Use case: ‘Voorspellen van incidenten’

Voorkomen van incidenten door datagedreven voorspellingen

In deze use case heeft Ilan Smeerdijk, student Universiteit Twente bij Trajectum gewerkt aan het ontwikkelen van een voorspellend model om incidenten in de (gehandicaptenzorg) te verminderen.

Op 20 november ’24 is er een Lunch & Learn over geweest. Kijk hier terug

Webinar: Link

Hierbij ook de thesis van Ilan.

Wat heeft Ilan ontdekt?

Uit zijn statistische analyse kwamen twee belangrijke factoren naar voren die een grote invloed hebben op het aantal incidenten tijdens een dienst:

1. Gemiddelde ervaring van medewerkers: Hoe ervaren zijn de medewerkers die tijdens een dienst werken?

2. Tijd sinds het laatste incident: Hoeveel tijd is er verstreken sinds het laatste incident op de locatie?

Deze twee factoren, of variabelen zoals ze in onderzoek worden genoemd, hebben een duidelijke relatie met het aantal incidenten. Maar dat is nog niet alles! Ilan ontdekte ook dat de frequentie van incidenten op een locatie de relatie tussen deze twee variabelen en het aantal incidenten beïnvloedt. Dit maakt frequentie een modererende variabele.

Hoe werkt het model? 

Met al deze informatie heeft Ilan een model gemaakt dat voorspelt hoeveel incidenten er tijdens een dienst kunnen plaatsvinden. Het model kijkt naar de waarden van de variabelen die hij heeft gevonden en kan zo een verhoogd risico op incidenten voorspellen. Dit is vooral handig omdat het verschillen in risico tussen verschillende locaties kan meten.

Ilan heeft ook een Relatieve Risicofactor (RRF) berekend. Dit klinkt misschien ingewikkeld, maar het is eigenlijk heel nuttig. Het houdt rekening met het gebruikelijke aantal incidenten op een locatie en laat zien hoe groot het risico is ten opzichte van de normale frequentie van incidenten. Met deze gegevens kan een zorgorganisatie beter begrijpen waar en wanneer het risico op incidenten hoger is.

Waarom is dit belangrijk? 

Het verminderen van incidenten in de gehandicaptenzorg is van groot belang. Incidenten kunnen voor veel stress en schade zorgen, zowel voor de bewoners als voor de medewerkers. Door gebruik te maken van datagedreven voorspellingen kunnen we betere ondersteuning en begeleiding bieden voor mooi leven en mooi werk!