Het meten van de levering van palliatieve zorg (PC) aan traumapatiënten, vooral die met levensbedreigende verwondingen, is altijd complex geweest. Traditionele methoden met administratieve codering schieten vaak tekort, terwijl handmatige beoordelingen arbeidsintensief zijn. Dit artikel onderzoekt hoe Natural Language Processing (NLP) een transformatieve oplossing biedt om de levering van PC nauwkeurig en efficiënt te identificeren, en waardevolle inzichten biedt die de toepassing en het begrip van richtlijnen voor palliatieve zorgcodering kunnen verbeteren, zoals die relevant zijn in 2019.
Een recente studie vergeleek NLP rigoureus met zowel administratieve codering als handmatige beoordeling – de gouden standaard – bij het identificeren van PC-levering bij patiënten met ernstig trauma in twee Level I traumacentra tussen juli 2016 en juni 2017. Het onderzoek richtte zich op vier belangrijke procesmaten van PC tijdens trauma-opnames: verduidelijking van de codestatus, besprekingen over behandeldoelen, palliatieve zorgconsulten en hospice-evaluaties. Analyse van een omvangrijke dataset van 76.791 notities van 2093 opnames, onthulde de studie overtuigende resultaten over de effectiviteit van NLP op dit cruciale gebied van de gezondheidszorg.
De bevindingen toonden aan dat NLP significant beter presteerde dan administratieve codering bij het identificeren van PC-levering. NLP identificeerde PC-levering in 33% van de opnames, een schril contrast met de slechts 8% die via administratieve codering werd geïdentificeerd. Specifiek detecteerde NLP het vaakst verduidelijking van de codestatus (27%), gevolgd door besprekingen over behandeldoelen (18%), PC-consulten (4%) en hospice-evaluaties (4%). In vergelijking met handmatige beoordeling, toonde NLP opmerkelijke nauwkeurigheid, met een sensitiviteit van 93%, specificiteit van 96% en een algehele nauwkeurigheid van 95%. Bovendien bereikte NLP dit met een verbazingwekkende snelheid – meer dan 50 keer sneller dan handmatige beoordeling. Omgekeerd toonde administratieve codering een sensitiviteit van slechts 21%, een specificiteit van 92% en een nauwkeurigheid van 68%, wat de beperkingen ervan benadrukt bij het vastleggen van de nuances van palliatieve zorglevering. De studie identificeerde ook factoren die geassocieerd worden met PC-levering, waaronder oudere leeftijd van de patiënt, toegenomen comorbiditeiten en langere verblijfsduur op de intensive care.
Concluderend komt NLP naar voren als een zeer nauwkeurig en efficiënt hulpmiddel voor het meten van palliatieve zorglevering in trauma-omgevingen. De prestaties komen sterk overeen met die van handmatige beoordeling, maar met een aanzienlijk verbeterde efficiëntie. Dit vermogen positioneert NLP als een krachtig instrument voor gezondheidszorgsystemen die hun naleving van best practice richtlijnen in palliatieve zorg nauwkeurig willen volgen en benchmarken. Voor de context van richtlijnen voor palliatieve zorgcodering 2019 en daarna, biedt NLP een veelbelovende weg om dataverzameling en -analyse te verbeteren, wat uiteindelijk leidt tot betere zorg voor patiënten met levensbedreigend trauma.
