‘Steeds meer gemeenten kopen jeugdzorg in op basis van de te behalen resultaten’, kopte de Volkskrant onlangs. Een link naar het artikel vindt u onderaan deze pagina. Er wordt beschreven hoe resultaatgestuurd werken gezinnen, verwijzers en aanbieders zou prikkelen om minder te focussen op de geleverde uren aan zorg. Bovendien zouden zij meer focussen op het gewenste resultaat. Binnen het resultaatgestuurd werken worden doorgaans door de cliënt en hulpverlener(s) gezamenlijk concrete doelen vastgesteld. Hier kan binnen een traject naartoe worden gewerkt. In plaats van een vast tarief per uur uit te betalen aan een aanbieder, bestaat de vergoeding uit een vooraf afgesproken bedrag per traject.
Van hulpverleners wordt ondertussen verwacht dat zij cliënten inschalen in een geschikt traject. Echter, verkeerde inschaling kan grote financiële gevolgen hebben, zowel voor gemeenten als voor aanbieders. Wanneer de cliënt in een ‘te licht’ traject wordt ingeschaald, is dit nadelig voor de aanbieder. Dan wordt namelijk veel zorg verwacht tegenover een relatief laag bedrag. Inschaling in een ‘te zwaar’ traject is juist nadelig voor gemeenten. Dit is omdat een lichter (en daarmee goedkoper) traject ook voldoende was geweest. Met het oog op de oplopende financiële tekorten is de vraag: hoe kunnen beide partijen grip houden op de kosten en in gesprek blijven met elkaar?
Voorspellende modellen
Een manier om grip te houden op de kosten, en zo hulpverleners te ondersteunen, is om data analyse in te zetten. Door wetenschappelijk aangetoonde beschermende en risicofactoren (van bijvoorbeeld de zorgbehoefte) te wegen en analyseren, kunnen voorspellingen worden gedaan over individuen. Om meer accurate voorspellingen te doen, kan daarnaast worden onderzocht welke factoren een voorspellende waarde hebben naast de bekende beschermende en risicofactoren. Een data scientist onderzoekt met welke vorm van machine learning je tot het beste voorspellend model komt. Overeenkomstig met de big data trend, kent Nederland enkele voorspellende modellen. Een voorbeeld hiervan is ProKid Plus. Dit is een methodiek om geweldsdelicten te voorspellen bij jongeren tussen 12 en 18 jaar met politiecontacten. Een ander voorbeeld is het Landelijk Instrumentarium Jeugdstrafrecht, een hulpmiddel om recidiverisico te berekenen op basis van beschermende en risicofactoren. In een ideale wereld zouden dergelijke instrumenten tot een perfecte risicotaxatie leiden waar beleid op kan inhaken.
Er spelen enkele praktische bezwaren. Zo zijn databestanden niet altijd volledig. Ook is er een groot aantal casussen nodig om tot een goed voorspellend model te komen. Met goede registratie door gemeenten, aanbieders en verwijzers valt hier al veel te winnen. Daarnaast spelen er ethische bezwaren. Bijvoorbeeld dat categorisatie van gedrag concrete gevolgen kan hebben voor een individu, zoals hoeveel zorg er wordt geïndiceerd. Een valide voorspellend model is dus essentieel. Bovendien is waarborging van privacy van belang. Zowel vanuit de cliënt gezien als vanuit de AVG is koppeling tussen verschillende databestanden niet altijd wenselijk. Er moet dus een goede grondslag zijn om een voorspellend model in te zetten.
Expertise en data combineren?
Niettemin kunnen dergelijke modellen van toegevoegde waarde zijn. Door de blik van hulpverleners te combineren met data, kan het beste uit beide werelden worden geïntegreerd. Een hulpverlener kan door kennis en ervaring de volledige context van een cliënt meenemen in een besluit. Hier vallen dus ook de factoren onder die een te lage prevalentie hebben. Daarentegen kunnen de resultaten uit voorspellende analyses worden gebruikt om de discussie over trajectkeuzes en inconsistenties hierin aan te wakkeren en om het keuzeproces betrouwbaarder te maken. Door data niet als doel te gebruiken, maar als hulpmiddel, kan passende zorg worden gewaarborgd terwijl financiële risico’s worden beperkt.
