenhuizen’ en ‘patiëntendossiers’ zijn wellicht niet direct termen die je associeert met KPN. Toch speelt het technologiebedrijf een allesbepalende rol in de wereld van medische data met KPN Health Exchange. Welke technologieën worden bij dit platform ingezet? En wat brengt de toekomst?
Er is de laatste jaren veel gebeurd in de gezondheidszorg. Met name de “verzuiling”, waarbij verschillende instanties en zorgverleners over medische informatie beschikken, maar deze niet altijd efficiënt met elkaar uitwisselen, zorgt voor onnodige vertraging. Dankzij Health Exchange van KPN kunnen zorgorganisaties medische informatie sneller, makkelijker en veiliger uitwisselen. Het betreft hier een SaaS-platform dat aansluit op verschillende afsprakenstelsels in de zorg.
Een systeem als Health Exchange heeft meerdere voordelen. Informatie is beter deelbaar tussen zorgprofessionals, medische informatie is inzichtelijker voor patiënten zelf en zorgprofessionals ervaren minder administratieve last. Om dat laatste meteen concreet te maken: in plaats van voortdurend formulieren opnieuw in te vullen, zijn gegevens al digitaal en gestructureerd vastgelegd.
Als voormalig verpleegkundige probeert Teun – nu Information Manager KPN Health – digitale techniek en menselijk maat aan elkaar te koppelen. Hij werkt pas zes maanden bij KPN maar werd verleid door de visie van KPN over de inzet van medische data. Een ding staat als een paal boven water: het interpreteren van data van patiënten wordt steeds belangrijker.
Het ontdekken en analyseren van correlaties in health-data
Wie overigens denkt dat zorginstellingen hun data niet goed voor elkaar hebben, heeft het mis. Ziekenhuizen, huisartsen, VVT-instellingen et cetera hebben hun patiëntengegevens als zodanig vaak op orde. Health Exchange zorgt er echter voor dat de data als het ware goed met elkaar kunnen ‘praten’. Teun: ‘Wij doen zelf niets met de data, maar zorgen wel dat deze beter kan worden ontsloten zodat de verschillende zorgprofessionals die data met elkaar kunnen uitwisselen.’ Uiteindelijk moeten professionals al die data van al die verschillende bronsystemen van zorginstellingen niet alleen maar gebruiken om te kijken hoe het met de patiënten gaat, maar ook wat die data hen vertelt. Wat kunnen ze van die data leren? Zijn er bepaalde verbanden te leggen? En zijn bepaalde zaken wellicht te voorspellen?
Een voorbeeld maakt dit concreter. In de gezondheidzorg gebruikt men steeds vaker moderne sensoren die op afstand bepaalde waardes en gedragingen van patiënten meten. Stel dat een bepaalde patiënt veel slaapwandelt en ‘s nachts over de gang van een zorginstelling gaat dwalen. Zorgverleners ontvangen hierover een signaal: een puur feitelijke constatering waarbij je als verpleger naar de patiënt toegaat en deze weer veilig naar zijn kamer begeleidt. ‘Een nobel gegeven, maar er is zoveel meer mogelijk’, stelt Teun. ‘Het is wellicht veel interessanter om het dwalen te koppelen aan de medicatiegegevens van de patiënt. Is daar recent iets in veranderd? Of heeft de patiënt eerder op de dag bijvoorbeeld ruzie gehad met iemand? En kunnen we dit voorval koppelen aan vergelijkbare casussen? Waren er meer patiënten die dit gedrag vertoonden de afgelopen tijd? En hoe zit het met hun medicatie? Wellicht is er sprake van een correlatie.’
Teun pleit er dan ook voor om veel meer te doen met health-data. Naast medische hulp kan die data bijvoorbeeld worden ingezet voor onderwijs, onderzoek, personeelsbeheer en ga zo maar door. Anders gezegd; door data driven kennis kan de zorg worden verbeterd en KPN Health Exchange speelt daar een belangrijke rol in.
De techniek achter Health Exchange: bouwstenen en Kubernetes
Health Exchange maakt gebruik van cloud-native technologieën en containers, en dan dienen direct de technieken Docker en Kubernetes zich aan.
Docker is een suite van software ontwikkeltools voor het creëren, delen en draaien van individuele containers; Kubernetes is een systeem voor het besturen van gecontaineriseerde applicaties op schaal. Containers zijn als gestandaardiseerde verpakkingen voor microservices met alle benodigde applicatiecode en afhankelijkheden erin. Het creëren van deze containers is het domein van Docker. Een container kan overal draaien, op een laptop, in de cloud, op lokale servers, en zelfs op edge devices.
Een moderne applicatie bestaat uit vele containers. Deze in productie beheren is dan weer de taak van Kubernetes. Met Kubernetes is het mogelijk om op geautomatiseerde wijze software te distribueren naar virtuele machines volgens het principe van orkestratie. Het systeem is schaalbaar zodat een systeembeheerder eenvoudig meer of minder objecten in een groep kan plaatsen. Veel cloudplatforms bieden een Kubernetes-platform of infrastructure as a service (PaaS of IaaS) aan.
Aangezien containers gemakkelijk te repliceren zijn, kunnen applicaties auto-scale werken: verwerkingscapaciteiten uitbreiden of inkrimpen al naar gelang de vraag van de gebruiker. Docker en Kubernetes zijn veelal complementaire technologieën.
Aan de voorkant maakt het systeem van Health Exchange gebruik van het herkennen, indelen, transformeren en transporteren van verschillende FHIR-resources die zijn gedefinieerd via HL7 FHIR. De afkorting HL7 staat voor Health Level Seven: de wereldwijde standaard voor veilige, elektronische informatie-uitwisseling in de zorg. De HL7 standaard definieert alle soorten gegevens in alle zorgdomeinen en zorgsectoren, wordt ontwikkeld en beheerd door de internationale HL7 organisatie, en is in meer dan 30 landen actief. De FHIR resources hebben een relatie met zorginformatiebouwstenen die door Nictiz beheerd worden. Bij zorginformatiebouwstenen moet je denken aan de bouwstenen als de bloeddruk, de voorgeschiedenis, de patiënt, de huisarts enzovoorts.
Wanneer de medische data volgens de HL7 standaard via de cloud snel en veilig kan worden gebruikt, ontstaan er tal van mooie toepassingen. Niet in de laatste plaats voor de patiënt zelf. Naast meer inzicht in eigen gegevens, kan een patiënt bijvoorbeeld via een app altijd zijn medische gegevens oproepen, bijvoorbeeld tijdens een vakantie op Terschelling waar onverhoopt een bezoek aan de lokale huisarts plaatsvindt. ‘Maar je kunt straks gegevens ook aanpassen bij eventuele fouten die in jouw medische data zijn geslopen’, aldus Teun. ‘Stel, er staat vermeld dat je COPD hebt, terwijl je last van astma hebt. In ons toekomstscenario willen we naar een situatie waarbij patiënten ook zelf dingen kunnen tunen, of in ieder geval eventuele gewenste aanpassingen kunnen markeren. Dit is een toekomstige functie van DVZA maar zal altijd met tussenkomst van de zorgverlener zijn.’
De nabije toekomst van health: streaming data en machine learning
De toekomst ziet er veelbelovend uit, denkt Teun, waarbij op medisch gebied gebruik gemaakt gaat worden van zogenaamd streaming data. ‘We gaan steeds meer toe naar de inzet van modellen die kunnen leren van heel veel data die voortdurend beschikbaar is. We praten dan over machine learning.’
Machine learning is een onderdeel van kunstmatige intelligentie waarbij een model patronen in gegevens ontdekt om de relatie tussen gegevensinput en -uitkomst te bepalen. Op basis van deze relatie bestudeert het model de meest veelzeggende gegevensinput - bekend als features - en genereert het een score die toekomstige uitkomsten voorspelt, classificeert of aanbeveelt. Machine learning-scores kunnen ook worden afgeleid uit anomalieën; doorbraken in patronen die van invloed zijn op toekomstige uitkomsten.
In Amerika wordt bijvoorbeeld al gebruik gemaakt van real-time bloedvergiftigingswaarschuwingen, als sleutel tot het redden van levens. Door vroegtijdige identificatie van sepsis (bloedvergiftiging) wordt de mogelijkheid om antibiotica toe te dienen binnen het eerste kritieke 'gouden uur' aanzienlijk vergroot.
Streaming machine learning is de toepassing van een ML-model op een streaming datapijplijn, oftewel een workflow die gegevens in real-time binnenhaalt en transformeert tussen een bron en een doel. Real-time kan betekenen milliseconden, seconden of minuten, afhankelijk van de use case. Het machine learning-model levert logica die de streaming data-pijplijn helpt om kenmerken binnen de stroom en mogelijk binnen historische data bloot te leggen. Het model genereert vervolgens real-time scores op basis van de kenmerken die de pijplijn heeft blootgelegd. De datapijplijn levert deze real-time scores aan bedrijfsmonitoringsystemen, business intelligence tools, medische applicaties of workflows, zodat deze scores voorspellingen, classificaties of aanbevelingen kunnen doen.
Teun: ‘Waarom zou je iedere vijf seconde iemands hartslag meten en die meting ook daadwerkelijk opslaan? Dat zit je binnen mum van tijd met een gigantische hoeveelheid terabytes aan data waar je niet per se iets aan hebt. Als een hartslag onder een bepaalde kritische waarde komt, dan wil je daar een signaal van en die data moet je wel opslaan. Dankzij machine learning en real-time streaming sla ja pas data op als deze relevant is.’