Kwaliteitssysteem; Inzicht in betrouwbaarheid van teruggekoppelde data
16 januari 2020
Door: Mickey Saes
ClaudicatioNet therapeuten krijgen data teruggekoppeld in hun persoonlijke portfolio’s, zoals ik beschreef in mijn vorige blog. Maar, om de juiste conclusies te kunnen trekken uit de figuren, heb je meer informatie nodig dan de data alleen. Denk hierbij bijvoorbeeld aan informatie over de hoeveelheid achterliggende data.
In deze blog zal ik bespreken hoe een therapeut inzicht kan krijgen in het aantal patiënten waarvan data is gebruikt om een gemiddelde in een figuur te berekenen. Want, hiermee kan de therapeut beoordelen hoe betrouwbaar de resultaten van de figuur zijn.
De figuren in het portfolio van de therapeuten laten gemiddelden zien op basis van de data die tot dan toe is verzameld. Hierdoor kan het zijn dat sommige patiënten, waarvan data zichtbaar is in de figuur, nog niet het volledige behandeltraject van 12 maanden hebben afgerond. Hierdoor kan het aantal patiënten waarvan data wordt teruggekoppeld, verschillen tussen de verschillende meetmomenten.
Als de data op een meetmoment is gebaseerd op een laag aantal patiënten, is de data minder betrouwbaar dan wanneer het is gebaseerd op data van veel patiënten. Daarom hebben therapeuten de mogelijkheid om in te zien op basis van hoeveel patiënten (en therapeuten) de data in een figuur is gebaseerd. Deze informatie staat in een tabel, zoals hieronder is weergegeven voor de maximale loopafstand.
Zo een soort tabel kan bij elke figuur, waarin data wordt teruggekoppeld, zichtbaar worden gemaakt. Op deze manier kan de ClaudicatioNet therapeut een inschatting maken van de betrouwbaarheid van de data. Dit helpt de therapeut om de juiste conclusies uit de figuren te trekken. Dit is belangrijk, want deze conclusies zullen een therapeut helpen om te leren van de eigen data. Wanneer conclusies getrokken worden uit niet-betrouwbare data, zou dit negatieve gevolgen kunnen hebben voor het leerproces van de therapeut. Kortom, om optimaal van data te kunnen leren is inzicht in de betrouwbaarheid van data essentieel.
Volg al onze blogs op LinkedIn.