6 diagnostische trends
Healthcare Transformers

Deze 6 diagnostische trends geven de toekomst van de zorg vorm

devider
Hoe digitale technologieën de diagnostiek gaan verbeteren

In-vitro diagnostica (ivd’s) spelen momenteel een sleutelrol in de zorg. Hun belang kwam duidelijk naar voren tijdens de wereldwijde inzet om de verspreiding van SARS-CoV-2 te beteugelen en te bestrijden. Hoewel ze slechts 2% uitmaken van de totale zorgkosten bepalen IVD’s 66% van de klinische besluitvorming.1 Ze spelen een cruciale rol bij de diagnose van ziekten, de beoordeling van de werkzaamheid van behandelingen en de gezondheidsstatus van patiënten, en/of het mogelijk maken van ziektepreventie.

 


IID’s bestrijken een hele waaier van aandoeningen en zijn een zodanig fundamenteel onderdeel van moderne geneeskunde dat de World Health Organization 122 testcategorieën aanwees als ‘essentieel’.2 En ondanks hun enorme bruikbaarheid is er nog steeds ruimte voor verbetering van de huidige diagnostische testen.

Het feit dat testresultaten meestal gerapporteerd worden als een enkel statisch getal zonder enige verklaring van onzekerheid is een beperkende factor en kan leiden tot de onjuiste aanname dat laboratoriumresultaten exact zijn.3 Meestal is biologische variabiliteit de grootste bijdrage aan variabiliteit van laboratoriumresultaten, iets wat vaak over het hoofd wordt gezien wanneer metingen op een specifiek moment worden uitgevoerd. Een andere beperking is dat testdata vaak geïsoleerd worden opgeslagen en binnen die isolatie worden gebruikt voor één testdoel.

Daarnaast bemoeilijken het grote aantal en de variatie van beschikbare testen het voor niet-gespecialiseerde clinici om op een juiste manier de correcte (series van) testen te selecteren om uit te voeren.4 Samen kunnen deze beperkingen ervoor zorgen dat zorgprofessionals niet het volledige potentieel van testen kunnen benutten in de zorg voor hun patiënten.

De samenkomst van digitale technologieën en diagnostische testen vormt de basis voor het bevorderen en verbeteren van patiëntervaringen en uitkomsten. Tegelijkertijd kan het de druk op zorgcapaciteit en -middelen verlichten en draagt het bij aan de snelheid en efficiëntie van het testproces.

leestijd | 5 min

Healthcare Transformers NL ehealth in de zorg
De diagnostische trends die mogelijk zijn dankzij digitale technologieën

De inzet van digitale technologie maakt diagnostische trends mogelijk die bijdragen aan de vorming van de toekomst van de zorg. Wij benoemen zes van deze trends en laten zien hoe ze de zorg veranderen.

 

1. Point of Care-testen en opkomende diagnostische oplossingen voor thuisgebruik

 

Innovatieve nieuwe technologie maakt snel testen in de buurt van patiënten - inclusief hun huis - mogelijk, wat kan bijdragen aan een betere diagnose, monitoring en management van ziekten. Het kan ook de wachttijd van de uitslag verkorten, aangezien de ‘reistijd’ van monsters en uitslagen wordt verminderd of uitgesloten.5 Een groot voordeel van digitalisering van Point of Care en thuisdiagnostiek is de vereenvoudiging van de testprocedure en de analyse en opslag van resultaten in een veilige digitale omgeving die toegankelijk is voor zorgverleners.

 

2. Voorspellend en persoonlijk DNA-onderzoek

 

Om het toekomstig risico op ziekte te bepalen bieden voorspellende genetische testen mogelijk grote voordelen voor gezondheidsresultaten dankzij het gebruik van iemands bloed-, haar-, huid- of andere weefselmonsters.6 Het potentieel is enorm aangezien deze testen mutaties kunnen identificeren die iemands risico op het ontwikkelen van genetische aandoeningen verhogen voordat symptomen zich openbaren.7 Wanneer er een medische interventie of een voorzorgsmaatregel is voor een voorspelde ziekte, dan wordt het belang van zulke digitale hulpmiddelen zeer nuttig en zelfs levensreddend.

 

3. Real-time diagnostiek

 

Draagbare biosensoren, variërend van horloges, kleding, verband, brillen, contactlenzen en ringen tot speciaal ontwikkelde implementeerbare of door te slikken apparatuur, zijn in staat om een diverse fysieke gezondheidsinformatie zoals hartslag, bloeddruk, huidtemperatuur, ademhalingsfrequentie en lichaamsbeweging te verzamelen. Vergeleken met meer traditionele diagnostische tests die alleen een momentopname van de patiënt maken voor een bepaalde parameter biedt real-time diagnostiek een uitgebreidere en betere dataset voor klinische besluitvorming. Ze maken continu monitoren mogelijk, geven direct feedback over gesignaleerde onregelmatigheden en kunnen ingezet worden om iemands algemene gezondheid en welzijn bij te houden.8

 


4. Oplossingen voor klinische besluitvorming

 

Beslissingsondersteunende (clinical decision support - CDS) hulpmiddelen kunnen bijdragen aan de verandering van diagnostiek. Na het ontvangen van een testresultaat is het aan de zorgprofessional om context en betekenis van de testoutput te bepalen en de beste vervolgstappen te nemen voor de diagnose of behandeling van zijn of haar patiënt. CDS zijn zo ontwikkeld dat ze enorme hoeveelheden data helpen doorzoeken en kunnen zo bijdragen aan de ondersteuning bij het voorstellen van volgende behandelingsstappen, het waarschuwen van zorgverleners zodra er beschikbare en waardevolle informatie is, of bij het identificeren van potentiële problemen zoals gevaarlijke geneesmiddelinteractie.9 De verschillende toepassingen helpen zorgprofessionals beter geïnformeerde besluiten en stappen te nemen voor de verbetering van patiëntresultaten.

 

5. Datagestuurde lab optimalisatieoplossingen

 

Diagnostische labs zoeken constant naar manieren om het aantal onnodige testen te verminderen, daarbij de waarde van hun aanbod verhogend. De vraag is hoe ze uit de testen die ze afnemen optimaal informatie kunnen vastleggen en extraheren zodat ze hun werkzaamheden kunnen optimaliseren. Een oplossing is de implementatie van een stevig IT-systeem voor business intelligence en analyse, dat grote hoeveelheden testresultaatgegevens kan analyseren en lab managers kan helpen bij de verbetering van lab-inzet door snel bronnen van onnodig testen te vinden.10 Met behulp van deze technologie kunnen labs hun testbelasting beter managen door onnodige tests uit te sluiten en meer waarde te leveren met de testen die ze wel uitvoeren.

 

6. Kunstmatige intelligentie bij medisch beeldgebruik

 

Kunstmatige intelligentiesystemen kunnen zorgprofessionals helpen met het diagnosticeren van ziekten op basis van medische afbeeldingen. Een recente meta-analyse toonde aan dat de diagnostische prestaties van deep learning modellen vergelijkbaar waren met die van zorgprofessionals. Ondanks de geuite zorgen in de onderzoeksmethodologieën van de individuele onderzoeken die in de meta-analyse zaten, biedt deze toepassing van kunstmatige intelligentie een enorm potentieel. Daarbij is de bevinding dat de kwaliteit van het onderzoek in de loop van de tijd is toegenomen, bemoedigend.11

 

Healthcare Transformers NL ehealth in de zorg
Samen de barrières overwinnen

Sommige barrières moeten overwonnen worden. Denk daarbij aan dataprivacy, de rol van artsen in een digitale toekomst en ‘solutionisme’, ook wel het geloof dat technologie complexe en vaak slecht gedefinieerde gezondheidsissues moeiteloos zal oplossen. Tegelijkertijd spreken de voordelen voor zich: digitale trends in de diagnostiek hebben het potentieel om de werkwijzen op het gebied van beeldgebruik en in vitro diagnostiek te veranderen en gezondheidszorg toegankelijker en betaalbaarder te maken, terwijl de resultaten voor patiënten worden verbeterd.

Referenties

  1. Rohr et al. (2016). PLos One 11, e0149856
  2. Second WHO Model List of Essential In Vitro Diagnostics, World Health Organization. Report available from here  [Accessed May 2021]
  3. McCormack and Holmes. (2020). BMJ 368:m149 
  4. Committee on Diagnostic Error in Health Care; Board on Health Care Services; Institute of Medicine; The National Academies of Sciences, Engineering, and Medicine.(2015). National Academies Press (US). Book excerpt available from here  [Accessed May 2021]
  5. Abel, G. (2015) Expert Rev Mol Diagn. 15(7):853-5. 
  6. Genetic Alliance; The New York-Mid-Atlantic Consortium for Genetic and Newborn Screening Services. (2009). Available from here  [Accessed May 2021] 
  7. National Institutes of Health Genetics Home Reference. Website available from here  [Accessed September 2020]
  8. Dunn, J et al (2018) Personalized Medicine, Vol. 15, No. 5 
  9. Bresnick, J. (2017) Article available from here  [Accessed September 2020]
  10. Joseph, T. (2016). Article available from here  [Accessed September 2020] 
  11. Liu, X et al (2019). The Lancet Digital Health. Vol. 1, Issue 6, E271-E297