ValueCare verwerkt dagelijks grote hoeveelheden data uit meer dan 40 grote ggz-instellingen. Door het standaard datamodel en de gestandaardiseerde definities van ValueCare is deze schat aan kwalitatief goede data is ook bruikbaar om inzicht te krijgen in voorspellende variabelen om de zorg te ondersteunen.

Zo ontwikkelt ValueCare al jaren prognose-modellen voor de omzetbepaling op basis van Machine Learning. Daarnaast zet zij ook andere AI-technieken in om voorspellingen te doen en de zorg effectiever te maken en daardoor toegankelijk en betaalbaar te houden.

De doelstelling van één van de projecten bij ValueCare is om het aantal no shows terug te dringen. Als een cliënt niet komt opdagen wordt deze tijd niet betaald én de schaarse zorg niet ingezet. Alleen al binnen de ggz-instellingen gaat het om grofweg 350.000 behandeluren en daarmee 3,5 miljoen euro die jaarlijks onbenut én onvergoed blijft.

Het BI team van ValueCare werkt samen met de Radboud Universiteit om met inzet van AI no shows te voorkomen. De vraag die ValueCare met de studenten van de Radboud Universiteit oppakt is: welke kenmerken no show kunnen voorspellen en of we een algoritme kunnen ontwikkelen waarmee op clientniveau voorspelt kan worden of iemand wel of niet op de afspraak komt.

Heeft bijvoorbeeld de leeftijd of de diagnose/type zorg van een cliënt invloed op de kans op no show? Of de periode in het jaar, de dag van de week of de ROM-score? Zijn er bepaalde type behandelaren waar no show vaker voorkomt? Of zijn er andere verrassende factoren die no show voorspellen? Het kan allemaal onderzocht worden.

De studenten krijgen de mogelijkheid om onder leiding van het data science/BI team van ValueCare geanonimiseerde data van een aantal instellingen die daar hun toestemming voor hebben gegeven te verwerken en te onderzoeken. Ze testen wat de beste methodes zijn om kenmerken te achterhalen die no show voorspellen. Het resultaat moet uiteindelijk een algoritme zijn op basis waarvan de no show voorspeld kan worden. Aansluitend zal ValueCare kijken hoe met behulp van dit algoritme no shows daadwerkelijk voorkomen kunnen worden.