Ga naar de inhoud
NL
Contact

Data science bureau Den Haag

We toetsen een voorspellend model op recente data en per groep, voordat iemand erop stuurt. Voor het LUMC brachten we eigen modellen in de praktijk.

Bespreek je model Lees de case van het LUMC

De eigen machine learning-modellen van het LUMC zijn in de praktijk geïmplementeerd

Het LUMC, ook partner van Health Campus Den Haag, ontwikkelde een aantal modellen om de zorg te verbeteren. Wij zetten de infrastructuur op waarmee ze in de praktijk zijn geïmplementeerd, met de resultaten in een overzichtelijke applicatie.

Lees de case

Klopt ons model ook voor de Haagse wijken en patiënten van nu?

Een model scoort goed op de dataset waarmee het is gebouwd. Maar inwoners en patiënten verschillen per wijk, en registratie en zorg veranderen. Toetsen op recente data en per groep laat zien of het model ook daar klopt.

Plan een gesprek

Een voorspellend model dat getoetst is op de groep waar het wordt gebruikt

Bespreek je model

Eerst de beslissing

We beginnen bij de keuze die beter moet, zoals welke cliënt eerst een intake krijgt, en kiezen pas daarna data en model.

Getoetst per groep en periode

Naast de totaalscore kijken we hoe het model uitvalt per leeftijdsgroep, wijk of locatie, en op data van na de bouw.

Een kans die uitkomt

Een voorspelde kans moet in de praktijk ook zo vaak uitkomen. Dat heet kalibratie, en we toetsen het los van de nauwkeurigheid.

In gebruik, niet in een rapport

Voor het LUMC zetten we de infrastructuur op om eigen modellen te implementeren, met de resultaten in een overzichtelijke applicatie.

Grondslag en vraag liggen vast voordat we een model trainen

  1. Vraag en grondslag

    Welke beslissing moet beter, wie gebruikt de uitkomst en mag de data daarvoor worden gebruikt?

  2. Bouwen en vergelijken

    We bouwen het model, toetsen het op recente data en per groep en vergelijken het met de huidige werkwijze.

  3. Draaien en bijhouden

    Het model draait waar de gebruiker al werkt. We volgen of invoer en scores verschuiven.

Past er bij onze vraag een voorspellend model?

Toets het in een gesprek

Past als

Er is een terugkerende beslissing, zoals welk dossier eerst wordt bekeken of wie extra ondersteuning krijgt, en de uitkomst van eerdere gevallen is vastgelegd.

Past niet als

De uitkomst komt zelden voor of is slecht geregistreerd, of een vaste regel uit beleid of richtlijn beslist het al. Dan helpt een betere registratie of een overzicht meer, en dat zeggen we ook.

Waar de omvang van afhangt

Het aantal bronnen en hoe ze gekoppeld worden, of de data de organisatie uit mag, hoeveel validatie nodig is, waar het model draait en wie het daarna beheert.

Mag de data hiervoor gebruikt worden?

Zorg- en sociaal-domeindata zijn vaak voor een ander doel verzameld. Of hergebruik mag, beslist jullie functionaris gegevensbescherming of jurist. Wij bouwen zo dat het model met zo weinig mogelijk persoonsgegevens werkt.

Eerst analyseren, een eenvoudig model of machine learning: wat past bij jullie vraag?

Eerst een analyse

Kies dit als nog niet duidelijk is welke beslissing beter moet. Een analyse van de bestaande data laat zien waar de verschillen zitten en of een model iets toevoegt.

Een eenvoudig model

Kies dit als uitlegbaarheid zwaar weegt, zoals bij keuzes over inwoners of patiënten. Ons advies: bouw altijd eerst een regressiemodel als ijkpunt; een complexer model moet daar aantoonbaar boven uitkomen.

Machine learning

Kies dit als er veel bronnen en kenmerken zijn en een eenvoudig model tekortschiet. Lees meer over machine learning laten ontwikkelen.

Voor modellen in de zorg tussen Den Haag en Leiden is het LUMC onze referentie

Data Science Lab werkt sinds 2016 aan data en AI, van dataplatform tot toepassing en beheer, vanuit Amsterdam. We zijn Databricks- en Microsoft-partner. Een gesprek kan bij jullie op locatie, bij ons of online.

Plan een kennismaking

Neem naar het eerste gesprek één beslissing en de data mee

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je eerste aanspreekpunt. In het eerste gesprek bekijken we de beslissing die beter moet en de data erachter.

E-mail info@datasciencelab.nl

Telefoon +31 (0)20 3636 724

Op welke terugkerende keuze wil je een voorspelling loslaten?

Beschrijf de beslissing, de data die je hebt en wie ermee gaat werken. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

E-mailinfo@datasciencelab.nl Telefoon+31 (0)20 3636 724

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Het bouwt modellen op je eigen data die een terugkerende keuze onderbouwen: welke patiënt of cliënt extra aandacht nodig heeft, welke melding eerst wordt opgepakt of hoeveel capaciteit er nodig is. Ook tekst hoort erbij, zoals open antwoorden op onderwerp indelen; voor WUA bouwden we zo een topic-classificatiemodel. Die modellen horen bij de AI-toepassingen die we bouwen en daarna beheren. Voor publieke organisaties buiten de zorg schreven we ook over data en AI voor het onderwijs en voor woningcorporaties.

Het LUMC ontwikkelde zelf een aantal machine learning-modellen om de zorg te verbeteren. Naast ontwikkelen was het doel ze te implementeren. Wij zetten de infrastructuur op, waarna de modellen in de praktijk zijn geïmplementeerd. De resultaten staan in een overzichtelijke applicatie, zodat de impact zichtbaar is in de dagelijkse zorgpraktijk.

Meer in de case van het LUMC.

Health Campus Den Haag, een samenwerking van onder meer het LUMC, de Gemeente Den Haag, Haaglanden Medisch Centrum, HagaZiekenhuis en GGD Haaglanden, onderzoekt gezondheidsverschillen tussen bewoners. Partners delen data in een veilige CBS-omgeving.

Daar koppelt het CBS bronnen als huisartsdata uit het ELAN-netwerk en WMO-data van de gemeente op persoonsniveau, met een gepseudonimiseerde sleutel. Alleen geaggregeerde resultaten mogen eruit, en alleen voor wetenschappelijk onderzoek.

De Leidraad kwaliteit AI in de zorg, in december 2021 opgesteld door een actieteam met steun van VWS, deelt het werk in zes fasen: gegevensverzameling en -beheer, ontwikkeling, validatie, softwareontwikkeling, toetsing van de meerwaarde in de praktijk en implementatie inclusief educatie. Juridische status heeft hij niet.

Toets een model in elk geval op data die het bij de bouw niet zag, zoals een latere periode of een andere locatie.

Een model kan patiënten of dossiers goed op volgorde zetten en toch de kansen verkeerd inschatten. Wordt de kans structureel te hoog voorspeld, dan krijgen te veel mensen een extra controle of huisbezoek, en de planning loopt vast.

Kalibratie toets je door voorspelde kansen te vergelijken met hoe vaak de uitkomst echt optrad, per groep. Wijkt het af in een nieuwe periode, dan stel je het model bij.

Soms. Bijlage III punt 5 noemt AI waarmee overheden beoordelen of iemand recht heeft op essentiële publieke uitkeringen en diensten, inclusief gezondheidszorg, en systemen voor triage van patiënten in de spoedeisende zorg. Volgens de Europese Commissie gelden die regels vanaf 2 december 2027.

Of jouw model eronder valt, beoordeelt je jurist of compliance-afdeling; wij helpen met de inventarisatie. Zie AI Act.

Door de invoer en de uitkomsten te blijven volgen. Een nieuw registratiesysteem, een ander protocol of een verschuiving in wie zich meldt, verandert de data waar het model op rekent. Zodra de echte uitkomsten bekend zijn, vergelijk je ze met de voorspellingen.

Hoe we dat inrichten lees je bij MLOps; het blijvende onderhoud valt onder beheer en doorontwikkeling.

Als er nog geen beslissing is die beter moet, of als je eerst wilt weten waar AI in je organisatie past en hoe je het verantwoord regelt. Begin dan bij AI consultant Den Haag.

Zit je organisatie in de regio Utrecht, kijk dan bij data science bureau Utrecht.

Verder met het model, de techniek of het advies?

Bekijk alle diensten