The right treatment for the right patient

De juiste behandeling voor de juiste patiënt

Doel

Inzicht 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. Het project draagt daarmee bij aan het bepalen van de juiste behandeling voor de juiste patiënt in de Generalistische basis GGz (GbGGz).

Werkwijze

In het project verzamelen we informatie over de typen behandelingen die cliënten in de GbGGz ontvangen en koppelen dit aan kosten en effecten van behandelingen. Hierdoor zijn alle bouwstenen beschikbaar om in kaart te brengen hoe effectief en kosteneffectief behandelingen in de praktijk zijn, maar ook hoe dit verschilt voor verschillende type patiënten (in termen van leeftijd, geslacht, leefsituatie, etc.). Aanvullend worden cliëntvoorkeuren uitgebreid onderzocht, zodat zorgaanbieders alle informatie hebben om de aangeboden zorg continu te verbeteren en daardoor steeds beter in staat te zijn om de juiste behandeling aan de juiste cliënt te bieden.

• Designing and Testing of a Health-Economic Markov Model for Prevention and Treatment of Early Psychosis (Expert Review of Pharmacoeconomics & Outcomes Research, Volume 20, 2020, issue 3, 269-279)
• Analyse van de gevolgen van de coronacrisis voor de geestelijke gezondheidszorg (07-04-2021)
• Design of a health-economic Markov model to assess cost-effectiveness and budget impact of the prevention and treatment of depressive disorder (Expert Rev Pharmacoecon Outcomes Res. 2020 Nov 23;1-12)
• Verslag workshop aanpak begeleidingsethiek Trimbos (6 oktober 2020)
• Applying machine learning on health record data from general practitioners to predict suicidality ( Full text links full text provider logo Actions Favorites Share Page navigation Title & authors Abstract Conflict of interest statement Figures Similar articles References LinkOut - more resources (Internet Interventions 2020 Aug 27;21:100337)
• Predicting future suicidal behaviour in young adults, with different machine learning techniques: A population-based longitudinal study (Journal of Affective Disorders Volume 271, 15 June 2020, Pages 169-177)
• Evaluatie rapport Opleiding “Machine Learning in de Klinische Praktijk” van het Trimbos Instituut (28-10-2019)
• A discrete-choice experiment to assess treatment modality preferences of patients with depression ( J Med Econ . 2019 Feb;22(2):178-186)
• A discrete-choice experiment to assess treatment modality preferences of patients with anxiety disorder ( J Med Econ . 2019 Feb;22(2):169-177)
• Bijeenkomst Machine learning: instellingen laten zien wat het oplevert (2 juli 2019)
• Leergang Machine Learning in de (klinische) praktijk
• Cost-effectiveness of interventions for medically unexplained symptoms: A systematic review (Journal PLoS One, 2018 Oct 15, 0205278)
• Trimbos wil koudwatervrees voor machine learning in ggz wegnemen (Skipr, 17-12-2018)
• Machine Learning in de ggz is niets om bang voor te zijn (14-12-2018, website Trimbos-instituut)
• Economic evaluations of non-pharmacological interventions and cost-ofillness studies in bipolar disorder: A systematic review Journal of Affective Disorders 276(2020)388–401)