de Groot, Erik

Voorspellen van no-show bij forensische poliklinieken met behulp van machine learning

Aanleiding:
The issue of patient non-attendance or tardy cancellation of appointments is a prevalent challenge for healthcare facilities (Fenger et al., 2011). These occurrences, commonly labeled as ‘no-shows’, have significant implications for financial costs, treatment progression, and patient waiting periods.

Doel onderzoek:
To determine if phone call reminders, for the group with a considerable predicted risk of no-show at the next appointment, leads to a reduction in no-show occurrences.

Centrale vraagstelling:
In order to test the model in clinical practice, the effect of the reminder phone calls was analysed using a one-sample t-test. The no-show rate in the intervention teams (two outpatient forensic locations of Transfore) during the intervention was compared with the no-show rate in the recent past.

Deelvragen:
Additionally, no-show rate in the intervention teams is compared to the no-show rate in the control group (the four other outpatient forensic locations of Transfore), using the chi square test.

Samen Beslissen met ROM in de ggz-keten

Deze cohortstudie maakt deel uit van het project Samen beslissen met ROM, op een subsidie vanuit het Zorginstituut Nederland, bestaande uit 8 deelprojecten door 8 verschillende GGZ instellingen, allen lid van SynQuest. Deze deelprojecten hebben gezamenlijk de volgende speerpunten: 1. Gespreksmodel samen beslissen met ROM en ROM-methode specificeren naar doelgroepen.
2. Verrijken van informatie uit ROM met proces en behandelinhoudelijke informatie.
3. Toerusten van patiënten om ROM te gebruiken bij samen beslissen in verschillende behandelfases.
4. ROM als informatiebron benutten bij overdracht in de keten naar, binnen en vanuit de ggz.
Doel van de cohortstudie is om de verbeterslag in de implementatie van Samen Beslissen met ROM (en andere informatiebronnen) te evalueren en verder te optimaliseren door:
• Vast te stellen in hoeverre en hoe Samen Beslissen met ROM zowel indirect (via Decisional Conflict) als direct bijdraagt aan betere behandelresultaten, meer tevredenheid, minder drop-out, no-show en een kortere behandelduur;
• na te gaan of patiëntkenmerk(en) hierop van invloed zijn;
• te verkennen of de mate van Decisional Conflict verschilt per type besluit.
Patiënten worden gevolgd in de tijd via drie metingen. De ROM-metingen en patiëntkenmerken zijn standaard beschikbaar via de systemen (EPD, QuestManager, DWH) van de instellingen.

Pilot: Samenwerking Dimence - Vriendendienst

Het doel van dit onderzoek is de evaluatie van de samenwerking met Vriendendiensten Deventer een drietal ambulante teams van Dimence in Deventer.  De verwachtingen is dat dit leidt tot  persoonlijk en maatschappelijk herstel van de cliënten en verkorten van de behandelduur. Dat laatste zou kunnen leiden toe kortere wachttijden.

Voorspellingstool voor de basis-ggz

Het doel van dit initiatief is om met behulp een algoritme, dat wordt gemaakt m.b.v. Machine Learning, een voorspellingstool te ontwerpen voor de basis-ggz. Gedurende de behandeling kan de tool aangeven wie er wel/niet zal profiteren van de behandeling. Er wordt oa. gebruik gemaakt van ROM-tussenmetingen. Dit is een samenwerking van een aantal ggz-aanbieders en het Trimbos. Er worden geen data gedeeld. Onderzoekers van de ggz-aanbieders analyseren de data van hun eigen organisatie en werken gedurende een aantal maanden samen aan het ontwerpen en verbeteren van het algoritme.

De bidirectionele relatie tussen beweging en slaap bij personen met en zonder depressie.

Oude Oosterik, N.A.M., Bouwmans M.E.J., Groot, de, I.W., Bos, E.H., & Jonge, de, P. (2017).  Tijdschrift voor Psychiatrie, 59(2), 78-86.

Benchmarken vanuit het perspectief van de zorgaanbieder.

de Groot E, Robbers S, van Son G (2017). 
In: de Beurs E, Barendregt M, Warmerdam L (red). Behandeluitkomsten – bron voor kwaliteitsbeleid in de ggz. Boom: Amsterdam. 81-90.

Pagina's