Elfi Verheul

Kwaliteit van zorg is een centraal maar complex begrip binnen de gezondheidszorg. Volgens het klassieke raamwerk van Donabedian kan kwaliteit worden beoordeeld aan de hand van drie domeinen: structuren, processen en uitkomsten. Deze drie domeinen vormen de basis voor het ontwikkelen van kwaliteitsindicatoren waarmee zorg systematisch kan worden gemeten en vergeleken. Hoewel alle drie de domeinen belangrijk zijn, leggen moderne zorgsystemen in toenemende mate de focus op uitkomsten. Tot die uitkomsten behoren zowel klassieke klinische uitkomsten, zoals complicaties en overleving, als patiënt gerapporteerde uitkomsten (PROs) die de ervaren kwaliteit van leven meten.

Het systematisch meten en gebruiken van deze uitkomsten biedt kansen om zowel zorgsystemen als individuele behandelkeuzes te verbeteren en te ondersteunen. Tegelijkertijd stelt dit hoge eisen aan de validiteit, betrouwbaarheid en interpretatie van uitkomstinformatie. Verschillen in patiëntpopulaties tussen ziekenhuizen (case-mix), statistische onzekerheid (betrouwbaarheid) en datakwaliteit kunnen bijvoorbeeld de resultaten beïnvloeden. Een zorgvuldige methodologische aanpak is daarom essentieel om uitkomstinformatie op een betekenisvolle manier toe te passen.

Dit proefschrift onderzoekt hoe uitkomstinformatie betrouwbaar en betekenisvol kan worden gebruikt. Deel I richt zich op het gebruik van uitkomstinformatie voor continue kwaliteitsverbetering via ziekenhuisvergelijkingen, terwijl deel II laat zien hoe predictiemodellen uitkomstinformatie kunnen vertalen naar gepersonaliseerde besluitvorming of persoonlijk verwachtingsmanagement in de klinische praktijk.

Deel I: Gebruik van uitkomstinformatie om continue kwaliteitsverbetering te stimuleren
In hoofdstuk 2 wordt door middel van een literatuurstudie onderzocht welke kankeruitkomsten worden gebruikt voor ziekenhuisvergelijkingen (benchmarking) in Europa en hoe case-mixcorrectie wordt toegepast. De studie laat zien dat benchmarking slechts in enkele landen plaatsvindt, vaak met nadruk op korte termijnuitkomsten (≤90 dagen) en zonder gestandaardiseerde en gevalideerde case-mixmodellen. Er bestaat bovendien weinig transparantie over de gehanteerde methodologie van de case-mix modellen als deze wel gebruikt zijn, wat de vergelijkbaarheid in en tussen landen beperkt. Deze bevindingen benadrukken dat benchmarking van kankeruitkomsten momenteel gefragmenteerd en methodologisch onvoldoende onderbouwd is. Er is dringend behoefte aan geharmoniseerde definities, uniforme benaderingen voor case-mix modellen en transparante rapportage, zodat uitkomstgerichte zorg nationaal en internationaal kan worden vergeleken en verbeterd.

Hoofdstuk 3 richt zich op de validiteit van kwaliteitsindicatoren en beschrijft de ontwikkeling van een case-mixmodel. Zo’n model corrigeert voor patiënt- en tumorkarakteristieken, zodat ziekenhuizen op basis van vergelijkbare patiëntpopulaties met elkaar kunnen worden vergeleken. Het is immers niet wenselijk dat verschillen in ziekenhuisprestaties in werkelijkheid slechts de samenstelling van patiëntengroepen weerspiegelen. Hoofdstuk 3 richt zich specifiek op de kwaliteitsindicator ‘complicaties na borstkankerchirurgie’. De resultaten laten zien dat, na stratificatie naar type chirurgie, verdere case-mixcorrectie nauwelijks invloed heeft op de verschillen tussen ziekenhuizen. De patiënt- en tumorfactoren die het risico op complicaties beïnvloeden, bleken gelijkmatig over de ziekenhuizen verdeeld. Dit betekent dat binnen deze indicator stratificatie volstaat en aanvullende correctie niet nodig is. Wel blijft het belangrijk om dit per indicator te evalueren, vooral bij uitkomstindicatoren, waarbij case-mixcorrectie doorgaans een grotere invloed heeft.

Hoofdstuk 4 introduceert een raamwerk om kwaliteitsindicatoren systematisch te beoordelen aan de hand van vier meetbare criteria: databeschikbaarheid, discriminatievermogen, validiteit (case-mix) en betrouwbaarheid. Dit raamwerk is toegepast op de Nederlandse borstkankerregistratie (NBCA: NABON Breast Cancer Audit). De meeste NBCA-indicatoren bleken een hoge databeschikbaarheid en een goed discriminerend vermogen te hebben. Voor enkele indicatoren bleek case-mixcorrectie noodzakelijk. De betrouwbaarheid was daarentegen vaak beperkt. Veel ziekenhuisverschillen bleken gerelateerd aan toeval, wat voorzichtigheid vereist bij publieke rapportage. Dit hoofdstuk laat zien dat veel bestaande kwaliteitsindicatoren wél geschikt zijn voor interne kwaliteitsverbetering, maar nog niet voor publieke vergelijking. Betrouwbaarheid moet daarom een centrale rol spelen bij de beslissing om indicatoren extern te publiceren. Daarnaast laten we zien dat het samenvoegen van gegevens over meerdere jaren de betrouwbaarheid aanzienlijk vergroot en daarmee een praktische oplossing biedt. Het gepresenteerde raamwerk vormt zo een concreet instrument om kwaliteitsindicatoren systematisch te toetsen en de kwaliteit en transparantie van indicatorensets te versterken.

Hoofdstuk 5 past het raamwerk uit hoofdstuk 4 toe op een laagvolumeziekte (mondholtekanker). Door middel van steekproefgrootteberekeningen wordt vastgesteld hoeveel patiënten of jaren nodig zijn voor betrouwbare rapportage. Dit biedt concrete handvatten voor het bepalen van de minimale rapportageperiode die vereist is om kwaliteitsverschillen met voldoende betrouwbaarheid te kunnen identificeren.

Deel II: Gebruik van uitkomsten voor voorspellingen ter ondersteuning van gepersonaliseerde zorg
Waar de eerste helft van dit proefschrift uitkomstinformatie inzet om verschillen tussen ziekenhuizen te begrijpen, gebruikt de tweede helft diezelfde soort informatie om zorg te personaliseren voor de individuele patiënt. Hiervoor focussen we ons op voorspellingsmodellen, die zowel kunnen ondersteunen bij het “samen beslissen” (hoofdstuk 6,7) of kunnen helpen het verwachtingsmanagement voor een patiënt (hoofdstuk 8). In hoofdstuk 6 wordt de nieuwste versie van het predictiemodel PREDICT Breast (v3.1) extern gevalideerd in Nederlandse en Zweedse cohorten, met bijzondere aandacht voor jonge patiënten (≤40 jaar) en patiënten met lobulaire borstkanker. Externe validatie houdt in dat een bestaand model wordt getest in een andere populatie dan waarin het is ontwikkeld, om te beoordelen of het daar eveneens accuraat en betrouwbaar presteert. PREDICT Breast v3.1 presteerde goed in de algemene populatie en bij patiënten met lobulaire borstkanker, maar minder nauwkeurig bij jonge patiënten. Deze resultaten tonen aan dat PREDICT breed toepasbaar is in de klinische praktijk, maar dat de modelprestaties niet uniform zijn voor alle subgroepen. Dit benadrukt de noodzaak van voortdurende validatie en subgroep-specifieke recalibratie om de betrouwbaarheid van gepersonaliseerde overlevingsvoorspellingen te waarborgen.

Hoofdstuk 7 vergelijkt de prestaties van PREDICT Breast v3.1 met de eerdere versie (v2.2) binnen de Nederlandse populatie. Beide modellen voorspelden de overleving accuraat, met slechts kleine verschillen tussen subgroepen. Deze bevindingen, samen met die uit hoofdstuk 6, tonen aan dat herhaalde externe validatie een efficiënte en waardevolle strategie is: het versterkt het klinisch vertrouwen en voorkomt de fragmentatie die ontstaat wanneer voortdurend nieuwe modellen van nul worden ontwikkeld. Systematische validatie en recalibratie van bestaande (en waar mogelijk reeds geïmplementeerde) modellen is daarmee vaak effectiever en duurzamer dan het ontwikkelen van steeds nieuwe, overlappende modellen.

In hoofdstuk 8 worden vijftien voorspellende modellen ontwikkeld en extern gevalideerd voor verschillende domeinen van gezondheid gerelateerde kwaliteit van leven (KvL) na borstkankerchirurgie. In dit geval was nieuwe modelontwikkeling wél gerechtvaardigd, omdat er nog geen bestaande modellen voor KvL-uitkomsten beschikbaar waren en een nieuwe methodologische aanpak werd toegepast die trends over tijd analyseert. De preoperatieve PRO-score (baseline meting) van een specifiek domein bleek de sterkste voorspeller van het postoperatieve traject van hetzelfde domein. De modellen presteerden redelijk in externe validatie en bieden perspectief voor gebruik in gepersonaliseerd verwachtingsmanagement. De reden dat deze modellen niet geschikt zijn om te gebruiken tijdens het “samen beslissen” over de behandelkeuze, is dat ze zijn ontwikkeld op basis van real-world data, waarbij patiënten niet gerandomiseerd zijn toegewezen aan een behandeling. Hierdoor is er sprake van selectiebias: de patiëntengroepen die elk type chirurgie hebben ondergaan, zijn niet vergelijkbaar. Het model kan daarom pas worden toegepast nadat de keuze voor het type chirurgie is gemaakt. Desalniettemin vormt dit hoofdstuk een belangrijke stap richting de toepassing van patiënt gerapporteerde uitkomsten in voorspellende zorg, aangezien het managen van patiëntverwachtingen een cruciale rol speelt. Verdere verfijning en validatie zijn echter noodzakelijk voordat integratie in elektronische zorgpaden kan worden overwogen.

Conclusie
Dit proefschrift belicht zowel de mogelijkheden als de uitdagingen van het gebruik van uitkomstinformatie om de kwaliteit van de kankerzorg te verbeteren. Het benadrukt het belang van een robuuste methodologische aanpak en de noodzaak van transparante rapportage, om valide vergelijkingen van ziekenhuisprestaties mogelijk te maken. De betrouwbaarheid van kwaliteitsindicatoren blijft daarbij een belangrijk aandachtspunt. Het combineren van uitkomsten over meerdere jaren vormt een praktische oplossing om deze betrouwbaarheid te vergroten.

Daarnaast is validiteit cruciaal voor voorspellende modellen: externe validatie waarborgt de nauwkeurigheid en generaliseerbaarheid van modellen over verschillende patiëntengroepen en zorgcontexten heen. Dit verdient prioriteit boven de ontwikkeling van steeds nieuwe modellen, omdat het efficiënter is en, wanneer de prestaties goed zijn (zoals bij PREDICT Breast) het vertrouwen in klinische toepassing versterkt. Het voorspellen van gezondheid gerelateerde KvL vormt ten slotte een belangrijke maar uitdagende volgende stap in het verder personaliseren van de zorg.

Aanbevelingen
1. Zorgsystemen en kwaliteitsregistraties zouden een methodologisch raamwerk moeten hanteren voor de ontwikkeling en validatie van kwaliteitsindicatoren, met expliciete aandacht voor validiteit, betrouwbaarheid en transparante rapportage van de gebruikte methodologie.
2. Publieke rapportage van ziekenhuisindicatoren zou gebaseerd moeten zijn op meerjarige data om toevallige variatie (statistische onzekerheid) te verminderen en de betrouwbaarheid te vergroten.
3. Prioriteit moet worden gegeven aan de externe validatie van bestaande predictiemodellen, boven het ontwikkelen van steeds nieuwe modellen.
4. Voorspellende modellen voor gezondheid gerelateerde KvL bieden een nieuwe kans om zorg verder te personaliseren. Verdere verfijning, validatie en integratie in klinische praktijk zijn noodzakelijk om dit potentieel volledig te benutten.