Data science om e-health interventies te verbeteren

Zelfhulpprogramma’s voor het verminderen van middelengebruik hebben positieve effecten op het middelengebruik van deelnemers met lichte problematiek. Maar wat máákt dit soort programma’s nu precies effectief? Daar is nog weinig over bekend. Het project Digging for goals using data science biedt meer inzicht in effectiviteit en hoe deze te verbeteren.

5 jaar data

De onderzoekers van de academische werkplaats Verslaving van Arkin/Jellinek beschikten over de data van Jellinek Zelfhulp. Dit is een laagdrempelig digitaal zelfhulpprogramma dat de afgelopen 5 jaar door 30.000 mensen is gebruikt voor hulp bij (overmatig) alcohol- of middelengebruik. De data over het gebruik bieden nuttige informatie om het programma te verbeteren.  Dankzij de inzet van innovatieve data-analyses zijn in dit onderzoek belangrijke patronen ontdekt die voorspellend zijn over:

1. Het gebruik van e-healthprogramma
2. Het resultaat van het e-healthprogramma 

Gebruikspatroon

‘Er is nog maar weinig kennis over het gebruikspatroon van zelfhulpprogramma’s’, verduidelijkt projectleider Anneke Goudriaan, bijzonder hoogleraar van Amsterdam UMC en voorzitter van de academische werkplaats Verslaving. Informatie over het gebruik zoals: Wat voor doelen stellen deelnemers zich bij aanvang? Hoe vaak loggen ze in, wanneer haken ze af? De data van Jellinek Zelfhulp bood ons deze informatie.’  De deelnemers van het zelfhulpprogramma geven bij deelname toestemming om de data te gebruiken voor verbetering van het programma. 

Uit eerder onderzoek is bekend dat zelfhulpinterventies effectief zijn voor mensen met lichte problemen maar dat veel mensen ook vroegtijdig afhaken. Goudriaan: ‘Ook bij Jellinek Zelfhulp haakt 80 procent na de eerste dagen al af, dat zien we internationaal ook, en het zijn grote aantallen.’

Reden te meer voor de onderzoekers om uit te zoeken wat afhaken of afmaken nu precies kan beïnvloeden. ‘We hebben 2 vragen onderzocht: wat is nu voorspellend voor het afmaken van een zelfhulpprogramma en wat is een voorspeller voor het behalen van de zelfgestelde doelen. Sommige mensen willen bijvoorbeeld stoppen met drinken, anderen willen minderen.’

Inzichten

Uit de innovatieve data-analyses kwamen verschillende inzichten. Zo blijkt dat mensen die stoppen met drinken als doel stellen, succesvoller zijn in het behalen van dat doel dan mensen die willen minderen. Een ander opvallend inzicht gaat over gebruik van de zelfhulpmodule. ‘Het aantal keer dat mensen de eerste 72 uur inloggen is ook voorspellend voor het afmaken van de zelfhulp.’

Cliënten en preventiewerkers

Deze inzichten zijn vervolgens gedeeld met de praktijk. Met gebruikers van de zelfhulpmodule en preventiewerkers van de Jellinek. Ook deze focusgroepen leveren veel interessante feedback op, zegt Goudriaan. ‘Voor gebruikers is autonomie bijvoorbeeld heel belangrijk. Ze moeten zelf hun doelen kunnen stellen en hierbij geen druk ervaren.’ 

Een andere focusgroep ging over het gebruik van datascience technieken. Daaruit blijkt dat deelnemers het belangrijk vinden dat ze goed geïnformeerd worden over de inzet van innovaties, zoals machine learning of AI.

Wijzigingen

Aan de hand van alle inzichten is het zelfhulpprogramma aangepast. Zo krijgen deelnemers nu de eerste week een reminder in hun email, met nog wat extra informatie over het programma. Bij aanvang van het programma krijgen deelnemers nu ook meer informatie over de succespercentages van mensen aan de hand van de zelf gestelde doelen.

De effecten van deze aanpassingen zijn vervolgens ook onderzocht. Uit de voorlopige resultaten blijkt volgens de projectleider dat deze aanpassingen inderdaad effect hadden. Mensen blijven langer actiever in de zelfhulpmodule en haken minder snel af. Ook stellen meer gebruikers zich het doel om helemaal te stoppen met drinken in plaats van te minderen. ‘Of ook meer mensen hun zelf gestelde doel behalen, dát kunnen we op basis van deze resultaten nog niet significant aan tonen.’

Volgens de hoogleraar biedt het project ‘veelbelovende resultaten voor andere E-health onderzoekers. ‘Deze data over het gebruik vormen een belangrijke bron om dit soort onlineprogramma’s te verbeteren. In dit project konden we ook meteen zien wat het effect was van de aanpassingen in de interventie.’ 

 Tips voor onderzoekers en interventie-eigenaren:

• ‘Maak gebruik van de data van e-health programma’s en innovatie met data science om inzicht te krijgen in belangrijke gebruikerspatronen.
• ‘Dit soort laagdrempelige online e-health programma’s zijn effectief en veel mensen weten niet dat ze bestaan. Daar is nog een wereld van preventie te winnen.’

Impact

Naar aanleiding van het project is de Jellinek Zelfhulp interventie aangepast. De eerste studieresultaten zijn in september 2021 al gepubliceerd in een open access, wetenschappelijk tijdschrift. 

Onderzoeksresultaten worden verspreid in de netwerken van de projectleden, op websites, via online nieuwsbrieven en in landelijke tijdschriften die voornamelijk gelezen worden door clinici. De onderzoeksresultaten zijn gedeeld op (inter)nationale symposia en professionele scholing op het gebied van verslaving. Er is een expertvergadering georganiseerd ter bespreking van de verdere implementatie en mogelijkheden voor verdere ontwikkeling en onderzoek.

-------------------------------------------------------------------------------------------

Meer informatie

Gerelateerde programma's

• Preventieprogramma 2019-2022
• Innovatie

Tekst: Jessica Maas