Verslagen

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Dit project draagt bij aan het bepalen van de juiste behandeling voor de juiste patiënt in de

GGZ.

 

Met informatie over behandelingen, behandelkosten en behandeleffecten, wordt in kaart gebracht hoe effectief en kosteneffectief behandelingen in de praktijk zijn, en in welke mate dit verschilt voor verschillende type patiënten (in termen van leeftijd, geslacht, leefsituatie, etc.).

Aanvullend worden patiëntvoorkeuren uitgebreid onderzocht, zodat zorgaanbieders alle informatie hebben om de aangeboden zorg continu te verbeteren door steeds beter in staat te zijn om de juiste behandeling aan de juiste patiënt te bieden, daarbij expliciet rekening houdend met de voorkeuren van de patiënt.

 

Dit project leidt daarmee tot nieuwe inzichten in welke behandeling het beste past bij welke patiënt, en met welke voorkeuren van de patiënt rekening gehouden moet worden om het behandeltraject zo effectief en kosteneffectief mogelijk te laten zijn.

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

Ons project heeft inmiddels geleid tot twee wetenschappelijke publicaties waarin de behandelvoorkeuren van patienten met angst en patienten met depressie in kaart werden gebracht. Daarnaast startte in maart 2019 een training voor ggz-professionals in het toepassen van machine learning om de klinische praktijk te verbeteren. In deze training werken negen ggz-instellingen en een GGD aan projecten waarmee de eigen data gebruikt wordt om predictiemodellen te ontwikkelen die het klinische proces ondersteunen. Daarnaast werken we momenteel aan enkele publicaties die inzicht geven in welke zorg werkt voor welke patient, en onderzoeksmethodologien die daar een bijdrage aan kunnen leveren.

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

A clear understanding of the effectiveness and cost-effectiveness of different treatments in clinical practice is a necessity to be able to continuously improve healthcare. Such an understanding is currently lacking, however, due to a lack of structured registration of the type of treatments that patients are given. As a result, clinical practice cannot meaningfully contribute to the scientific evidence-base concerning the effectiveness and cost-effectiveness of interventions. Unfortunately, randomized controlled trials often do not report beyond the effectiveness and cost-effectiveness of the average patient, due to a lack of a sufficient sample size. Even though a treatment might be effective on average, there will always be patients who do and do not respond to a particular treatment. Increasing our understanding of the type of patients (in terms of age, gender, education, work status, etc) who do and do not respond well to particular treatments could have an enormous impact on the quality of care, as this could increase the overall effectiveness of treatments, reduce unnecessary treatment and help to contain healthcare costs.

 

Contrary to most randomized trials, the large number of patients treated in clinical practice offers the opportunity to look at subgroups of patients and provide meaningful insights into the type of patients that respond particularly well (or particularly poorly) to specific treatments. This project aims to use the large amounts of data available in clinical practice, complemented with data collected on the type of treatment given, to determine the effectiveness and cost-effectiveness of the different treatments for different types of patients treated in basic mental healthcare (“Generalistische basis GGZ”) in the Netherlands. This novel approach will be the first time administrative data will be used on a large-scale basis to learn about effectiveness and cost-effectiveness of different treatments in clinical practice, and provides a unique opportunity to learn about the right treatment for the right patient.

 

A better understanding of the right treatment for the right patient makes it possible for healthcare providers to improve their healthcare. This approach is complemented with extensive patient preferences research to optimally guide the process of improving healthcare. With all the right measurements in place (with information being collected on the type of patient, type of treatment, treatment effects and treatment costs), improvement of the healthcare process could automatically be monitored and evaluated. By keeping the additional efforts required to measure the right data to a minimum, this project aims to construct a continuously improving and self-learning healthcare system, which healthcare providers could keep using after the project has been finished.

 

This project will therefore make it possible for the first time to continuously assess the effectiveness and cost-effectiveness of different types of treatments delivered in practice. This opens up the opportunity to continuously improve healthcare, both in terms of effectiveness and cost-effectiveness, by having a constant flow of patient, treatment and outcome data continuously increasing our understanding on the right treatment for the right patient.

 

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website