Juliette Grimm | Business Consultant
Ziekenhuizen zijn constant bezig het met controleren van de volledigheid en rechtmatigheid van de zorgregistratie. Er hangt een groot financieel risico aan parallelliteit. Dit houdt in dat een patiënt voor meerdere zorgvragen behandeld wordt en er meerdere subtrajecten naast elkaar lopen binnen één specialisme.
De wet- en regelgeving geven niet voldoende sturing om duidelijk aan te geven wanneer er wel of niet een parallel traject geopend mag worden waardoor er veel fouten op het gebied van parallelliteit gemaakt worden. Wanneer een patiënt met een nieuwe zorgvraag komt, is het voor artsen lastig in te schatten of bij deze nieuwe zorgvraag ook een nieuw zorgtraject en subtraject geopend mag worden. Het is niet altijd duidelijk of daadwerkelijk sprake is van een nieuwe zorgvraag met eigen behandeling en/of beleid.
Om de rechtmatigheid van parallelliteit te beoordelen wordt middels dossieronderzoek per casus beoordeeld of deze terecht parallel is geopend of niet. De keuze is gebaseerd op de geregistreerde activiteiten en op de naslag hiervan. Dit maakt het lastig om via een kwantitatieve controles te bepalen welke parallelle trajecten terecht en onterecht zijn. Dit proces kost veel tijd en uiteindelijk ook vaak veel geld.
Wij hebben onderzocht of Artificial Intelligence (AI) kan ondersteunen bij het vinden van patronen binnen reeds gecontroleerde parallelle casussen uit steekproeven. Met deze patronen willen we ziekenhuis helpen om parallelle subtrajecten op te sporen die een verhoogde kans hebben om afgekeurd te worden. Dit hebben we in samenwerking gedaan met dertien ziekenhuizen. We hebben hun beoordeelde parallelliteitssteekproeven onderzocht. Als startpunt hiervoor hebben we gesprekken met ziekenhuizen gevoerd om erachter te komen waar zij patronen verwachten.
Er is sprake van parallelliteit wanneer meerdere subtrajecten naast elkaar geopend zijn, waar overlap in tijd zit. In dit onderzoek ligt de focus op parallelliteit binnen één specialisme. In totaal hebben we gekeken naar meer dan 5000 beoordeelde steekproefposten bij zowel ziekenhuizen die over zijn op Horizontaal Toezicht (HT) als ziekenhuizen die nog het zelfonderzoek uitvoeren. In dit onderzoek is gekeken naar patroonherkenning op basis van zorgactiviteiten van bepaalde zorgprofielklasses, het zorgtype van de subtrajecten, de tijd in dagen dat de twee subtrajecten parallel lopen aan elkaar en het aantal geregistreerde zorgactiviteiten.
Van de beschikbaar gestelde data is een dashboard gemaakt waar ziekenhuizen kunnen zien waar de fouten zitten binnen hun steekproefposten van parallelliteit. Hier kijken we bijvoorbeeld naar verschillen tussen de specialismen, maar ook naar hoe combinaties van bepaalde zorgprofielklasses impact hebben op het gemiddelde foutpercentage. Ook kunnen ziekenhuizen zien hoe zij het doen in vergelijking met andere ziekenhuizen. In figuur 1 is één van de tabbladen van het dashboard te zien. Per ziekenhuis is te zien wat het percentage foutieve parallelle registraties per specialisme is. Gemiddeld over alle ziekenhuizen is het percentage foutieve parallelle registraties 11.7%.
Figuur 1: Overzicht per ziekenhuis wat het foutpercentage is over alle steekproefposten
Uit de resultaten blijkt dat bij de specialismen Oogheelkunde, Interne geneeskunde en Chirurgie de meeste parallelle subtrajecten geregistreerd worden. Deze specialismen leveren proportioneel echter niet de meeste fouten op, dit zijn Plastische Chirurgie, MDL en Urologie, namelijk 21.5%, 21.0%, en 18.6%.
Met behulp van AI hebben we patroonherkenning toegepast om patronen en relaties in data te herkennen en voorspellingen te doen op basis van statistische modellen. Deze modellen bepalen hoe groot de kans is dat een parallel subtraject terecht geopend is. Hoe lager deze kans, hoe groter de kans is dat deze wordt afgekeurd in een steekproef. Dit onderzoek helpt om meerdere controleregels samen te trekken en ze te verwerken in één model. De uitkomsten van dit model gaat gebruikt worden om de registratie te verrijken en daarop controleregels te ontwikkelen die dagelijks de bronregistratie controleert in onze software.
Naast de controleregels, geeft de kans op afkeuring een mogelijkheid om anders te gaan controleren. De kans wordt berekend op basis van verschillende variabelen in subtraject. Een ziekenhuis kan ervoor kiezen om de parallelle casussen met de laagste kans op goedkeuring en bijvoorbeeld in combinatie met de duurste trajecten te controleren.
Binnen het onderzoek is er ook gekeken naar wanneer je een subtraject wel of niet zou moeten checken op basis van de kans op rechtmatigheid. Dit wordt de drempelwaarde genoemd en het advies is om een drempelwaarde van 0.75 te nemen. Dit houdt in dat het verstandig is de subtrajecten met een lager kans dan 0.75 op goedkeuring te controleren op mogelijk onjuistheid. Deze drempelwaarde is op basis van data-analyse bepaald. Een ziekenhuis kan echter zelf bepalen vanaf welke drempelwaarde risicovolle parallelle subtrajecten gecontroleerd moeten worden. Deze keuze voor de hoogte van de drempelwaarde kan daarbij afhangen van de mate waarin het ziekenhuis momenteel goed in control is wat betreft parallelliteit.
Kortom, dit onderzoek is mooi startpunt voor hoe AI ingezet kan worden om onjuiste parallelliteit te voorkomen. De eerste controleregels op basis van dit onderzoek zijn al in de maak en nieuwe data wordt verwerkt om de patroonherkenning steeds accurater te maken.
