Background: Acquiring the theoretical and practical knowhow of conducting patient and public involvement (PPI) in research is not part of the traditional curriculum of researchers. Zuyd University of Applied Sciences and Huis voor de Zorg, a regional umbrella patient organization, therefore started a 1.5-year coaching programme. Objective: To establish a community of practice by developing a PPI coaching programme for senior and junior health services researchers of Zuyd University. The context consisted of research projects conducted by the participants. Methods: A participatory action research methodology. Data were collected from reports of thematic group meetings and individual sessions with participants, field notes and regular reflection meetings with the project team. Data were analysed by reflexive deliberation. Findings: The programme comprised a kick-off meeting (52 attendees), followed by 7 group meetings with 11 junior and 9 senior researchers. The project team constructed a serious game based on the concept of the participation ladder. Questions and concerns differed for junior and senior researchers, and separate tailored meetings were organized for both groups. Between group meetings, participants received individual assignments. Group meetings were accompanied by individual coaching sessions to provide tailor-made feedback. The programme concluded with a combined meeting with all stakeholders. Conclusion: Building a community of PPI practice through action research facilitates the development of a coaching programme that fosters social learning, empowerment and the development of a shared identity concerning PPI. The role and responsibilities of senior researchers should be distinguished from those of junior researchers.
Background: Patient involvement in interprofessional education (IPE) is a new approach in fostering person-centeredness and collaborative competencies in undergraduate students. We developed the Patient As a Person (PAP-)module to facilitate students in learning from experts by experience (EBEs) living with chronic conditions, in an interprofessional setting. This study aimed to explore the experiences of undergraduate students, EBEs and facilitators with the PAP-module and formulate recommendations on the design and organization of patient involvement in IPE. Methods: We collected data from students, EBEs and facilitators, through eight semi-structured focus group interviews and two individual interviews (N = 51). The interviews took place at Maastricht University, Zuyd University of Applied Sciences and Regional Training Center Leeuwenborgh. Conventional content analysis revealed key themes. Results: Students reported that learning from EBEs in an interprofessional setting yielded a more comprehensive approach and made them empathize with EBEs. Facilitators found it challenging to address multiple demands from students from different backgrounds and diverse EBEs. EBEs were motivated to improve the personcentredness of health care and welcomed a renewed sense of purpose. Conclusions: This study yielded six recommendations: (a) students from various disciplines visit an EBE to foster a comprehensive approach, (b) groups of at least two students visit EBEs, (c) students may need aftercare for which facilitators should be receptive, (d) EBEs need clear instruction on their roles, (e) multiple EBEs in one session create diversity in perspectives and (f) training programmes and peer-to-peer sessions for facilitators help them to interact with diverse students and EBEs.
In 2019, The Global Initiative for Chronic Obstructive Lung Disease (GOLD) modified the grading system for patients with COPD, creating 16 subgroups (1A–4D). As part of the COPD Cohorts Collaborative International Assessment (3CIA) initiative, we aim to compare the mortality prediction of the 2015 and 2019 COPD GOLD staging systems. We studied 17 139 COPD patients from the 3CIA study, selecting those with complete data. Patients were classified by the 2015 and 2019 GOLD ABCD systems, and we compared the predictive ability for 5-year mortality of both classifications. In total, 17139 patients with COPD were enrolled in 22 cohorts from 11 countries between 2003 and 2017; 8823 of them had complete data and were analysed. Mean±SD age was 63.9±9.8 years and 62.9% were male. GOLD 2019 classified the patients in milder degrees of COPD. For both classifications, group D had higher mortality. 5-year mortality did not differ between groups B and C in GOLD 2015; in GOLD 2019, mortality was greater for group B than C. Patients classified as group A and B had better sensitivity and positive predictive value with the GOLD 2019 classification than GOLD 2015. GOLD 2015 had better sensitivity for group C and D than GOLD 2019. The area under the curve values for 5-year mortality were only 0.67 (95% CI 0.66–0.68) for GOLD 2015 and 0.65 (95% CI 0.63–0.66) for GOLD 2019. The new GOLD 2019 classification does not predict mortality better than the previous GOLD 2015 system.
Patiëntdata uit vragenlijsten, fysieke testen en ‘wearables’ hebben veel potentie om fysiotherapie-behandelingen te personaliseren (zogeheten ‘datagedragen’ zorg) en gedeelde besluitvorming tussen fysiotherapeut en patiënt te faciliteren. Hiermee kan fysiotherapie mogelijk doelmatiger en effectiever worden. Veel fysiotherapeuten en hun patiënten zien echter nauwelijks meerwaarde in het verzamelen van patiëntdata, maar vooral toegenomen administratieve last. In de bestaande landelijke databases krijgen fysiotherapeuten en hun patiënten de door hen zelf verzamelde patiëntdata via een online dashboard weliswaar teruggekoppeld, maar op een weinig betekenisvolle manier doordat het dashboard primair gericht is op wensen van externe partijen (zoals zorgverzekeraars). Door gebruik te maken van technologische innovaties zoals gepersonaliseerde datavisualisaties op basis van geavanceerde data science analyses kunnen patiëntdata betekenisvoller teruggekoppeld en ingezet worden. Wij zetten technologie dus in om ‘datagedragen’, gepersonaliseerde zorg, in dit geval binnen de fysiotherapie, een stap dichterbij te brengen. De kennis opgedaan in de project is tevens relevant voor andere zorgberoepen. In dit KIEM-project worden eerst wensen van eindgebruikers, bestaande succesvolle datavisualisaties en de hiervoor vereiste data science analyses geïnventariseerd (werkpakket 1: inventarisatie). Op basis hiervan worden meerdere prototypes van inzichtelijke datavisualisaties ontwikkeld (bijvoorbeeld visualisatie van patiëntscores in vergelijking met (beoogde) normscores, of van voorspelling van verwacht herstel op basis van data van vergelijkbare eerdere patiënten). Middels focusgroepinterviews met fysiotherapeuten en patiënten worden hieruit de meest kansrijke (maximaal 5) prototypes geselecteerd. Voor deze geselecteerde prototypes worden vervolgens de vereiste data-analyses ontwikkeld die de datavisualisaties op de dashboards van de landelijke databases mogelijk maken (werkpakket 2: prototypes en data-analyses). In kleine pilots worden deze datavisualisaties door eindgebruikers toegepast in de praktijk om te bepalen of ze daadwerkelijk aan hun wensen voldoen (werkpakket 3: pilots). Uit dit 1-jarige project kan een groot vervolgonderzoek ‘ontkiemen’ naar het effect van betekenisvolle datavisualisaties op de uitkomsten van zorg.
Middels een RAAK-impuls aanvraag wordt beoogd de vertraging van het RAAK-mkb project Praktische Predictie t.g.v. corona in te halen. In het project Praktische Predictie wordt een prototype app ontwikkeld waarmee fysiotherapeuten in een vroeg stadium het chronisch worden van lage rugpijn kunnen voorspellen. Om chronische rugpijn te voorkomen is het belangrijk om in een vroeg stadium de kans hierop in te schatten door psychosociale en mogelijk andere risicofactoren op chronische pijnklachten te herkennen en hierop te interveniëren. Fysiotherapeuten zijn met deze vraag naar het lectoraat Werkzame factoren in Fysiotherapie en Paramedisch Handelen van de Hogeschool van Arnhem en Nijmegen gegaan en dit heeft aanleiding gegeven een onderzoek op te zetten waarin een dergelijke methodiek ontwikkeld wordt. De voorgestelde methodiek betreft een Clinical Decision Support Tool waarmee een geïndividualiseerde kans op chronische rugpijn kan worden bepaald gekoppeld aan een behandeladvies conform de lage rugpijn richtlijn. Hiervoor is eerst geïnventariseerd welke methoden fysiotherapeuten reeds gebruiken en welke in de literatuur worden genoemd. Op basis hiervan is een keuze gemaakt ten aanzien van data die digitaal verzameld worden in minimaal 16 fysiotherapiepraktijken waarbij patiënten gedurende 12 weken gevolgd worden. Met de verzamelde data worden met machine learning algoritmes ontwikkeld voor het berekenen van de kans op chroniciteit. De algoritmes worden ingebouwd in de Clinical Decision Support Tool: een gebruiksvriendelijke prototype app. Bij het ontwikkelen van de tool worden eindgebruikers (fysiotherapeuten en patiënten) intensief betrokken. Op deze manier wordt gegarandeerd dat de tool aansluit bij de wensen en behoeften van de doelgroep. De tool berekent de kans op chroniciteit en geeft een behandeladvies. Daarnaast kan de tool gebruikt worden om patiënten te informeren en te betrekken bij de besluitvorming. Vanwege de coronacrisis is er een aanzienlijke vertraging in de patiënten-instroom (doel n= 300) ontstaan die we met ondersteuning van een RAAK-impuls subsidie willen inlopen.
De gezondheidszorg kampt met personeelstekorten en lange wachtlijsten, wat de zorgkwaliteit voor patiënten ernstig treft. De toenemende vergrijzing van de bevolking en een toenemend tekort aan geschoold personeel verergeren deze problemen. Hierdoor komen zowel zorgverleners als mantelzorgers onder grote druk te staan [1]. In dit project wordt met behulp van AI-onderzoek gedaan naar de haalbaarheid van het automatisch detecteren van de gesteldheid van zorgbehoevenden. Dit biedt mogelijkheden om de druk op zorgverleners en mantelzorgers te verlichten door taken te automatiseren en hen te ondersteunen bij het identificeren van de behoeften van de patiënten. De huidige tekorten in de zorg zijn verontrustend en daarom niet houdbaar voor de kwaliteit van de zorg. Automatisering is daarom essentieel om de zorgkwaliteit te waarborgen. Het consortium bestaat uit zorginstelling De Zijlen, Valtes en het NHL Stenden Lectoraat Computer Vision & Data Science. Vanuit De Zijlen en Valtes is de vraag ontstaan voor de automatische detectie van de gesteldheid van zorgbehoevenden. Gezamenlijk wordt de technische haalbaarheid onderzocht om de business-case te ondersteunen. Daarnaast is het doel van dit project om met een proof-of-concept een breder netwerk van belangenorganisaties, ontwikkelaars en eindgebruikers aan te spreken. Er wordt gewerkt in een multidisciplinair team van studenten, docent-onderzoekers, lectoren, ontwikkelaar en potentiële eindgebruikers.
