Process Mining in het ziekenhuis

monkeymining_bar

Process Mining in het Ziekenhuis; Chirurgie en SEH

Elke keer dat je gebruik maakt van een IT-systeem laat je een digitale voetafdruk achter, ook in ziekenhuizen. Of een arts een diagnose vastlegt, een verpleegkundige een verzoek verstuurt of het laboratorium de bloedspiegel bepaalt, iedere activiteit wordt geregistreerd met een tijdstempel in de database.

 

Met Process Mining kun je deze digitale sporen binnen de IT-systemen van de ziekenhuizen gebruiken om inzicht te krijgen in de huidige processen. Niet op basis van hoe de betrokkenen denken dat het loopt maar op basis van de daadwerkelijke registratie in de systemen.

Binnen de zorg zijn processen zeer complex en moeten de verschillende schakels optimaal met elkaar samenwerken om de beste zorg te leveren. Daarnaast is er natuurlijk sprake van sterke regulering en protocollering. Eigenlijk ideale omstandigheden voor het toepassen van Process Mining. Process Mining geeft je inzicht in het proces, knelpunten en afwijkingen van protocollen of afgesproken manieren van werken.

 

Door de complexiteit zie je dat traditionele manieren om inzicht te krijgen in de processen ontoereikend zijn. In een workshop en met een brownpaper sessie kun je prima de hoofdlijn van het proces in beeld brengen. Maar de verbetering zit juist in de afwijkingen en ongebruikelijke wachttijden. Naast het goed inzicht krijgen in doorlooptijden en wachttijden is het in beeld brengen van alle afwijkingen en uitzonderingen onmogelijk of zeer kostbaar met bestaande technieken. In dit blog illustreer ik de werking van Process Mining aan de hand van een tweetal cases uit de praktijk.

ziekenhuis-processen

Praktijkcase Process Mining in de zorg: stiptheid van operaties

Situatie

Spoedeisende hulp van een groot academisch ziekenhuis heeft een beperkte capaciteit en lijdt aan een stijgend, heterogenere groep van patiënten. Daarom is het noodzakelijk om het ‘proces voor spoedeisende hulp’ te verbeteren.

Doel van het project

Het doel van het project is om een goed beeld te krijgen van de omvang van het probleem, de oorzaken van het probleem te analyseren en om inefficiëntie in het proces te detecteren.

Uitvoering

Visualiseer het huidige proces om een goed beeld te krijgen van de verschillende stappen en doorlooptijden binnen de Spoedeisende hulp. Analyseer hoe het proces voor Spoedeisende hulp kan worden verbeterd.

Resultaat

  • Uit de analyse blijkt dat de oproepen gedaan door het operatieteam en de patiënten-logistiek de belangrijkste oorzaken zijn voor de planningsproblemen.
  • In het te laat oproepen van de patiënten is geen patroon te herkennen.
  • In de vertraging bij het ophalen van patiënten is wel een patroon zichtbaar. Op dinsdagen, woensdagochtend en vrijdag ochtend zijn er aanzienlijke tijdsverschillen in vergelijking met de rest van de weekdagen.
  • Oorzaak: op die momenten blijkt de werkdruk per medewerker veel hoger als gevolg van drukte voor andere afdelingen.

Oplossingen

  • Binnen de operatieteams is één persoon primair verantwoordelijk gemaakt voor de oproepen, de informatie met betrekking tot het oproepen is verbeterd zodat er geen onnodige tijd verloren gaat.
  • De aanwezige capaciteit op de drukke dagen wordt beter afgestemd op de planning. Met andere afdelingen zijn andere afspraken gemaakt zodat daar op de piekmomenten minder vraag is.

Praktijkcase Process Mining: Spoedeisende hulp

Situatie

Spoedeisende hulp van een groot academisch ziekenhuis heeft een beperkte capaciteit en lijdt aan een stijgend, heterogenere groep van patiënten. Daarom is het noodzakelijk om het ‘proces voor spoedeisende hulp’ te verbeteren.

Doel van het project

Visualiseer het huidige proces om een goed beeld te krijgen van de verschillende stappen en doorlooptijden binnen de Spoedeisende hulp. Analyseer hoe het proces voor Spoedeisende hulp kan worden verbeterd.

Uitvoering

Visualisatie van de processen vanaf de aankomst van de patiënt via triage, diagnostiek, gesprek met de arts, medisch ontslag, etc. op basis van de data uit het EPD.

Resultaat

  • Doorlooptijden, vooral die tot triage, zijn zeer wisselend en lang
  • De kwaliteit van triage is goed, maar kan ook worden verbeterd
  • Er wordt niet altijd gewerkt conform het afgesproken proces door onjuiste registratie en classificatie

Oplossingen

  • De doorlooptijden van de verschillende stappen en procesafwijkingen regelmatig met verpleegkundig personeel besproken om het belang van een gestandaardiseerde, efficiënte manier van werken aan te geven
  • Hertraining van het personeel dat betrokken is bij de triage met speciale focus op het effect van standaardisatie op doorlooptijd en kwaliteit
  • Aanpassingen in het proces van registratie en classificatie van patiënten

Meer weten over Process Mining?

Wil je zelf aan de slag gaan met Process Mining?
Schrijf je in voor de gratis Masterclass!

Interesse?

Zelf interessante praktijksituaties waar de bestaande technieken je niet de juiste inzichten geven? Laat het me weten!

Benieuwd geworden naar MonkeyMiner?

Gratis proberen Demonstratie aanvragen
Meer ITSM blog’s
Roderick Schreuder
Roderick Schreuder

Roderick Schreuder is een technologie entrepreneur en data science expert. Hij heeft + 20 jaar ervaring in verschillende sectoren bij organisaties zoals Philips, ING, Heerema, Achmea, NXP en Belastingdienst. Sinds 2006 is hij betrokken bij BiZZdesign en heeft zich recent gestort op de data science techniek ‘Process Mining’ bij MonkeyMining. Roderick is regelmatig gastspreker op conferenties en congressen en wordt regelmatig gevraagd om technologie inspiratiesessies voor directies en management teams te faciliteren. Daarnaast is hij verbonden aan de Hogeschool Utrecht en Business University Nyenrode.

PROBEER MONKEYMINER NU GRATIS