Analyseren van patiëntfeedback met behulp van Artificial Intelligence

Wat is de waarde van patiëntfeedback?

Voor het leveren van kwalitatief goede zorg is het essentieel dat deze aansluit bij de wensen en behoeften van de zorgvrager, ofwel de patiënt. De patiënt kan zowel in de spreekkamer als op organisatieniveau een waardevol en breder perspectief bieden. Dit maakt patiëntfeedback een belangrijke indicator voor zorgorganisaties. Patiëntfeedback stelt zorgorganisaties namelijk in staat verbeterpunten in kaart te brengen en de zorg aan te passen naar de wensen van de patiënt. 

Waar kan Artificial Intelligence in helpen?

Patiëntervaringen verkregen vanuit de PREM bestaan in het AVL uit twee categorieën. Ten eerste wordt gevraagd om ratings met betrekking tot verschillende zorgcomponenten. Als tweede bevat een PREM vaak open tekstvelden waarin een patiënt wordt gevraagd de gegeven ratings uit te leggen. De resultaten van de open tekstvelden zijn het meest waardevol omdat patiënten uitleggen waarom de zorg als goed of slecht wordt ervaren. 

Zorgorganisaties analyseren de ratings met behulp van verschillende grafieken. Echter neemt het analyseren van de open tekstvelden enorm veel tijd in beslag omdat deze vaak handmatig worden doorgenomen. Daarom blijft de potentiële waarde van de ervaringen niet optimaal onbenut.

Met behulp van AI is het mogelijk om deze open tekstvelden automatisch te analyseren en hier de waardevolle informatie uit te halen. Simpel gezegd doorgrondt het model alle data en gaat het op zoek naar patronen en trends in de data, welke vervolgens worden teruggekoppeld. 

Wat voor methodes hebben wij toegepast?

In ons onderzoek pasten we twee belangrijke analysemethoden toe. Voorafgaand aan de analyse is de data opgeschoond. We verwijderden onder andere stopwoorden en brachten woorden terug naar hun woordenboekvorm. De woordenboekvorm van een woord houdt in dat er geen verbuigingen, vervoegingen, meervoud of verkleinwoorden gebruikt worden, dus bijvoorbeeld ‘fiets’ in plaats van ‘fietsje’.

N-gram analyse
De eerste analysemethode is de n-gram analyse. Een n-gram kun je zien als een combinatie van woorden die naast elkaar voorkomen waarin ‘n’ het aantal woorden weergeeft. Zo kun je de zin ‘’De zorg is goed’’ vertalen naar trigrams (n=3) ‘’De zorg is’’, ‘’zorg is goed’’. Het analyseren van deze trigrams door middel van het optellen hoe vaak een specifieke trigram voorkomt, geeft een overzicht van wat patiënten veel zeggen. 

Een fictief voorbeeld waarin positieve en negatieve punten zijn gescheiden:

Topic modelling
De tweede analysemethode is de topic modelling. Topic modelling is een statistische methode voor het automatisch vinden van ‘topics’ in tekstdocumenten. Het resultaat bestaat uit topics (rijtjes van 10 woorden) die de hoofdzaken in de documenten zo goed mogelijk weergeven. In het geval van de PREM betekent dit dat de topics bestaan uit rijtjes woorden die de ervaringen van de patiënten weergeven.

Een fictief voorbeeld:

Beide analysemethoden zijn dus in staat om de informatie die verborgen is in de open tekstvelden op een duidelijke en overzichtelijke manier terug te geven. De resultaten geven hiermee inzicht in wat patiënten vinden. Het is aan de zorgorganisatie zelf om de resultaten te interpreteren. De analysemethodes zijn nog redelijk nieuw, zeker op Nederlands taal, waardoor deze de komende jaren verder worden ontwikkeld.