De najaarsvaccinaties vormen elk jaar opnieuw een organisatorische uitdaging voor huisartsen. 2023 is een ‘overgangsjaar’ in de zin dat de COVID-vaccinaties mee in de planning worden opgenomen. Door een gebrek aan ondersteuning vanuit de overheid moeten artsen, en sinds kort ook apothekers, het vaccinatiemoment zelf organiseren. Onlangs heeft Domus Medica een toolbox ontwikkeld om hierbij te helpen. Naast de handvaten die worden uitgereikt om de vaccinaties zo efficiënt mogelijk te laten verlopen, zijn er nog steeds struikelblokken en mogelijke valkuilen. Ondanks de huidige hulpmiddelen is er duidelijk nog veel ruimte voor verbetering in de zoektocht naar een efficiënt systeem. Waar kan Co-Medic inspringen om deze puzzel te vereenvoudigen, zodat er niet alleen kosten- maar ook tijdefficiënt gewerkt kan worden?
Accurater en uitgebreider identificeren van doelgroepen
De Hoge Gezondheidsraad adviseert dit jaar tot het vaccineren van grofweg drie grote risicogroepen: personen met risico op complicaties, alle personen werkzaam in de gezondheidssector en personen die onder hetzelfde dak wonen als de risicopatiënten. Tussen deze groepen zijn er weinig verschillen wat betreft de twee vaccins. Zoals al eerder in het webinar werd aangegeven, is het echter niet altijd eenvoudig om de juiste patiënten te identificeren. De huidige query's zijn in alle softwarepakketten gebaseerd op twee beschikbare zoekopdrachten, zowel voor griep als voor COVID. Eén is gebaseerd op het GMD, terwijl de andere werkt via de gehele contactgroep. Tevens zal er een recall query komen om patiënten die niet opgedaagd zijn op basis van vacinatiestatus opnieuw uit te nodigen. Deze werkwijze blijkt echter nog ontoereikend om de huide doelgroepen op een voldoende efficiënte en nauwkeurige manier te identificeren.
Co-Medic werkt op dit moment aan de ontwikkeling van een zelflerend taalmodel dat, naast tal van andere toepassingen, de huidige werkwijze kan verfijnen. Enkele voorbeelden hiervan in kader van het huidige thema, zijn het opsporen van:
-
Chronische aandoeningen: het taalmodel kan bijvoorbeeld eenvoudig herkennen wat onder de noemer ‘longproblematiek’ valt, zonder de noodzaak dit individueel op te sommen in een query.
-
Ongecodeerde elementen: hedendaagse zoekopdrachten zijn gebaseerd op codes, waarbij ongecodeerde zaken niet gevonden kunnen worden. Het taalmodel kan deze echter terugvinden in vrije tekst van onder andere artsenbrieven en consultatienota’s. Interessante toepassingen omvatten onder andere het identificeren van ongecodeerde diabetesdiagnoses en personen die actief zijn in de gezondheidssector.
-
Overmatig gecodeerde elementen: de volgende twee voorbeelden vormen slechts een fractie van dit probleem, maar worden aangehaald in kader van het huidige topic:
-
Zwangerschap vormt een welgekend voorbeeld van een gecodeerde, maar gedateerde diagnose. Op basis van de verstreken tijd kan dit echter uit de lijst gehaald worden.
-
Tijdelijke medicatie blijft wel eens op actief staan in het dossier van de patiënt. Deze foutieve codering kan opgepikt en uitgefilterd worden op basis van de context waarin deze medicatie werd voorgeschreven.
-
-
Overleden patiënten: deze worden wel eens over het hoofd gezien en kunnen zo leiden tot een overschatting van het aantal nodige vaccins. Op basis van de tijd die tussen de consultaties zit, kunnen ook zij geïdentificeerd en verwijderd worden.
In conclusie
De uitdagingen van de organisatie van vaccinatiemomenten zijn complex en veelzijdig, maar er zijn veelbelovende ontwikkelingen in de maak. Met behulp van een zelflerend taalmodel hoopt Co-Medic een ondersteunende rol te kunnen bieden in het stroomlijnen van dit proces. Door het opsporen van gaten in de coderingen van het dossier en het toelaten van meer efficiënte en accurate query’s wordt gewerkt naar een efficiëntere vaccinatieplanning en zo een verbeterde kwaliteit van de zorg.