06 dec 2018 | Verhaal

Een glazen bol voor de spoedeisende hulp

Is het glad buiten? Dan melden zich ongetwijfeld meer mensen met botbreuken op de spoedeisende hulp. Logisch. Maar de samenhang tussen het weer en de ziektes die zich op de spoedeisende hulp presenteren gaat veel verder. En er zijn meer verrassende factoren waarmee je kunt voorspellen met welke problemen patiënten zich zullen aandienen.

Onder artsen op de spoedeisende hulp (SEH) is het een bekend fenomeen: als er één patiënt binnenkomt met een dissectie – een scheur – in de vaatwand van de aorta, dan komen er meer. Hoe dat kan? “Niemand weet het”, vertelt Bart Geerts, anesthesioloog in Amsterdam UMC. “Alsof het in de lucht zit. Eigenlijk geloofde ik die praatjes nooit. Dus toen we weer zo’n patiënt hadden, besloot ik een rondje te bellen met andere ziekenhuizen. Hadden zij deze dagen ook meer patiënten met een dissectie? En ja hoor! Het leek zo te zijn.” Zo begon het project van Geerts. “Eigenlijk als een grap”, benadrukt hij meerdere malen.

Geerts wilde uitzoeken of het weer invloed heeft op het soort aandoeningen waarmee mensen naar de spoedeisende hulp komen. Het ministerie van VWS financierde het onderzoek. Onlogisch is de gedachte van Geerts niet, beaamt Peter Leenhouts, hoofd van de SEH in het AMC. “Zodra het eerste zonnige voorjaarsweekend zich aandient, weten we dat er meer motorrijders met botbreuken komen. Net zoals we meer mensen met griep krijgen als het kouder wordt.”

En behalve de weersomstandigheden, zijn er meer factoren denkbaar die van invloed kunnen zijn. De periode van het jaar, bijvoorbeeld. Geerts: “Meer depressies in de winter als de dagen korter worden, om eens wat te noemen. Ik weet niet het of het klopt, maar het zou kunnen.” Net zo goed is het denkbaar dat grote evenementen van invloed zijn. “Wordt er in de Arena een belangrijke wedstrijd gespeeld? Dan is het op onze spoedeisende hulp vast drukker dan normaal, met zo veel mensen op elkaar gepakt.”

Patronen

Tegenwoordig kunnen slimme computers dit soort samenhang tussen factoren boven water krijgen en op basis daarvan voorspellingen doen. Dat is het terrein van de machine learning. Martijn Schut, universitair docent klinische informatiekunde bij Amsterdam UMC is daarin gespecialiseerd en werd bij het project betrokken om zo’n computermodel te bouwen. “Machine learning is een vorm van kunstmatige intelligentie waarbij je met softwareprogramma’s zoekt naar patronen in een grote hoeveelheid gegevens en de computer daarvan laat leren. In ons geval leren we het programma voorspellingen te doen over een bepaalde tijdsperiode.”

Handig! Een computer die voorspelt hoe druk het op de SEH wordt. Ook Leenhouts heeft daar wel oren naar. Als geen ander weet hij hoe groot de druk op de acute zorg is. De toestroom van patiënten wordt jaarlijks groter, er is een tekort aan gediplomeerde SEH-verpleegkundigen en de doorstroom van de spoedeisende hulp naar andere afdelingen of zorginstellingen verloopt gebrekkig.

Gericht inplannen

Leenhouts: “Eigenlijk moet iedere patiënt zo snel mogelijk van de SEH af, doorstromen naar een andere plek in het ziekenhuis of daarbuiten. Om plaats te maken voor de volgende patiënt. Maar die doorstroom stagneert. Andere afdelingen hebben geen bedden, er is geen ambulance om het vervoer te regelen, andere ziekenhuizen liggen vol, of patiënten die eigenlijk naar huis kunnen, hebben thuis onvoldoende hulp waardoor ze noodgedwongen langer in het ziekenhuis moeten blijven. Het aanbod van patiënten en de beschikbare capaciteit op de SEH kan daardoor uit balans raken en dan kan er een tijdelijke patiëntenstop worden ingelast. Dat betekent dat we mensen met bepaalde aandoeningen even niet opvangen. In die tijd moeten ambulances noodgedwongen naar een ander ziekenhuis rijden. Dat kost tijd. Tijd waarin zo’n ambulance niet voor iets anders kan worden ingezet.”

Geerts: “Als je de drukte zou kunnen voorspellen, dan kun je verpleegkundigen en artsen gericht inplannen. Maar ook het juiste aantal bedden vrijhouden, of de ambulanceritten bijsturen al voordat de keten verstopt zit. Dat is natuurlijk het uiteindelijke doel. Het zou een hoop voordelen opleveren: een snelle behandeling van de patiënt, minder wachttijd, een prettiger werkklimaat voor het personeel en minder ad hoc beslissingen. Nu moeten we nog vaak onverwacht en met veel creativiteit ergens een bed organiseren. De beschikbare capaciteit wordt dan noodgedwongen tot het maximum opgerekt.”

“Er zitten zo’n dertig tot veertig variabelen over het weer in, zoals temperatuur, luchtdruk en windsnelheden”

De eerste versie van het computermodel is nu bijna klaar. Het maakt gebruik van data van het KNMI en het Centraal Bureau voor de Statistiek (CBS). Geerts: “We nemen alleen gegevens die openbaar zijn zodat we geen privacyregels overtreden en we het model makkelijk up to date kunnen houden.”

Schut: “Er zitten zo’n dertig tot veertig variabelen over het weer in, zoals temperatuur, luchtdruk en windsnelheden.” Die cijfers zijn afkomstig uit verschillende weerregio’s, de gebieden rondom een weerstation. In Nederland zijn dat er zevenentwintig. Schut stopte daarnaast gegevens van het CBS over de bevolking in het computermodel. “Bevolkingsdichtheid, inkomen, opleiding, maar bijvoorbeeld ook kilometers asfalt.” Dit alles werd gecombineerd met de cijfers van de SEH’s uit een weerregio. Met welk soort aandoening waren mensen naar de SEH gekomen?

Na een hoop computerrekenwerk zijn de eerste resultaten veelbelovend. Het model laat bijvoorbeeld zien dat er duidelijk een seizoensinvloed is op vijf clusters van ziekten. Dat zijn: hartfalen, aneurysma (een verwijding of uitstulping van een slagader) in de borstholte, ademhalingsproblemen, ongeplande bevallingen en out of hospital cardiac arrests, reanimaties die plaats hebben gevonden buiten het ziekenhuis. Voor de eerste drie clusters is daarmee zelfs vrij goed te voorspellen of ze zich zullen presenteren op de SEH. Die voorspelling wordt nauwkeuriger naarmate je meer precieze weersinformatie gebruikt, bijvoorbeeld op dagniveau.

Oorzaak en gevolg

Maar let op. Dat factoren met elkaar samenhangen, zegt niets over de logica die erachter zit, niets over oorzaak en gevolg. In wetenschappelijke termen: een correlatie is nog geen causaal verband. In lekentermen: een samenhang wil niet zeggen dat je de oorzaak te pakken hebt. Schut geeft een voorbeeld: “Onze computer vond een correlatie tussen het aantal kilometers asfalt in een regio, het aantal inbraken en bepaalde aandoeningen. Bij zo’n gek resultaat moet je je als wetenschapper afvragen: betekent dit iets? Die vraag leg ik dan voor aan de artsen. Is dit een zinvolle weg om verder te bewandelen, of is het een doodlopend pad? In dit geval: veel asfalt vind je in dichtbevolkte regio’s. Daar zijn waarschijnlijk meer inbraken. Dus misschien heeft het resultaat meer te maken met de bevolkingsdichtheid.”

Hoe nu verder? Geerts: “We willen het computermodel uitbreiden met gegevens over evenementen in de regio, zoals concerten, sportwedstrijden en festivals. En met de Twitter-barometer, een instrument dat iets zegt over het sentiment op sociale media. Misschien wordt de voorspelling dan nog preciezer. Daarna komt het toetsen in de praktijk. We willen het model bijvoorbeeld een periode laten meedraaien op onze eigen spoedeisende hulp.” Voor dat idee staat Leenhouts wel open: “Het zal nog even duren voordat alles goed getest is, maar elk voorspellend model om de planning te verbeteren van personeel en middelen in de acute zorg, is winst. Dan kunnen we anticiperen en zijn we minder afhankelijk van toevalligheden.”

Tekst: Edith van Rijs
Foto: Hans Brouwers