Achtergrond

Het bieden van passende zorg aan verpleeghuisbewoners is een uitdaging. Zorgrichtlijnen zijn soms tegenstrijdig en kennis over de effectiviteit van veelvoorkomende interventies ontbreekt. Dit komt o.a. doordat ouderen met complexe multi-problematiek vaak worden uitgesloten van gerandomiseerde trials. Passende zorg voor verpleeghuisbewoners omvat zowel farmacologische als niet-farmacologische interventies. Niet-farmacologische interventies, zoals paramedische en psychosociale interventies, hebben vaak de eerste voorkeur, kunnen met elkaar gecombineerd worden, evenals met farmacologische interventies, zonder elkaar te belemmeren en hebben geen bijwerkingen. Echter, er ontbreekt vaak robuust bewijs voor de effectiviteit van deze interventies in de praktijk. Dit project beoogt deze kennislacune op te vullen door gebruik van innovatieve ‘Artificial Intelligence’ (AI) methoden en grote routine zorgdatabestanden.

Doel

Bepalen van de effectiviteit van paramedische en psychosociale interventies voor de kwaliteit van leven en functioneren van bewoners en inzet van personeel in verpleeghuizen, door gebruik van innovatieve methoden voor analyse van grote routine zorgdatabestanden. Twee onderzoeksvragen staan daarbij centraal: 1) Welk effect hebben paramedische en psychosociale interventies op a) kwaliteit van leven en functioneren van verpleeghuisbewoners en b) de inzet van zorgpersoneel? 2) Onder welke voorwaarden kan de effectiviteit van interventies betrouwbaar en valide onderzocht worden met big data-analyse gebruik makend van routinezorgdata?

Methode

We gebruiken grote routinezorgdatabestanden, bestaande uit de minimale dataset van interRAI voor de langdurige zorg, waarmee bewoners van opname tot sterven worden gemonitord. Deze gestandaardiseerde data is van goede kwaliteit en omvat fysiek, cognitief en psychosociaal functioneren en inzet van (niet)farmacologische interventies. De globale uitkomstmaten zijn gezondheids-gerelateerde kwaliteit van leven (HUI3) en inzet van zorgpersoneel (RUG-III). Interventie-specifieke uitkomstmaten zijn fysiek, mentaal en sociaal functioneren. We passen innovatieve AI methoden toe (‘causal machine learning’) om de interventie-effecten te analyseren, waarbij we controlegroepen maken en rekening houden met relevante confounders en inzet van farmacologische interventies. Diversiteit in effecten wordt onderzocht in subgroepen, o.a. naar sekse, leeftijd, en cognitieve status. De projectgroep bestaat uit vertegenwoordigers van zorgverleners en ouderen, en experts op het gebied van de ouderengeneeskunde, epidemiologie, AI, Health Technology Assessment en implementatie.
We gebruiken bestaande data uit 2008 t/m 2023 van ruim 20.000 verpleeghuisbewoners van 65 jaar en ouder (>60.000 observaties) in ca. 60 huizen die in het kader van routinezorg zijn gemonitord met de interRAI-LTCF.

We richten ons op twee groepen niet-farmacologische interventies die belangrijk zijn binnen de Wet Langdurige Zorg (WLZ): paramedische en psychosociale interventies. Samen met professionals en cliëntvertegenwoordigers prioriteren we specifieke interventies.

Fase

Het LEARN project loopt van november 2024 tot november 2028.

Onderzoekers en projectgroepleden

Yvonne Dodeman, uitvoerend onderzoeker in opleiding tot huisarts

Begeleidingsteam: Emiel Hoogendijk, Karlijn Joling, Hein van Hout en Martin Smalbrugge.

Financiering

ZonMw