Datagestuurde vestiging van gezondheidscentra

An English version was published on the 4th of February: Data-driven location search for new healthcare centres

De kosten van de gezondheidszorg stijgen snel en naar verwachting zal deze trend de komende decennia doorzetten. Vergrijzing, kapitaalintensieve technologie en – paradoxaal genoeg – betere dienstverlening (ziektes die vroeger dodelijk waren zijn nu chronisch) behoren tot de voornaamste oorzaken.

Dit betekent dat de kostenkant goed tegen het licht moeten worden gehouden om de boel betaalbaar te houden. Zonder dieper in te gaan op het hevig gepolitiseerde debat over marktwerking binnen het zorgdomein, is eigenlijk iedereen het er wel oer eens dat we ziekenhuizen en gezondheidscentra moeten plaatsen waar de vraag het hoogst is. Op die manier hoeven hulpbehoevenden minder lang te reizen, en is ook de collectieve reistijd het kleinst. Maar hoe bereken je in vredesnaam waar de zorgvraag het hoogst is?

Profilering van vraag

In het wereldberoemde zorgstelsel van Nederland hebben zorgverzekeraars een belangrijke rol. Iedereen is verplicht een basisverzekering bij hen af te sluiten, en de verzekeraars onderhandelen vervolgens met individuele ziekenhuizen en andere zorgverleners. Vektis verzamelt data van deze verzekeraars en publiceert jaarlijks een openbaar toegankelijk overzicht. De cijfers gaan over het uitgegeven bedrag aan zorg, en er wordt onderscheid gemaakt naar geslacht, leeftijd en woonadres. Het adres is geaggregeerd naar een hoger schaalniveau (PC3) vanwege privacyoverwegingen.

Benadering van bestedingen aan (fictionele) huisartsbezoeken op PC6-schaalniveau in Deventer

Door de data van Vektis te koppelen aan data die Springco Urban Analytics op een lager schaalniveau verzamelt over huishoudens, zijn wij in staat om de zorgbestedingen op PC6-niveau (ongeveer vijftien huishoudens) te benaderen. Op die manier kunnen wij ook bepalen waar mensen meer geld besteden aan huisartsbezoeken, zoals je hierboven kan zien, of aan bijvoorbeeld geestelijke gezondheidszorg. Als een nieuwe vestiging van een gezondheidscentrum een specifieke discipline bedient, kan dit onderscheid in de analyse van groot belang zijn. Maar het model zou ook getraind kunnen worden door geanonimiseerde patiëntengegevens te integreren. Met machine learning technieken (o.a. neurale netwerkanalyse, ondersteunende vectormachine) voorspellen we vervolgens de kans dat verschillende huishoudens zorgafnemers worden.

Voorspelde kans dat (fictieve) huishoudens in Wassenaar vraag naar gezondheidscentra uitoefenen

Prescriptieve (?) locatiekeuze

Stel je nu voor dat de bevolking van Wassenaar dusdanig vergrijst dat de lokale zorgkoepel niet één maar liefst vier gezondheidscentra wil bouwen in de stad. Wat zou dan de ruimtelijke optimum zijn gegeven de vraag naar gezondheidszorg? Allereerst combineren we de voorspelde kans dat huishoudens zorgafnemers worden met de bevolkingsdichtheid, zodat we de vraag in beeld hebben. Daarna gebruiken we een cluster-analyse om uit te vinden waar de vier gezondheidscentra geplaatst zouden moeten worden. De animatie hieronder laat zien hoe dit type data-analyse eruit ziet in de praktijk.

Facinerend, nietwaar? Dit type data-analyse zou voor allerlei soorten publieke en private voorzieningen gedaan kunnen worden, of het nu om afvalverwerking, basisscholen of auto-laadpunten gaat. Stuur een mail naar croon@spring-co.nl als je hier vragen over hebt!