Praktische Predictie: de ontwikkeling van een Clinical Decision Support Tool voor fysiotherapie bij lage rugpijn.

Het project richt zich op het verbeteren van de fysiotherapiebehandeling voor mensen met aspecifieke lage rugklachten door het ontwikkelen van een ‘clinical decision support tool’ (beslisondersteuningsmiddel), oftewel screening tool, voor fysiotherapeuten. Met deze screening tool worden fysiotherapeuten beter in staat gesteld om tijdens de intake van een patiënt met een hulpvraag op gebied van beginnende (acute) lage rugpijn een juiste inschatting te maken of deze klachten snel over zullen gaan of niet. Op basis hiervan kan direct een advies en/of behandeling op maat worden gestart. Hiermee zou de behandeling effectiever kunnen worden, maar kunnen ook onnodige behandelingen voorkomen worden. Om deze screening tool te ontwikkelen dienen eerst data (vragenlijsten) van tenminste 300 patiënten met acute aspecifieke lage rugklachten verzameld worden van prognostische factoren en eventuele veranderingen hierin. Met deze data zal (o.a. door machine learning technieken) een predictiemodel/algoritme worden berekend die de aanwezigheid van lage rugpijn na 3 maanden voorspelt. Hiermee zal vervolgens een voor de fysiotherapeut eenvoudig toepasbare tool worden ontwikkeld.

Lage rugpijn is een veel voorkomende aandoening en een belangrijke reden voor patiënten om de eerstelijnsfysiotherapeut te bezoeken. De sociaaleconomische gevolgen van lage rugpijn zijn groot en worden voor het leeuwendeel veroorzaakt door patiënten die lijden aan chronische pijnklachten met als mogelijk gevolg veel medische consumptie, (langdurend) ziekteverzuim en arbeidsongeschiktheid. Om chronische rugpijn te voorkomen is het belangrijk om in een vroeg stadium de kans hierop in te kunnen schatten door psychosociale en mogelijk andere risicofactoren op chronische pijnklachten te herkennen. In de fysiotherapierichtlijn lage rugpijn ontbreekt een heldere aanbeveling over de wijze waarop deze risicofactoren moeten worden gemeten en geïnterpreteerd. Dientengevolge worden in de praktijk hiervoor verschillende vragenlijsten en/of criteria gebruikt. Onder fysiotherapeuten is er vraag naar een hanteerbare en accurate methodiek om deze risico-inschatting te kunnen maken. Fysiotherapeuten zijn met deze vraag naar het lectoraat Musculoskeletale Revalidatie van de Hogeschool van Arnhem en Nijmegen gegaan en dit heeft aanleiding gegeven om samen met projectpartners een onderzoek op te zetten waarin een dergelijke methodiek ontwikkeld wordt. De voorgestelde methodiek betreft een Clinical Decision Support Tool: een digitale tool waarmee op basis van patiëntkarakteristieken en meetinstrumenten een geïndividualiseerde kans op chronische pijn kan worden bepaald gekoppeld aan een behandeladvies conform de lage rugpijnrichtlijn. Om dit te bereiken zal eerst worden geïnventariseerd welke methoden fysiotherapeuten nu reeds gebruiken en welke in de literatuur worden genoemd. Op basis hiervan wordt een keuze gemaakt t.a.v. data die digitaal verzameld gaan worden in minimaal 16 fysiotherapiepraktijken waarbij patiënten gedurende 12 weken gevolgd gaan worden. Met de verzamelde data worden met machine-learning algoritmes ontwikkeld voor het berekenen van de kans op chroniciteit. De algoritmes worden ingebouwd in een en online calculator, de Clinical Decision Support Tool, en een gebruiksvriendelijke prototype app. Bij het ontwikkelen van de tool worden de eindgebruikers (fysiotherapeuten maar ook 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.