Tijdens onze projecten vinden wij het altijd leuk om met een wijde blik te brainstormen over mogelijke oplossingen. Dan kan het zo zijn dat er een idee opkomt dat niet past bij dat specifieke project, maar waarvan we wel de meerwaarde zien. Om die ideeën niet verloren te laten gaan, stellen we onszelf als doel zo nu en dan in korte tijd een prototype neer te zetten van een idee. Een voorbeeld hiervan is een idee voor multidimensionale inzichten binnen regiobeelden, waarmee we meerdere variabelen in één visualisatie weergeven, zodat er in één oogopslag meer context gegeven wordt.
Multidimensionale inzichten zijn in dit geval samenstellingen van meerdere variabelen die we visualiseren als één indicator. Het doel is simpel: in één oogopslag een completer en meer actionable inzicht bieden, dan wanneer je alleen de individuele variabele zou visualiseren. De nieuwe, samengestelde indicator vat meer van de context in een enkele visualisatie.
Klassieke regiobeelden tonen vaak verschillende indicatoren op regionaal niveau: bijvoorbeeld de gemiddelde leeftijd, percentage dat rookt of fijnstofbelasting. Je kunt verschillende indicatoren wel vergelijken, maar je zult deze dan naast elkaar moeten leggen, zoals bijvoorbeeld in waarstaatjegemeente.nl of regiobeeld.nl. Je zult zelf nog een aantal denkstappen moeten maken voordat je de resultaten vervolgens kunt interpreteren. Het combineren van twee (of in de toekomst wellicht meer) variabelen kan helpen bij de interpretatie. Ze schetsen meer context en helpen bij de interpretatie van de cijfers.
Om dit idee te concretiseren hebben we het prototype uitgewerkt voor twee verschillende use cases. In essentie kunnen alle variabelen van vergelijkbaar aggregatieniveau op deze manier gecombineerd worden.
Use case 1: Inzicht in de druk op de eerste lijn
Afbeelding 1: inzicht in de regio’s waar we hoge zorgdruk verwachten op de eerste lijn. In Noord-Holland en Noord-Brabant verwachten we de hoogste zorgdruk, in Groningen en Zeeland het laagst.
Het is algemeen bekend dat de druk op de huisartsen (1e lijn) hoog is en toeneemt. Het is interessant om te weten waar dit actuele probleem met name speelt.
Als we iets willen zeggen over de hoogte van de zorgdruk, hebben we informatie nodig over het zorgaanbod. Bijvoorbeeld “Aantal inwoners per huisarts FTE”, een indicator van zorgaanbod op regiobeeld.nl. Behalve het zorgaanbod zijn we ook geïnteresseerd in de zorgvraag: alleen met een combinatie van beide kunnen we de zorgdruk inschatten. (Zie ook de beschrijving die regiobeeld.nl geeft bij onderstaande grafiek).
Afbeelding 2: Aantal inwoners per huisarts FTE (bron: regiobeeld.nl) geeft geen volledig beeld van de zorgdruk in de regio.
Als we alleen zouden kijken naar het aantal inwoners per FTE, zien we dat Haarlem er slechter aan toe is dan Houten: in Haarlem delen meer inwoners dezelfde huisarts. Echter, wanneer de gemiddelde leeftijd in Haarlem lager is en er dus meer jonge mensen met een lage zorgvraag zijn, terwijl er in Houten een vergrijsde bevolking is, dan zou de zorgdruk in Houten alsnog hoger kunnen uitvallen dan die in Haarlem. We willen om de zorgvraag te bepalen behalve het aantal mensen dat zorg nodig heeft, ook weten hoe váák zij zorg nodig hebben.
Als het aantal zorgvragers in Haarlem ook relatief hoog is, kunnen we zeggen dat Haarlem meer zorgdruk te verwachten is dan in Houten. Maar, als het aantal contacten per inwoner in Haarlem relatief laag is, en in Houten relatief hoog is, wordt het ingewikkeld om een conclusie te trekken uit twee individuele visualisaties. Deze moeten gecombineerd worden door de relatieve afhankelijkheid te bepalen.
In het prototype worden de variabelen “Aantal huisartsen FTE per 1000 inwoners” en “aantal 65+ ers” gecombineerd. In het prototype kunnen we in één oogopslag zien waar de grootste problemen te verwachten zijn wat betreft de druk op de eerste lijn. We gaan er in dit voorbeeld vanuit dat voornamelijk vergrijzing de zorgvraag stimuleert en vatten het eerstelijns zorgaanbod in aantal huisarts FTE per 1000 inwoners. Uiteraard hebben ook andere zaken invloed op de zorgdruk die de huisartsen ervaren, maar het prototype is bedoeld om een interpretatieslag te maken. Bij een relatief verouderde populatie en een relatief laag aantal huisarts FTE’s ten opzichte van het aantal inwoners zijn de grootste problemen te verwachten. Vooral Noord-Holland en Noord-Brabant lijken hier dus problematisch te zijn.
Use case 2: Langer gelukkig en gezond thuis
Afbeelding 3: inzicht in waar mensen langer gelukkig en gezond thuis blijven wonen. De meest lichte gebieden geven aan waar mensen relatief lang en met een relatief goed ervaren gezondheid thuis blijven wonen.
Een andere samengestelde indicator die is toegevoegd aan het prototype is “Langer gelukkig en gezond thuis”. Om ondanks een vergrijzende populatie de zorg betaalbaar, toegankelijk en van kwaliteit te houden, wordt langer thuis wonen voor ouderen binnen het regionaal beleid gestimuleerd. In sommige gevallen kan het zo zijn dat mensen te lang thuis blijven, terwijl ze eigenlijk intramurale zorg nodig hebben. Dit kan ten koste gaan van de ervaren gezondheid, autonomie en het welbevinden. We hebben de indicatoren “goed ervaren gezondheid” en de “mediane instroomleeftijd WLZ: wet langdurige zorg” met elkaar gecombineerd om hier een beeld van te krijgen. Zo krijgen we direct inzichtelijk waar ouderen relatief lang én gelukkig thuis wonen, maar ook waar zij misschien niet meer zo gelukkig zijn. In deze regio’s zou wellicht kritisch moeten worden gekeken naar het beleid, of met bewoners in gesprek gaan. In een regio als Apeldoorn lijken ouderen nog een relatief goed ervaren gezondheid te hebben op het moment dat ze instromen in de wlz: wellicht ligt hier een kans om ouderen nog iets langer thuis te laten wonen.
Learnings tijdens het maken van dit prototype
De problemen waar we tegenaan liepen tijdens het bouwen van dit prototype raken vooral aan de (beperkte) beschikbaarheid van openbare data. Wanneer je gericht op zoek bent naar een specifieke indicator op regionaal niveau, moet je vaak creatief zijn met proxy’s of beschikbare indicatoren combineren en herberekenen. Sommige data is wel op aanvraag beschikbaar bij bijvoorbeeld CBS of Nivel. In sommige gevallen was het aggregatieniveau ook niet toereikend voor onze vraag. Ook viel het op dat van sommige thema’s zoals gedefinieerd door het OECD (Organisation for Economic Co-operation and Development) veel meer indicatoren beschikbaar zijn (zoals demografie) dan voor andere thema’s. Van het thema zorgaanbod zijn maar weinig indicatoren beschikbaar, ook zorgvraag is lastig te definiëren en vaak subjectief op basis van data vanuit vragenlijsten.
Klik hier om het prototype te bekijken
Code: Github