14 december 2014

Big data

OP WEG MET ‘LITTLE’ BIG DATA

In het artikel ‘Orbis als experiment’ in HEADline1 gaven we al aan nog eens contact op te nemen met Ron Hendricks, die we toen mede in zijn rol als capaciteitsmanager hebben geïnterviewd. Inmiddels heeft hij vanuit zijn ondernemingsdrang een overstap gezet naar het bedrijfsleven en met een aantal partners Care IQ opgezet. Vanuit die context leveren hij en Frits van Krieken een boeiende inhoudelijke bijdrage aan dit innovatienummer van HEADline (redactie).

Big Data analyse gaat over het toegankelijk

maken van enorme hoeveelheden gegevens

uit heel verschillende bronnen, die in hoog

tempo en in veel verschillende vormen en

kwaliteiten beschikbaar komen. Het idee is om met

deze rijke set gegevens nieuwe informatie en patronen

te ontdekken. Daarmee kun je veel sneller inzichten

verwerven en zakelijk succesvolle beslissingen nemen.

Wie wil dat nu niet?

In de gezondheidszorg biedt Big Data analyse onge-

twijfeld geweldige mogelijkheden. Zo kunnen ondui-

delijke verbanden rond het ontstaan van ziekten

opgehelderd worden en kan behandeling van patiën-

ten geïndividualiseerd worden. Informatie-experts

bepleiten dus dat we ons moeten voorbereiden op

deze nieuwe realiteit. Zorgmanagers vragen zich af

wat ze moeten doen om deze boot niet te missen.

Waar moet je beginnen en hoe snel verdien je de

investering terug?

In hun enthousiasme over Big Data in de zorg bewe-

ren deskundigen ook wel dat deze gegevens bruikbaar

zijn om mensen en middelen in de zorg efficiënter in

te zetten en daarmee verspillingen in zorgprocessen

weg te nemen. Het gaat immers over ingewikkelde

planningsprocessen. Zou Big Data niet dé oplossing

zijn om grip te krijgen op vraag en aanbod en de

werkelijke oorzaken en verbanden achter alle versto-

ringen en inefficiëntie?

De praktijk heeft ons geleerd dat je al veel voordeel met

plaatselijk verkrijgbare gegevens kunt behalen. Die

aanpak biedt snel rendement. Voorwaarde is wel dat je

anders leert denken. Dan herken je kansen en prakti-

sche oplossingen. Dat komt vervolgens weer van pas

bij het benutten van Big Data. Het klinkt als een aanbe-

veling in de trant van: wie het kleine niet eert, is het

grote niet weerd.

Deze aanbeveling wordt ook gedaan op grond van de

ervaring met het optimaliseren van operationele proces-

sen op basis van onderzoek van beschikbare data bij

onder meer het Orbis Medisch Centrum. Het was daar

een spin-off van een belangrijke bijdrage aan het

ziekenhuisontwerp, waarna in de jaren volgend op de

opening van het centrum gekeken is hoe het efficiënter

en effectiever georganiseerd kon worden.

Bij Orbis is de planning van personeel, capaciteiten en

productie van nagenoeg alle afdelingen onder de loep

genomen. Gaandeweg is daarbij een solide, op gege-

vensanalyse gebaseerde, methode ontwikkeld. Hoofd-

zakelijk bestond deze uit het beter en slimmer benut-

ten van wat je ‘little data’ zou kunnen noemen: de al

beschikbare (en vaak eenvoudig te verzamelen operati-

onele gegevens) op een andere wijze te sorteren en te

verwerken. Met de ondernemingsdoelstellingen als lei-

draad is de organisatie geleerd om anders te denken en

deze ‘little data’ slimmer te verzamelen en te analyse-

ren. Die aanpak leverde Orbis grote besparingen op en

verschafte nieuwe inzichten over onder andere de ma-

nier van integraal plannen, werkdruk en -regulatie,

wachtlijsten, et cetera.

Deze aanpak is inmiddels modelmatig en methodisch

verder doorontwikkeld en wordt nu vanuit de context

van ons adviesbedrijf bij meerdere zorginstellingen en

in de profit sector nationaal als internationaal met suc-

ces toegepast. Een vestigingsplaats op innovatieve net-

15december 2014

Country Institute

149

107,1221,5

>9%

8,95

8,46

3,18

4,52

107,12

144,52

10

Hospital

Hospital

Hospital

Nursing

Nursing

Radiology

Hospital

Hospital

Hospital

Hospital

Private

1

2

3

4

5

6789

11

12

13

14

Totaal 

Oktober 2014 © Care IQ BV

45,69

18,68 3

1,11

8,32

8,95

to Budget:>10%

86,88

38,41

90,06

54,15

23,2

423,53 415,32 385,38

Radiology

Radiology

21,68

17,03

Resource IQ ToBUDGET

Difference

177 177

42,88

167,37 9,63

3,52

0,58

3,38

59,99 686,65 678,44 623,17 55,52

FTE Realisation

127,5

98,17

Netherlands

Germany

Switserland

Norway

Ireand

OR

OR

OR

OR

Nursing home

DEPARTMENT

54,01

87,99

FTE BUDGET

Quickscan Resource IQ

23,52

23,02

32,3432,9232,92

26,4 26,4

26,826,8

to Budget ca 9%

werk op de High Tech Campus in Eindhoven is daarbij

een extra verfrissende stimulans.

De eerste stap in de gehanteerde methodiek bestaat uit

het op een bewust open en originele manier naar de

gegevens te kijken. De daaruit naar voren komende

conclusies zijn het vertrekpunt om een optimalisatie-

slag te realiseren.

De analyse van de data leidt tot nuttige observaties, die

het management soms verrassen, bijvoorbeeld:

Het patiëntaanbod blijkt heel voorspelbaar te zijn,

zowel in aantal als in diversiteit van aandoeningen.

Zolang het ziektekostenstelsel en de regelgeving niet

drastisch veranderen, herhaalt het patroon zich jaar

op jaar voor 96%.

Het volume spoedpatiënten is aantoonbaar te plan-

nen, te beïnvloeden én te reduceren.

Capaciteiten zoals bedden, operatiekamers of diag-

nostische systemen, staan gemiddeld 11-20% van

de beschikbare tijd leeg.

Flexibiliteit van personeel in de zorg behoeft slechts

circa 3% te zijn

Vanuit zulke waarnemingen start het proces tot presta-

tieverbetering van een afdeling. Een eerste ronde be-

staat uit het integraal plannen en afstemmen van de

productie, in relatie tot de behoefte aan capaciteit en

personeel. Het aantasten van ‘heilige huisjes’, zoals een

betere spreiding van werktijden, kan daar wel deel van

uitmaken. Het betreft zowel de afdelingsplanning als de

afstemming van achtereenvolgende afdelingen in de ke-

ten van het zorgproces, wat wij benoemen als ‘horizon-

tale en verticale integrale capaciteitsplanning’. Een af-

delingsmanager kan hiermee de nodige veranderingen

snel doorvoeren. Ze zijn immers gebaseerd op feiten uit

de eigen database. Met deze aanpak haal je in de eerste

fase meteen een hoog rendement: circa 9% is het ge-

middelde in een recente reeks instellingen (Tabel 1).

Frits van Krieken,

MSc, PhD, in sa-

menwerking met

Ron Hendricks,

MHA, beiden

Founding Partners,

Care IQ Group B.V.

Tabel 1: Resultaten van de eerste fase integrale capaciteitsplanning voor negen afdelingen in Nederlandse en internatio-

nale ziekenhuizen (geanonimiseerd).

16 december 2014

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53

Productie - weekmonitor 2013

Productie - maandmonitor 2013

400

500

600

700

800

900

300

200

100

0

Big data

In een tweede fase komt Lean werken aan de orde:

waarom doen we de dingen zoals we ze doen? Wat ver-

stoort ons werk en wat leidt tot overbelasting? Weer

worden de gegevens op de werkvloer verzameld.

In deze ronde gebeurt dit door de medewerkers zelf,

natuurlijk wel met de nodige begeleiding. Dat maakt

het herkennen van oorzaken eenvoudiger dan bij een

top-down aanpak. Het prikkelt de nieuwsgierigheid

naar informatie over het eigen werk. Gedrag, motivatie

en verantwoordelijkheid worden bespreekbaar, dus het

invoeren van verbeteringen gaat sneller. In deze tweede

fase wordt het rendement blijvend typisch vergroot tot

11-15%.

Die opbrengst gebruik je om te bezuinigen, of om het

vrijgekomen bedrag te gebruiken om zakelijke ambities

waar te maken. De organisatie leert daarbij bovendien

twee dingen: dat je veel meer inzichten uit je lokale

gegevens kunt halen en hoe je daarmee buiten de

gebruikelijke kaders kunt gaan denken. Dat ruimt

barrières op die verbeteringen die in de weg staan. Het

stelt vragen bij zaken die eerder als gegeven werden

beschouwd.

Waarom krijgt een operationeel manager bijvoorbeeld

pas twee of drie weken na maandafsluiting een KPI

rapport van het bedrijfsbureau? Stel dat daarin een ver-

storing van de productie zichtbaar is. De oorzaak is

dan niet meer te achterhalen en ingrijpen heeft geen

zin meer. Er verandert niets en het probleem kan zich

herhalen. Het is logischer om in meer detail en fre-

quenter de operationele gegevens op de werkvloer te

monitoren. Een weekmonitor laat bijvoorbeeld meer

zien dan een maandmonitor waar het beeld meer glad-

gestreken wordt dan de weekmonitor (Figuur 1). Die

maakt patronen zichtbaar waaruit je beter kunt ontdek-

ken wat je proces verstoort. De weekrapportage stelt je

in staat sneller bij te sturen én het effect daarvan zien.

Figuur 1: Vergelijking van maand- en weekmonitordata. De wekelijkse gegevens tonen veel beter de bandbreedte van de

productievariatie en de patronen daarin.

17december 2014

Exploreer vooral eerst de interne

little data goudmijn

Deze methodiek is een totaal andere aanpak dan de

regulier bekende rekenexercities met DOT/DBC, al dan

niet in combinatie met zorgpaden. Ze is eenvoudiger,

geschikter voor capaciteitsplanning en leidt sneller tot

blijvend positief rendement.

Een organisatie die zo de inzichten uit haar eigen data

weet om te zetten in betere prestaties, wordt stabieler.

Communicatie over budgetten wordt transparanter.

Soms wordt een afdelingsbudget niet gehaald en de

vraagt manager om meer personeel voor het volgende

jaar, terwijl het onderliggende probleem vaak onduide-

lijk is. Door integraal te plannen worden oorzaak en

gevolg duidelijker. Beslissingen staan minder onder

druk en ad hoc ingrepen zijn minder vaak nodig. Dat

verlaagt de stress bij het hoger management.

Ook de werknemers blijken na toepassing van integraal

plannen meer tevreden te zijn, terwijl het ziekteverzuim

daalt. Daarbij wordt een concept lange termijnplan ge-

bruikt om de personele inzet, zowel voor de afdelingen

als voor de individuele medewerker, inclusief ruim van

tevoren in te plannen flexibele uren. We noemen dat de

‘Nieuwe Flex’. Naar onze ervaring reduceert dat de inhuur

van externe krachten met 70-80%. Je vergroot bovendien

voor de medewerker de voorspelbaarheid van zijn of haar

inzet. Dat verbetert de balans tussen werk en privé.

Natuurlijk komt vervolgens de vraag aan de orde hoe

Big Data de integrale capaciteitsplanning in zorginstel-

lingen nog verder zou kunnen verbeteren. Als je plan-

ning met intramurale informatie op orde is gebracht,

kan Big Data-analyse inderdaad waarde toevoegen. Je

maakt verbinding met externe gegevens, wat helpt om

je positie in het ecosysteem beter in kaart te brengen en

daarop te acteren. Kun je bijvoorbeeld verband leggen

tussen hoge werkeloosheid in je zorgregio, de ziekte-

beelden en het patiëntenaanbod? Of kun je nauwkeuri-

ger voorspellen wat het effect is van een verandering

van je beleid? Blijf wel je intern opgebouwde expertise

gebruiken en weet wat je zoekt. Want niet alle patro-

nen in Big Data zijn betrouwbaar gebleken.

We willen Big Data inzetten voor duurzame kwali-

teitsverbetering van zorgverlening. Wensdroom is om

voorspellingen te doen die het begroten en budgette-

ren gemakkelijker maken, met kunstmatige intelli-

gentie die gebruik maakt van Big Data. Uiteindelijk

moet dit leiden tot een Gezondheidszorg Routeplan-

ner. Die ondersteunt zowel cliënten als zorgorganisa-

ties en wijst de weg, om zonder vertraging een

betaalbare en kwalitatief uitstekende zorgverlening

te bereiken.

Een logische eerste stap is om in bestaande gegevens

van een ziekenhuis of zorgverlener verder te zoeken

naar onvermoede verbanden. Nu halen we nog goed

gedefinieerde gegevens uit onze database om ons ope-

rationele model mee te vullen. Met Big Data-analyse

weet je niet vooraf wat je zult vinden. Je laat je nieuws-

gierigheid los op al je ruwe gegevens. Waarschijnlijk is

er zo nog een schat aan inzichten te vinden. Care IQ

heeft samen met twee software partners al een eerste

stap gezet op dit gebied. Wat niemand zal verbazen:

Orbis gaat als ‘ziekenhuis van de 21e eeuw’ aan deze

pilot studie meedoen.

Big Data, dat moet je vooral doen, maar start van

binnenuit en volg niet blind de Big Data hype. We

sturen daarbij de zorgmanagers langs een duidelijke

route op pad. Exploreer vooral eerst de interne little

data goudmijn. De doorontwikkeling van die data

levert al een hoog blijvend rendement op: meer dan

11-15%. Die competentie komt straks ook van pas -

en is zelfs noodzakelijk - als je resultaat wil

behalen met Big Data.

Met nadruk moet worden opgemerkt dat het gebruik

van Big Data pas zin heeft nadat de exercitie met de

optimalisatie en toepassing van little data heeft

plaatsgevonden. Anders kunnen conclusies uit Big

Data, door het leggen van ongeldige verbanden,

discutabel zijn.

1 ‘Orbis als experiment’, HEADline nr. 134, oktober 2013