Datagedreven: hoe Therapieland leert van data-onderzoek

Over IJ-lab: minder aannames, meer onderzoek

5 jaar geleden heeft Therapieland zijn eigen onderzoekstak opgericht: IJ-lab. Matthijs was hier vanaf het begin verantwoordelijk voor en inmiddels bestaat het team, naast hem, uit een data scientist, wetenschappelijk onderzoeker en BI-specialist. IJ-lab onderzoekt het gebruik en de toegevoegde waarde van e-Mental Health, vaak in samenwerking met externe partijen zoals hogescholen en universiteiten. “Met de onderzoeksresultaten kunnen we onze diensten blijven verbeteren en gebruikers helpen om zoveel mogelijk resultaat te halen uit het gebruik van e-Health”, legt Matthijs uit.

Een onderzoeksminded en datagedreven Therapieland

Data en onderzoek stromen door de aderen van Therapieland: “Dat kan ook niet anders met de digitale aard van onze diensten en een oprichter met een onderzoeksmaster in zijn rugzak; Jarno Meijer”.

Het Therapielandplatform verzamelt veel data: er worden vragenlijsten ingevuld, programma’s doorlopen en uitnodigingen verstuurd. “Al deze data zijn een waardevolle bron van informatie, waar we veel van kunnen leren. En dat doen we dan ook”, vertelt Matthijs. Belangrijk om te vermelden: data zijn altijd geanonimiseerd en gebruikers geven vooraf toestemming voor het gebruiken van data voor onderzoeksdoeleinden. “De data die we hebben, bieden kansen en het is aan ons om deze te benutten. Zonder data zou de zorg stilstaan; data helpen de zorg vooruit”, aldus Matthijs.

En niet alleen IJ-lab, maar heel Therapieland houdt zich bezig met wetenschappelijke inzichten. Zo worden er regelmatig sessies georganiseerd (Therapieland PS) waarbij onderzoekers langskomen bij Therapieland, om te vertellen over hun onderzoeken en inzichten. Zo houden we de hele organisatie onderzoeksminded!

Waarom we onderzoek doen: bouwen aan de (digitale) zorg van de toekomst

De missie van Therapieland is: 100.000.000 mensen helpen mentaal veerkrachtig te worden en te blijven. Alles wat wij doen, draagt hieraan bij. Dus ook onze onderzoeken.

Matthijs legt uit hoe IJ-lab deze missie ondersteunt: “Om zoveel mogelijk mensen te kunnen helpen, gaan onze onderzoeken vooral over twee overkoepelende thema’s: Hoe kunnen we passende zorg (de juiste e-Health bij de juiste persoon, op het juiste moment) bieden? En wat kunnen we zeggen over de effectiviteit van e-Health; hoe meten en beoordelen we de toegevoegde waarde van e-Health?”.

Onderzoeksthema 1: passende zorg door matchmaking

“We bieden ontzettend veel programma’s aan binnen ons platform en zijn continu bezig met het ontwikkelen van nieuwe programma’s, zodat we voor iedereen iets passends kunnen aanbieden.  Maar meer programma’s betekent ook dat het lastiger kan zijn om te kiezen. Om zo snel mogelijk de beste match te vinden zijn we daarom bezig met het secuur ontwikkelen van een slimme en veilige matchmaking tool: een getraind model dat, op basis van een vragenlijst over iemands persoonlijke behoeften, een vrijblijvend advies kan geven over het best aansluitende programma. Na twee weken wordt middels een engagement-vragenlijst gecontroleerd in hoeverre de voorspelling juist was of dat er bijgestuurd moet worden. Hier leert het model dan weer van, en zo blijft het model continu up-to-date en wordt het steeds slimmer”, aldus Matthijs.

Op dit moment werken we aan het prototype. Het is belangrijk om zeker te weten dat de tool goed werkt, voordat we deze in gebruik nemen: “We zijn ons er goed van bewust dat we te maken hebben met een kwetsbare doelgroep. We willen deze mensen helpen en niet verder verwarren door een verkeerd advies of confronteren met iets waar ze nog niet aan toe zijn”.

Als de tool er eenmaal is, kan deze bijdragen aan efficiëntere doorverwijzingen en daarmee verminderde wachtlijsten, meer effectieve en passende zorg en minder druk op de zorg.

Onderzoeksthema 2: hoe meet je de waarde van e-Health?

Dat e-Health van toegevoegde waarde is, is wat ons betreft zeker. Maar helaas is er nog weinig consensus over welke uitkomstmaten te gebruiken om de effecten van e-Health aan te tonen. “Deze bewijsvoering is in sommige gevallen nodig om het gebruik van e-Health te verantwoorden. Daarnaast is het bepalen van uitkomstmaten ook waardevol voor het kunnen beoordelen en verbeteren van onze e-Health”, legt Matthijs uit.

Op dit moment is IJ-lab daarom bezig met een delphi-studie naar uitkomstmaten voor e-Mental Health, in samenwerking met Pim Valentijn en Essenburgh.

De zorg van de toekomst

Naast dat onze onderzoeksresultaten ervoor zorgen dat wij onze diensten kunnen verbeteren, kunnen deze ook bijdragen aan het verbeteren van (digitale) zorg op een groter, overkoepelend level: “Door naar buiten te treden met onze inzichten en kennispartner te zijn, hopen we anderen te stimuleren om ook onderzoek te doen naar e-Health en mee te denken over hoe we (digitale) zorg slimmer kunnen inrichten”.

Hoe Matthijs de (digitale) zorg van de toekomst voor zich ziet? “Laagdrempelige zorg, die op tijd naar je toekomt, in plaats van dat je het zelf moet opzoeken. Doordat de zorg vroegtijdig naar je toekomt, escaleert het in veel gevallen niet. En wanneer iemand dan toch in contact wil komen met een professional, kunnen wij een passende en efficiëntie doorverwijzing doen. Hoe dat er precies uitziet, bijvoorbeeld met behulp van wearables, moeten we nog onderzoeken, maar daar zou ik naartoe willen.”

Voorbeelden van onderzoeken door IJ-lab

Engagement-onderzoek

Uit eerdere onderzoeken van IJ-lab is gebleken: engagement met een programma heeft een groot effect op in hoeverre diegene zich geholpen voelt door het programma. Daaruit volgde de vraag: Hoe kunnen we ervoor zorgen dat gebruikers zich engaged voelen en zo uiteindelijk beter geholpen zijn?

In samenwerking met Universiteit Twente werd hier onderzoek naar gedaan.

POH’s: welke patiënt geef je e-Health, en welke niet?

Er is net een onderzoek afgerond in samenwerking met de Open Universiteit, naar hoe POH’s kiezen wie ze wel of geen e-Health geven. Welke redenen hebben zij hiervoor? Welke afwegingen maken ze? De resultaten kunnen bijdragen aan bewustzijn bij de POH’s en een betere inschatting. Mogelijk is hun inschatting soms te streng en worden patiënten bijvoorbeeld onderschat. Daarom is de volgende stap om deze inzichten te delen met POH’s, door het onderzoek te publiceren en door praatjes te houden bij instellingen.