Inleiding

Datagedreven werken is niets nieuws voor professionals in infectieziektebestrijding. We analyseren ziektepatronen, brengen verbanden in kaart en nemen beslissingen op basis van tijd, persoon en plaats. Toch kreeg deze manier van werken tijdens de COVID-19-pandemie een ongekende impuls. Ineens werd het werken met grote hoeveelheden data cruciaal om het virus in kaart te brengen, verspreiding te monitoren en beleid in real-time aan te passen.

Tegelijkertijd werd tijdens de pandemie duidelijk dat datagedreven werken nog lang niet vanzelfsprekend is. Professionals liepen tegen de grenzen aan van beschikbare systemen, gebrekkige infrastructuur en versnipperde databronnen. Hoewel extra middelen en expertise werden ingezet, bleef het een uitdaging om snel te beschikken over de juiste informatie.  

Desondanks blijkt uit kwalitatief onderzoek dat infectieziektebestrijding (IZB) professionals wel het belang van datagedreven werken inzien (1). Wat dit concreet betekent voor hun dagelijks werk, blijkt voor iedereen verschillend. Voor velen draait het vooral om het genereren van surveillance-overzichten en het in kaart brengen van de situatie in hun regio. Anderen zien het als een manier om beleidsmakers en bestuurders transparantie te bieden over werkdruk en benodigde capaciteit. De meeste toepassingen zijn nog vooral beschrijvend van aard. Strategisch, voorspellend of sturend datagebruik is eerder uitzondering dan regel. Toch is de houding positief: IZB (Infectieziektebestrijding)-professionals zien de meerwaarde en ervaren dat iedereen hierin een rol heeft en kan pakken (1).

Het belang van datagedreven werken binnen de publieke gezondheid en infectieziektebestrijding wordt op landelijk niveau erkend. Zo benadrukt GGD GHOR Nederland (Gemeentelijke / Gemeenschappelijke GezondheidsDienst – Geneeskundige HulpverleningsOrganisatie in de Regio) in haar iStrategie dat datagedreven werken een fundament is voor toekomstbestendige publieke gezondheid (2). En de lessen van de pandemie, zoals beschreven door de Onderzoeksraad voor Veiligheid, onderstrepen dat tijdige en hoogkwalitatieve data noodzaak zijn (3). Niet alleen in tijden van crisis, maar ook in de dagelijkse praktijk van preventie en bestrijding. Ten gevolge van deze strategie en adviezen zijn verschillende landelijke initiatieven gestart om het data landschap en de data-infrastructuur te verbeteren en datagedreven werken verder te stimuleren. Om ervoor te zorgen dat deze initiatieven lokaal op de werkvloer goed worden opgepakt denken wij dat IZB-teams zelf actiever aan de slag moeten gaan om het datagedreven werken te vertalen naar eigen waardevolle werkwijzen. Hier liggen kansen.

Kortom, hoe nu verder? Hoe zorgen we ervoor dat alle ervaring van de afgelopen jaren niet verloren gaat, maar leidt tot blijvende verandering? Hoe maken we datagedreven werken tot een vanzelfsprekend onderdeel van ons vak?

In deze handreiking leggen we uit wat datagedreven werken is en hoe datagedreven infectieziektebestrijding eruit kan zien als we het écht goed inrichten. We laten zien wat we vandaag al kunnen doen om data slimmer in te zetten voor scherpere inzichten, sneller en effectiever handelen en een sterkere publieke gezondheid. Tot slot nodigen we jou, als IZB-professional, uit om deel te nemen aan de werkgroep datagedreven infectieziektebestrijding (in oprichting), onder de landelijke community datagedreven werken van GGD GHOR Nederland.  

Wat is datagedreven werken?

Binnen de infectieziektebestrijding zijn we gewend om beslissingen en interventies te baseren op systematische analyse van beschikbare data via surveillance en door het hanteren van evidence based medicine. Ons voorstel is om datagedreven werken binnen de infectieziektebestrijding explicieter te definiëren:

Datagedreven infectieziektebestrijding is het automatiseren, iteratief en flexibel maken van zowel (1) surveillance- en onderzoek gebaseerde analyses als (2) bedrijfsvoerings- en procesanalyses. Hierbij worden de uitkomsten geïnterpreteerd en geduid op basis van professionele oordeelsvorming. Deze manier van werken heeft als doel om sneller, dynamischer en pro-actiever te kunnen reageren met besluitvorming, interventies en bijsturing om verspreiding van infectieziekten te voorkomen en te bestrijden.

De vier niveaus van datagedreven analyses

Datagedreven analyses zijn te onderscheiden in vier niveaus: (1) Beschrijvend, (2) Diagnostisch, (3) Voorspellend en (4) Voorschrijvend (4, 5). Met behulp van deze indeling kun je inschatten in welke mate jouw team datagedreven werkt. Je kunt deze niveaus gebruiken om te bepalen welke soorten analyses jouw team uitvoert. Overweeg daarbij ook of het gaat om eenmalige of periodieke handmatige analyses (onderzoeken), of dat ze deel uitmaken van een geautomatiseerd proces dat minimaal wekelijks wordt herhaald. Dit laatste geeft aan of de analyses kunnen worden ingezet voor dynamische, datagedreven sturing en besluitvorming.

1. Beschrijvend (Descriptive analytics)
   Wat is er gebeurd? Het weergeven van de harde cijfers.
   Bijvoorbeeld: aantallen meldingen van kinkhoest per week, per regio. Maar ook een automatische analyse van social media posts, zoektermen of huisartsen-telefoonlijnen om vroege signalen van ongerustheid over ziektebeelden te detecteren (syndroomsurveillance buiten traditionele bronnen om).
2. Diagnostisch (Diagnostic analytics)
   Waarom is het gebeurd? Verklaren door op zoek te gaan naar correlaties en verbanden.
   Bijvoorbeeld: analyse van bron en contactonderzoek voor het identificeren van transmissie- en clusterkenmerken met integratie van aanvullende databronnen over omgevingsfactoren, typering en fylogenie van pathogenen, of mobiliteitsdata om transmissieroutes te reconstrueren en superverspreidingslocaties te identificeren, bijvoorbeeld in stedelijke hubs.
3. Voorspellend (Predictive analytics) 
   Wat gaat er waarschijnlijk gebeuren?
   Bijvoorbeeld: modellen die voorspellen, zo mogelijk op basis van machine learning, waar en wanneer nieuwe uitbraken kunnen ontstaan, en van welke omvang en duur, door data als seizoenspatronen, vaccinatiegraad, bevolkingsdichtheid, mobiliteit en rioolwaterdata te combineren.
4. Voorschrijvend (Prescriptive analytics)
   Hoe kunnen we effectief reageren?
   Bijvoorbeeld: simulaties van de effectiviteit van interventies zoals vaccinatiecampagnes of quarantainemaatregelen bij een mazelen uitbraak. Of optimalisatie-algoritmen voor een vaccinatiestrategie die, gegeven een beperkte capaciteit in mensen en middelen, de beste locaties berekenen voor voorlichting of vaccinatie-acties.

De datagedreven aanpak: hoe begin je?

Je wilt als IZB (Infectieziektebestrijding)-team datagedreven gaan werken – maar hoe begin je? Zoals eerder benoemd doen veel IZB-teams al datagedreven analyses, die veelal beschrijvend van aard zijn, met behulp van bestaande gegevens. Een eerste stap is om na te gaan in hoeverre jouw IZB-team al datagedreven werkt voor de primaire werkprocessen. Welke data heb je? Op welke analyseniveaus worden de data gebruikt? Wat levert dit op? En waar is nog ruimte voor verbetering? Het beantwoorden van deze vragen kan relevante lessen en inzichten opleveren voor toekomstige projecten. Onderzoek daarnaast of er misschien al generieke handreikingen en visiedocumenten binnen jouw GGD (Gemeentelijke Gezondheidsdienst) of op landelijk niveau zijn die je als team kunt raadplegen (zie kader 2).

Stel vervolgens bij de start van een nieuw project jouw datagedreven team samen en stel een datagedreven plan van aanpak op. Neem hierbij de lessen uit stap 1 mee. In een datagedreven aanpak beschrijf je het doel, wie er onderdeel uitmaken van het team, wat hun rol is, welke data je wilt verzamelen, hoe je de data wilt verzamelen en wat je hiervoor nodig hebt. Toets dit plan vervolgens bij de belangrijke privacy & security adviseurs.

Het datagedreven projectteam en de rol van elk teamlid

De IZB-professional

De IZB-professional, bijvoorbeeld arts, verpleegkundige, of epidemioloog, speelt een essentiële rol in het datagedreven werken. Zonder actieve betrokkenheid van deze professionals is een poging tot datagedreven werken gedoemd te mislukken. De IZB-professional bepaalt welke data relevant zijn en zorgt ervoor dat de registratie hiervan op orde is. Hierbij houdt de IZB-professional continu scherp voor ogen: als je iets op een datagedreven manier wilt weten, moet je eerst investeren in het meten.

Ook bij de interpretatie van datagedreven uitkomsten is de betrokkenheid van de IZB-professionals cruciaal. Zij bepalen welke inzichten de juiste stuurinformatie opleveren en zorgen ervoor dat deze worden geïntegreerd in de besluitvorming. Kortom, een datagedreven mindset bij iedere IZB-professional is onmisbaar om effectief op basis van data infectieziekten te kunnen bestrijden.

De dataspecialist

Het is waardevol als IZB-teams worden ondersteund door dataspecialisten waarbij veel gebruikte functietitels bijvoorbeeld ‘data scientist’ en ‘Business Intelligence ([ignore]BI{/ignore])-specialist’ zijn. Zij kunnen adviseren over mogelijkheden, helpen bij het selecteren van passende methoden, aangeven welke data nodig zijn, van welke kwaliteit, en waar deze verzameld, bewaard en ontsloten worden. Met gebruik van verschillende technieken en dashboards kunnen zij bruikbare inzichten genereren.  

De dataspecialist kan adviseren over het gebruik van data, maar werkt altijd samen met de IZB-professional die de inhoudelijke expertise levert.

Het management

Het management heeft een vergelijkbare rol als de IZB-professional, maar dan meer op het vlak van duiding, wat nodig is voor de organisatorische en bestuurlijke besluitvorming. Zij interpreteren de datagedreven inzichten vanuit een breder organisatieperspectief.

Daarnaast kan alleen het management ervoor zorgen dat de tijdsinvestering en middelen die nodig zijn voor datagedreven werken goed worden geborgd. Hun steun en facilitering zijn onmisbaar om datagedreven werken structureel in de organisatie te verankeren.

Het datagedreven plan van aanpak

Sta in het datagedreven plan van aanpak stil bij de volgende kernvragen:

1. Welk meetbare resultaat willen we met dit project of deze activiteit bereiken?
2. Hoe kunnen we dit meten?
3. Welke data zijn hier precies voor nodig?

Bij de eerste vraag kun je meerdere doelen beschrijven, maar het is belangrijk dat de tweede vraag concrete meetbare indicatoren oplevert voor deze doelen. Neem bijvoorbeeld het evalueren van de doelmatigheid van het mazelen-contactonderzoek (Figuur 1). Hierbij is het beschermen van risicogroepen één van de hoofddoelen. Succesvolle bescherming van risicogroepen kun je meten door de ratio met het (geschatte) aantal contacten uit een risicogroep als noemer, en het aantal dat post-expositieprofylaxe (PEP) heeft gekregen waarbij transmissie kon worden voorkomen als teller. Andere belangrijke indicatoren zijn de tijdsinvestering van de GGD (we onderzoeken immers de doelmatigheid!) en het type contactonderzoek waarbinnen een contact valt: persoonlijk via de telefoon, digitaal, of via publieksvoorlichting.

Bij de derde vraag vertaal je deze indicatoren naar daadwerkelijke metingen. Voor de noemer kan het aantal contacten uit een risicogroep binnen de uitgevoerde contactonderzoeken worden genomen. Als deze data incompleet zijn, kan eventueel een schatting worden gedaan op basis van de activiteiten van de index (geschatte blootgestelde personen), leeftijdssamenstelling van contacten, lokale vaccinatiegraad en andere beschikbare variabelen. Als teller kan het aantal contacten uit een risicogroep worden genomen dat PEP heeft gekregen en/of dat zich heeft ontwikkeld tot een nieuwe ziektegevallen. Voor de tijdsinvestering kan per type contactonderzoek een schatting worden gemaakt van de gemiddelde tijdsduur. Nog informatiever is het als telefoongespreksduren, registratie- en doorlooptijden precies kunnen worden bepaald.

Figuur 1. Datagedreven plan van aanpak t.b.v. doelmatigheid mazelen-contactonderzoek.

Veel collega's zullen bij bovenstaand voorbeeld constateren dat zij momenteel niet over deze data beschikken. En dat is precies de bedoeling! Door deze drie kernvragen routinematig uit te werken aan het begin van projecten en activiteiten, creëer je als team een solide basis om data zo doelmatig mogelijk in te zetten.  

Meer basistips om te starten met datagedreven werken vind je in het kader Handvatten. Voor de IZB-professional met meer affiniteit voor data biedt het boek van Daan van Beek, “De intelligente datagedreven organisatie” (2023) twee bruikbare methodieken voor een datagedreven aanpak (6). De methoden uit dit boek kunnen IZB-teams als hulpmiddel gebruiken bij het in de praktijk brengen van datagedreven werken op een systematische en integrale manier. De eerste methode is de strategiegedreven aanpak waarbij de missie of het doel aan de basis staat. Deze aanpak is met name geschikt voor gebruik bij nieuwe projecten of beleidsprogramma’s. Zoals een project om de vaccinatiegraad te verhogen naar >95%. De tweede methode is de procesgedreven aanpak. Deze richt zich op bestaande primaire werkprocessen, taken of activiteiten. De procesgedreven aanpak is bij voorkeur een vervolg op de strategiegedreven aanpak en is vooral bedoeld voor gebruik bij de primaire werkprocessen van IZB-teams (7 kerntaken IZB). Het voordeel van beide methoden is dat zij niet alleen helpen bij het datagedreven werken maar ook stimuleren om de doelen en uitkomsten van projecten en processen helder te krijgen.

Oproep

Datagedreven werken biedt volop kansen om de infectieziektebestrijding effectiever, gerichter en pro-actiever te maken. Om deze mogelijkheden te benutten is het belangrijk om kennis en ervaringen actief te delen en gezamenlijk praktijkervaring op te doen. Daarom starten wij een werkgroep binnen de landelijke community ‘Datagedreven werken’ van GGD GHOR Nederland (Gemeentelijke / Gemeenschappelijke GezondheidsDienst – Geneeskundige HulpverleningsOrganisatie in de Regio): een netwerk van professionals in de IZB (Infectieziektebestrijding) die praktijkvoorbeelden uitwisselen, met elkaar meedenken en samenwerken aan verdere ontwikkeling van datagedreven werken. Geïnteresseerden IZB-professionals kunnen zich aanmelden bij één van de auteurs voor deelname aan deze werkgroep (mail naar bvandeursen@ggdru.nl).

Woord van dank

We willen graag onze dank uitspreken voor de groep betrokken en deskundige collega’s die dit stuk met een frisse en kritische blik hebben becommentarieerd: Yvonne Blom, Coördinator Datahub, GGD (Gemeentelijke Gezondheidsdienst) Drenthe; Harmen Heida, Informatiemanager Data, GGD GHOR Nederland; Erik de Jonge, CMIO, GGD GHOR Nederland; Stijn Raven, arts M+G, GGD regio Utrecht; Welling Oei, arts M+G, GGD IJsselland. Dank voor jullie tijd, scherpte en enthousiasme!