Onze werkwijze

• We formuleren samen de onderzoeksvraag en bepalen KPI’s/uitkomsten.
• We leggen definities vast (bijv. “incident”, “herindicatie”, “medicatiegebruik”) zodat iedereen hetzelfde bedoelt.

• We bepalen welke tabellen/velden nodig zijn.
• We bepalen vooraf een aantal governance regels om de privacy van cliënten te borgen (bijvoorbeeld aggregeren met N>10 om herleidbaarheid naar individuen te voorkomen).

• Identificeerbare gegevens worden vervangen door codes (pseudoniemen).
• Alleen strikt noodzakelijke gegevens worden verwerkt.
• Daarna wordt data veilig beschikbaar gesteld binnen de onderzoeksomgeving.

• We controleren op compleetheid, consistentie, dubbelingen, tijdslijnen en plausibiliteit.
• We doen beschrijvende analyses (populatie, trends, variatie tussen teams/locaties), risicofactor-analyses, evaluatie van beleid/interventies, en/of tekstanalyse op vrije velden (bijv. signalen, thema’s, terminologie).
• We documenteren herkomst, transformaties en beperkingen (essentieel voor interpretatie).

• We toetsen uitkomsten met zorgprofessionals en inhoudelijke experts.
• We checken “is dit logisch?” en “welke interpretatie is verantwoord?”

• Rapportage, dashboard of beslisdocument (afhankelijk van doelgroep).
• Advies voor borging: definities, meetplan, monitoring en vervolgvragen.

Wat weten we wel en wat weten we niet? We vermijden black-box-resultaten en leggen expliciet uit wat de data ondersteunt én waar interpretatiegrenzen liggen.

Grafieken, heatmaps, trendanalyses, beslisregels of scorecards – afgestemd op de doelgroep (zorgprofessionals, management, beleidsmakers) – zodat inzichten meteen bruikbaar zijn in overleg én besluitvorming.

Handvatten voor het verbeteren van processen, registratie, interventies of beleid en/of concrete voorstellen voor vervolgstudies of experimenten op basis van de uitkomsten.

Volledige documentatie van definities, variabelen, transformaties en analyse-stappen. Dit zorgt voor transparantie, reproduceerbaarheid en naleefbaarheid bij hergebruik, benchmarking of wetenschappelijke publicatie.

Waar mogelijk leveren we — binnen privacy- en governancekaders — geanonimiseerde of gepseudonimiseerde datasets die klaar zijn voor secundaire analyses of integratie in vervolgonderzoek.

In overleg werken we analyseresultaten uit tot formats die aansluiten bij academische publicaties (abstracts, preprints, full papers) en geven we lezingen op wetenschappelijke congressen.

Voor partijen die meerdere cycli of organisaties vergelijken: inzicht in variatie, trends over tijd en relatieve prestaties op sleutelindicatoren.

Routekaarten om de inzichten te borgen in werkprocessen (of althans een aanzet daartoe), plannen voor follow-up en afspraken over hoe secundair gebruik van zorgdata doelgericht worden ingezet.

• We formuleren samen de onderzoeksvraag en bepalen KPI’s/uitkomsten.
• We leggen definities vast (bijv. “incident”, “herindicatie”, “medicatiegebruik”) zodat iedereen hetzelfde bedoelt.

• We bepalen welke tabellen/velden nodig zijn.
• Ook bepalen we met de aangesloten zorgorganisaties de ‘governanceregelsets’: hoe en onder welke voorwaarden werken we samen in deze datasamenwerking?

• De data-infrastructuur van deelnemende zorgorganisaties wordt op elkaar afgestemd
• Alleen strikt noodzakelijke gegevens worden ter beschikking gesteld.

• Dezelfde analyse draait bij elke deelnemer.
• Uitkomsten worden samengevoegd tot een totaalbeeld (zonder herleidbaarheid). Uitkomsten zijn anoniem.
• AI modellen kunnen lokaal leren van data bij meerdere organisaties, zonder data te delen. Zo groeit de kracht van de analyses terwijl privacy maximaal geborgd blijft.

• We bespreken resultaten met zorgprofessionals en inhoudelijke experts: wat is context, wat verklaart variatie?
• We vertalen dit naar sectorbrede inzichten én lokale verbeterkansen.
• Indien mogelijk delen wij de uitkomsten met een breder publiek.

• Rapportage, dashboard of beslisdocument (afhankelijk van doelgroep).
• Advies voor borging: definities, meetplan, monitoring en vervolgvragen.

Inzicht in overeenkomsten en verschillen tussen organisaties, regio’s of doelgroepen, waarbij onderliggende data altijd lokaal blijft. Dit maakt het mogelijk om patronen te herkennen, goede voorbeelden te identificeren en realistische referentiewaarden te ontwikkelen.

Eenduidige definities van uitkomsten, indicatoren en populaties, ontwikkeld en gevalideerd met meerdere organisaties. Dit voorkomt interpretatieverschillen en vormt een stevige basis voor zowel praktijkverbetering als wetenschappelijk onderzoek.

Standaard analyses die lokaal uitgevoerd kunnen worden, met vastgelegde aannames, berekeningen en outputstructuren. Hierdoor zijn resultaten reproduceerbaar, vergelijkbaar en geschikt voor herhaalgebruik in nieuwe samenwerkingen.

Niet alleen cijfers, maar ook duiding: waar komt variatie vandaan, wat kan verklaard worden door context, registratie of organisatiekenmerken, en wat vraagt om nader onderzoek?

Een infrastructuur waarmee organisaties periodiek dezelfde analyses kunnen uitvoeren, zodat trends over tijd zichtbaar worden en verbeteracties gevolgd kunnen worden — zonder extra datadeling of administratieve lasten.

AI modellen kunnen lokaal leren van data bij meerdere organisaties (federated learning), waarbij alleen modelparameters worden gedeeld. Dit maakt het mogelijk om voorspellende of ondersteunende modellen te ontwikkelen die profiteren van sectorbrede kennis, met privacy by design.

Resultaten die die rekening houden met de complexiteit van zorgdata uit de praktijk, maar die ook verkregen zijn volgens de academische aanpak en vertaald kunnen worden naar wetenschappelijke publicaties.

Niet éénmalige analyses, maar een gezamenlijke basis waarop vervolgonderzoek, beleidsontwikkeling en innovatie kunnen voortbouwen.