Met machine learning jeugdzorg beter in beeld krijgen

Van jeugdzorg, jeugd-GGZ opvoedhulp tot jeugdbescherming. Hoe krijg je grip op de complexiteit van zorgketens en de diversiteit van de diensten en producten in de jeugdzorgsector? Hoe bepaal je of interventies effectief zijn? Een innovatieve nieuwe ketenanalyse techniek op basis van machine learning moet daarin verandering brengen, en uiteindelijk de kwaliteit en efficiëntie van de jeugdzorg helpen verbeteren.

De jeugdzorgsector is complex en verandert voortdurend om te voldoen aan de behoeften van kwetsbare jongeren en de eisen van een efficiënt zorgsysteem. Daarom is het cruciaal dat beleidsmakers en praktijkprofessionals beschikken over nauwkeurige, actuele informatie om hun diensten zo goed mogelijk aan te bieden. Maar dat is niet altijd even makkelijk, legt Tjark van de Merwe, dataspecialist bij Kennispunt Twente, het samenwerkingsverband en onderzoeksbureau van 14 Twentse gemeenten en SamenTwente, uit. “In vergelijking met andere sectoren, zoals het onderwijs, zijn er in de jeugdzorg vaak geen duidelijke of lineaire paden. Het is een labyrint van diensten, dienstverleners en trajecten waar jongeren doorheen navigeren. Wat zijn de grote zorgpaden die de jongeren volgen? Wat is een logische jeugdzorgcarrière?”

Niet alleen vanuit onderzoeksperspectief is dat dus een uitdaging. Ook beleidsmedewerkers blijken vaak maar een stukje van de keten te kennen, met bepaalde aanbieders en zorgproducten. “Het is dus moeilijk om vroegtijdig te bepalen welke interventies het meest effectief kunnen zijn. Het totaalbeeld van alles wat er speelt binnen de jeugdzorg ontbreekt vaak.”

De complexiteit behapbaar maken

Het afgelopen half jaar heeft de landelijke Expertise Groep Data Science, onderdeel van het netwerk Data en Samenleving van de VNG, gewerkt aan een nieuwe methodiek om deze complexiteit in de jeugdzorg behapbaar te maken. De vraag voor betere ketenanalyse in de jeugdzorg kwam vanuit Nijmegen, maar leefde bij meerdere gemeenten, ook in Twente, vertelt Van de Merwe. “Daarom hebben wij ons snel bij dit gemeenschappelijk initiatief aangesloten. Ook wij zochten een goede tool om onze analyse verder te brengen, en meer grip te krijgen op deze sector met al die verschillende aanbieders, verwijzers en zorgproducten.”

Innovatieve techniek

De nieuwe ketenanalyse techniek maakt het mogelijk om met machine learning, -algoritmen- een diepgaande analyse te maken van klantreizen, interventies, wachttijden en zorguitstroom. Van de Merwe: “We gaan daarbij nadrukkelijk uit van het perspectief van de cliënt. Uiteindelijk wil je dat jeugdige passende en juiste zorg krijgt.”

Passende zorg

Wat dan precies passende zorg kun je volgens Van de Merwe op allerlei manieren definiëren. Het kan gaan om relatief korte zorgtrajecten, hele korte wachttijden, of wanneer er weinig wisselingen zijn in de zorg die iemand ontvangt, of dat er weinig terugval is. “Als je in beeld hebt gebracht van wat je graag wil bereiken, kun je die informatie gebruiken om te zien wat de impact is van hoe bijvoorbeeld een verwijzer een jongere een traject instuurt waar heel veel wisselingen in plaatsvinden,” licht Van de Merwe toe. “Waar in die keten kun je nou invloed uitoefenen om die kwaliteit daar een stukje te verbeteren? Je wilt zien waar je de mogelijkheid hebt om iets anders te doen en wat voor impact dat dan heeft.

Zorgpaden ontdekken

Uit deze ketenanalyse techniek willen we dan ook in beeld brengen wat alle stappen zijn die iemand heeft gezet in de jeugdzorg. Wat is er bijvoorbeeld afgelopen vijf jaar gebeurd in alle zorgpaden die er zijn geweest? Hoe ziet bijvoorbeeld de instroom in de verblijfszorg eruit, waarbij mensen bijvoorbeeld in pleegzorg komen of in andere vormen van verblijf? Hoe ziet het voortraject eruit?”

Het kost nu vaak veel handwerk om dit precies uit te zoeken, gaat Van de Merwe verder.  “In de regio Twente zijn de afgelopen jaren bijvoorbeeld ongeveer 5000 unieke trajecten geweest, elk net iets anders. Hoe kun je deze trajecten vergelijken en de grote lijnen ontdekken? Daarom hebben we een op maat gemaakte methode ontwikkeld om zorgpaden te vergelijken en te doorgronden. Met deze methodiek kunnen we het handwerk verminderen en de data onbevooroordeeld laten spreken. De algoritmen van de ketenanalysetechniek stellen ons in staat om overeenkomsten en verschillen in trajecten te vinden en hun eigenschappen te analyseren.”

Synthetische data

De methodiek staat pas aan het begin om echt toegepast te worden. Bij de ontwikkeling is tot nu toe vooral gebruik gemaakt van een synthetische dataset. “Deze dataset bevat 100 procent fake data die wel de structuur heeft van echte jeugdzorgdata,” legt Van de Merwe uit. “Dat hielp om de boel te versnellen. We hoefden niet een ingewikkeld AVG-project in aan het begin van het traject en het maakte het meteen tastbaar. We zijn nu in de fase om de methodiek toe te passen op echte data.”
Een van de eerste bevindingen die daar al uit naar voren komt is dat de groep jeugdigen die instroomt in langdurige verblijfszorg te verdelen is een helft die zonder voortraject in verblijfszorg in komt, en een helft die daar voorafgaand een hele complexe keten heeft doorlopen, met allerlei diensten en zorgproducten.

Samenwerking

Wat verder vooral bijdroeg aan het succes en effectiviteit van de ketenanalyse techniek was de kracht van samenwerking tussen gemeenten, regio’s en de VNG in de landelijke expertisegroep. Gemeenten waaronder Zoetermeer, Purmerend, Land van Cuijk, Gemert-Bakel en Amersfoort hebben een belangrijke bijdrage geleverd.  Van de Merwe: “Daar hebben we capaciteiten en kennis gebundeld. Sommige mensen kenden de methodiek heel goed, anderen de inhoud. Dat kwam mooi samen. Ook de trekkende en organiserende rol van de VNG onder leiding van onderzoeker Mark Gremmen was hierin belangrijk. We hadden nooit alleen deze kennis kunnen krijgen. We hebben nu echt iets gemaakt op een centrale onafhankelijke plek. We hebben de techniek opgezet in twee talen, in Python of R, zodat het echt voor iedereen te gebruiken is.”

Ook houdt de ketenanalysetechniek rekening met de privacy en AVG. “We blijven binnen de data die verzameld wordt binnen de jeugdzorgwet. We gebruiken zo min mogelijk persoonsgegevens. Je kan deze methodiek overal neerzetten binnen de veilige omgeving waar ook de jeugdzorggegevens staan. Daar kunnen dan alleen de medewerkers bij die in jeugdzorg werken. Zij kunnen deze methodiek gewoon zelf toepassen in hun eigen dataomgeving. Dat zorgt ervoor dat we wel landelijk kunnen samenwerken en allemaal dezelfde datasets gebruiken.”

Andere sectoren

Van de Merwe denkt dat de ketenanalyse techniek ook van waarde kan zijn voor andere sectoren, zoals bijvoorbeeld het onderwijs, de Wmo, de keten van dagbesteding naar werk of het traject waarin mensen terechtkomen die uitvallen en in de bijstand komen.  “Dat zijn allemaal ketens van activiteiten die mensen doen in een bepaalde volgorde. Ook verhuisketens zouden we beter in beeld kunnen brengen met deze techniek. Waar gaan mensen wonen, in welke levensfasen zijn ze dan? En wat gebeurt er dan allemaal? Al deze domeinen kennen een soort van volgordelijkheid in activiteiten die mensen doen of hulp die mensen krijgen. Daarin kun je ketenanalyses gebruiken om die inzicht te krijgen in welke groepen zijn er dan precies en wat zijn die eigenschappen van die groepen.”

We staan dan ook nog maar aan het begin van een succesvolle methodiek, benadrukt Van de Merwe. “Maar voorlopig hebben we binnen jeugdzorg genoeg te doen.”