Het belang van heldere definities bij data gedreven inzicht

In het onderzoek naar wachttijden zijn belangrijke bevindingen gedaan die erop wijzen dat een deel van de data onbetrouwbaar is. Eén van deze bevindingen is dat er bij 10% van de aangeleverde data geen verschil was tussen de aanmeldwachttijd en behandelwachttijd. Ondanks dat deze wachttijden hetzelfde kunnen zijn, vermoeden de onderzoekers dat de definities voor het bepalen van de wachttijden verkeerd toegepast zijn. Door regelmatig controles uit te voeren op de data en bijbehorende definities kan dit worden voorkomen.

Een ander voorbeeld van het belang van heldere definities vinden we in de jaarlijkse factsheet van Vektis. Uit de meest recente publicatie blijkt dat “het aantal ggz patiënten per jaar” bijna 200.000 hoger is dan in oudere publicaties. Onderstaande grafiek visualiseert dit voor de jaren die in beide publicaties terugkomen: 2019, 2020 en 2021. Het verschil tussen de publicaties komt door een aangepaste definitie. Eerst werd een patiënt alleen geteld in het jaar waarin een DBC- of Basis GGZ-traject was gestart. Nu wordt een patiënt elk jaar opnieuw meegeteld zolang er zorg wordt geleverd aan een patiënt. De definitie “het aantal ggz patiënten per jaar” is daarom niet duidelijk genoeg. Door de definitie te verduidelijken kan data op de juiste wijze worden geïnterpreteerd.

Het starten van een dataverzameling zonder duidelijke definitie

In de praktijk zijn heldere definities niet altijd direct mogelijk. Het lerend netwerk Voorkomen verplichte zorg laat zien dat dit geen probleem hoeft te zijn voor kwaliteitsverbetering maar juist een kans.

Het doel van het netwerk is om met relevante procesgegevens inzicht te krijgen in de mate waarin verplichte zorg wordt toegepast. Dit inzicht helpt organisaties bij het ontwikkelen en uitvoeren van beleid om verplichte zorg te voorkomen en verminderen. Vanaf de start stond het netwerk voor een belangrijke keuze: direct data verzamelen, ondanks dat niet alle definities volledig helder waren, of eerst de definities verduidelijken en pas daarna beginnen. Het netwerk koos voor een aanpak waarbij direct gestart werd met data verzamelen en de dataset gaandeweg aan te passen op basis van feedback van een gebruikersraad. Deze werkwijze heeft geleid tot het verduidelijken van een groot deel van de definities én tot een beter beeld van de toegevoegde waarde van data. Ook is de data met terugwerkende kracht verrijkt volgens de verbeterde definities, waardoor deze beter aansluiten bij de doelstellingen van het netwerk. Waar nodig worden definities verder aangescherpt in de toekomst.

Een pragmatische start kan helpen om een gedeelde basis voor kwaliteitsverbetering te creëren. Een gebrek aan datakwaliteit hoeft geen belemmering te zijn voor het gebruik van de data, zolang het verbeteren van de kwaliteit van data bewust wordt meegenomen. Onderstaande grafiek is een visualisatie met fictieve data uit de rapportage van dit lerend netwerk.

Tips voor het gebruik van data voor kwaliteitsverbetering

De voorbeelden laten zien hoe belangrijk het is om aandacht te besteden aan de definitie van dataverzamelingen. Gebruik je data of wil je data gebruiken voor kwaliteitsverbetering? We geven drie tips:

1. Gebruik een duidelijke definitie: Zorg ervoor dat de definitie van de data zo duidelijk is dat iedereen deze maar op één manier kan interpreteren. Lukt het niet om dit van tevoren af te spreken? Begin dan flexibel met het verzamelen van data en maak het een prioriteit om de definities gaandeweg te verduidelijken.
2. Doe aan bewustwording: Zorg dat iedereen die met de data werkt – van dataverwerkers tot beslissers – zich bewust is van de gebruikte definities. Geef dit bijvoorbeeld aan in titels van grafieken of in begeleidende teksten. Dit helpt om data goed te begrijpen en op waarde te schatten.
3. Controleer en automatiseer: Voer regelmatig controles uit op data om te waarborgen dat de definities juist worden toegepast. Verwerk data bij voorkeur en waar mogelijk geautomatiseerd.