Routine outcome monitoring to improve mental healthcare practice for patients with severe mental illness: Insights from a micro, meso and macro perspective

“Routine outcome monitoring bij ernstige psychiatrische aandoeningen”

Patiënten met ernstige psychiatrische aandoeningen (EPA) hebben langdurige psychische klachten. Deze gaan vaak gepaard met problemen op andere gebieden, zoals op sociaal-maatschappelijk vlak. De behandeling vraagt om een intensieve en multidisciplinaire aanpak. In de praktijk blijkt het lastig om de zorg voor deze groep patiënten goed in te richten. Geconfronteerd met een grote zorgvraag en een beperkt pakket aan middelen staat de GGZ voor een grote uitdaging om efficiënter te werken.

Routine outcome monitoring (ROM) is een methodiek waarbij herhaaldelijk voortgangsmetingen worden verricht ter ondersteuning van de behandeling van de patiënt. ROM wordt zowel ingezet op individueel niveau, als op organisatieniveau en in het GGZ-systeem als geheel.

Het proefschrift van Sascha Kwakernaak laat zien dat ROM-data goede aanknopingspunten geven voor verbetering van de zorg en richt zich op 3 niveaus: micro (individu), meso (organisatie) en macro (GGZ zorgstelsel). Het onderzoek richt zich vooral op de zorg voor patiënten met psychotische aandoeningen, omdat zij een groot deel van de EPA-populatie uitmaken. De ROM-data die gebruikt zijn in het onderzoek zijn afkomstig van de Zorgmonitor (Altrecht) en het GROUP-project1.

Op microniveau is ROM-data ondersteunend in het bepalen van de behandelfocus. Consistent gebruik van de data door clinici geeft meer inzicht in de behoeften van patiënten. Daardoor is meer op maat gesneden zorg mogelijk. Bovendien veranderen de ernst van de symptomen en het niveau van functioneren in de loop van de tijd en lijken ze voor een groot deel onafhankelijk van elkaar te zijn. Daarnaast komt naar voren dat de behandeling niet alleen gericht moet zijn psychiatrische symptomen, maar ook op sociaal-maatschappelijk gebied, zoals werk, dagbesteding en sociaal contact. Dit vereist samenwerking en afstemming tussen GGZ-organisaties en maatschappelijke dienstverlening.

Op mesoniveau blijkt ROM-data, naast voorgaand zorggebruik, goede voorspellers zijn om inzicht te krijgen in toekomstige zorggebruik. Een kleine groep patiënten zorgt voor een groot deel van de totale GGZ-kosten, maar het zorggebruik van deze groep is moeilijk te voorspellen. Door ROM te combineren met machine learning technieken kunnen we toekomstig zorggebruik steeds nauwkeuriger voorspellen. Voor GGZ-organisaties is een goed beleid ten aanzien van ROM daarom essentieel. Dit draagt onder andere bij aan transparante onderhandelingen tussen zorgaanbieders en financiers. Omdat ROM-data inzicht geven in de zorgvraag kunnen aanbieders hun middelen efficiënter inzetten. Gelet op de lange wachtlijsten en een tekort aan zorgprofessionals is dit erg belangrijk.

Op macroniveau is het indelen van patiënten met EPA in groepen een uitdaging. Met een verdeling van patiënten op basis van eerder zorggebruik kan geen duidelijk onderscheid worden gemaakt tussen de groepen met betrekking tot zorgbehoeften en beperkingen in functioneren. Om toe te werken naar een vraaggericht en transparant systeem is het wenselijk om informatie over zorggebruik te combineren met ROM-data. In zo’n situatie is de kans groter dat men tot gemeenschappelijke doelen komt.