Klinische verslaglegging in de huisartsenpraktijk vraagt altijd om een afweging. Het narratieve verslag legt onzekerheid, context en nuance vast in de eigen woorden van de zorgverlener. Maar nu huisartsenpraktijken onder toenemende druk staan om nauwkeurige, gecodeerde gegevens aan te leveren voor nationale registers, Quality and Outcomes Frameworks (QOF) en dashboards van geïntegreerde zorgsystemen (ICS), ondermijnt datzelfde narratieve verslag de kwaliteit van populatiegezondheidsgegevens op grote schaal. De kloof tussen hoe zorgverleners zorg documenteren en wat rapportagesystemen kunnen lezen, is geen klein technisch ongemak. Het is een structureel probleem met meetbare gevolgen voor ziekteregisters, toewijzing van middelen en gezondheidsgelijkheid.

Wat ongestructureerde vrije-tekstdocumentatie in de praktijk betekent

In de context van huisartsenconsulten zijn vrije-tekstnotities narratieve invoer die rechtstreeks in het medisch dossiersysteem worden geschreven in de eigen taal van de zorgverlener. Ze verschillen van gestructureerde, gecodeerde velden die gestandaardiseerde identificatiecodes toewijzen aan diagnoses, symptomen, medicatie en uitkomsten. Een huisarts kan bijvoorbeeld "patiënt meldt zich somber te voelen, verstoorde slaap, verminderde eetlust, waarschijnlijk depressie, afwachtend beleid besproken" in een notitieveld typen. Die invoer is klinisch betekenisvol, maar voor een rapportagesysteem is het onzichtbaar.

Vrije tekst blijft om begrijpelijke redenen de dominante vorm van klinische verslaglegging in de eerstelijnszorg. Het is sneller dan navigeren door gestructureerde templates tijdens een consult van tien minuten. Het biedt ruimte voor klinische onzekerheid: aandoeningen die worden vermoed maar niet bevestigd, symptomen die nog niet in een diagnostische categorie passen, of door patiënten gerapporteerde ervaringen die zich niet laten vangen in gestandaardiseerde labels.

Het behoudt de relationele textuur van een consult op een manier die een dropdownmenu niet kan. Meer dan 80 procent van de digitale gezondheidszorggegevens is ongestructureerd, en de eerstelijnszorg vormt daarop geen uitzondering.

Hoe populatiegezondheidsrapportage werkt in huisartsenpraktijken

Populatiegezondheidsrapportage in de huisartsenpraktijk is bijna volledig afhankelijk van gestructureerde, machineleesbare gegevens. Wanneer een zorgverlener tijdens of na een consult een SNOMED CT-code (Systematized Nomenclature of Medicine Clinical Terms, een gestandaardiseerde medische terminologie) toewijst aan een diagnose of klinische bevinding, wordt die code op een manier in het medisch dossiersysteem vastgelegd die kan worden geëxtraheerd, geaggregeerd en gerapporteerd.

Ziekteregisters voor aandoeningen zoals diabetes, hypertensie, chronische obstructieve longziekte en ernstige psychische aandoeningen worden opgebouwd uit deze gecodeerde invoer. QOF-indicatoren worden hierop berekend. ICS-dashboards en planningstools van integrated care boards (ICB, regionale samenwerkingsverbanden voor gezondheidszorg) maken hier gebruik van.

Nationale auditprogramma's, waaronder de National Diabetes Audit en de Primary Care Network (PCN) dashboardmetrieken die door NHS England worden gebruikt, zijn afhankelijk van dezelfde gestructureerde datalaag. Dat geldt ook voor de risicostratificatietools die ICB's gebruiken om cohorten met hoge zorgbehoefte te identificeren en middelen te richten op onderbedeelde populaties. Geen van deze systemen kan een vrije-tekstnarratief uitlezen. Klinische verslagen die in vrije tekst zijn geschreven, kunnen niet gemakkelijk worden vertaald naar gestructureerde gegevensvelden, wat resulteert in ontbrekende informatie over symptomen, blootstellingen en uitkomsten.

Waar vrije-tekstnotities de rapportageketen doorbreken

De foutpunten zijn specifiek en goed gedocumenteerd. Wanneer een zorgverlener een nieuwe diagnose in een consultverslag vastlegt zonder een bijbehorende SNOMED CT-code toe te wijzen, verschijnt die diagnose niet in het ziekteregister. Wanneer een risicofactor zoals rookstatus, alcoholgebruik of familiaire voorgeschiedenis van hart- en vaatziekten alleen in narratieve tekst wordt vastgelegd, wordt deze niet meegeteld in de gestructureerde velden die QOF-indicatoren of risicoscores aansturen.

Wanneer een uitkomst zoals een verwijzingsbeslissing of een medicatiewijziging in vrije tekst wordt beschreven in plaats van gecodeerd, gaat deze verloren voor elke downstream-rapportage.

Onderzoek met 2,9 miljoen patiëntendossiers uit een Nederlandse huisartsendatabase heeft kwantitatief aangetoond dat gestructureerde codes en ongestructureerde klinische notities in hoge mate complementair zijn in plaats van redundant. De meeste concepten die in het ene gegevenstype worden vastgelegd, verschijnen niet in het andere. Depressieconsulten bleken sterk afhankelijk van ongestructureerde gegevens, met relatief weinig concepten die alleen in gestructureerde codes werden vastgelegd. Dit betekent dat voor hele klinische domeinen de gegevens die populatiegezondheidsrapporten voeden systematisch onvolledig kunnen zijn.

Een systematische review van 43 Britse studies die klinische vrije tekst gebruikten vond dat studies die vrije-tekstgegevens bevatten een verbeterde nauwkeurigheid vertoonden vergeleken met studies die alleen op gestructureerde codes vertrouwden. Ook bleek dat vrije-tekstgegevens routinematig worden verwijderd voordat dossiers beschikbaar worden gesteld voor onderzoek, waardoor een substantiële bron van populatiegezondheidskennis onbenut blijft. De review benadrukte dat Britse huisartsennotities en geestelijke gezondheidsverslagen bijzonder afhankelijk zijn van vrije-tekstnarratief.

Het probleem strekt zich uit tot hoe nieuwe diagnoses in het dossier terechtkomen. Nieuwe diagnoses worden vaak alleen vastgelegd in brieven die zijn opgeslagen onder administratieve codes zoals "brief van specialist", in plaats van onder de relevante diagnostische code. De klinische informatie is aanwezig in het medisch dossiersysteem, maar wordt opgeslagen op een locatie en in een formaat dat rapportagesystemen niet kunnen benaderen.

Een studie die diagnostische codes vergeleek met natural language processing-analyse (NLP, een techniek waarbij computers menselijke taal verwerken) van vrije-tekstklinische notities in de eerstelijnszorg vond substantieel verschillende prevalentieschattingen, afhankelijk van welke gegevensbron werd gebruikt. De gecodeerde gegevens telden systematisch te weinig gevallen. Toegepast op een populatiegezondheidscontext betekent dit dat ziekteregisters die uitsluitend zijn opgebouwd uit gestructureerde codes routinematig de werkelijke prevalentie zullen onderschatten, en de mate van onderschatting zal variëren per aandoening, zorgverlener en praktijk.

De praktijkgevolgen voor huisartsenpraktijken en ICB's

De downstream-effecten werken op meerdere niveaus tegelijk. Op praktijkniveau verlagen onvolledige ziekteregisters de populatie die in aanmerking komt voor QOF-prestaties, wat de algehele prestatiescores en bijbehorende inkomsten kan verlagen. Als patiënten met een relevante diagnose alleen in vrije tekst worden vastgelegd in plaats van in het ziekteregister, vallen ze buiten de noemer die wordt gebruikt om QOF-prestaties te berekenen, ook al is de klinische zorg mogelijk op de juiste manier geleverd.

Op ICB-niveau zijn de gevolgen diffuser, maar mogelijk significanter. Risicostratificatietools die patiënten toewijzen aan categorieën met hoge, gemiddelde of lage zorgbehoefte zijn afhankelijk van de volledigheid van gecodeerde gegevens. Vertekende of onvolledige gestructureerde gegevens leiden tot onnauwkeurige risicostratificatie van de populatie en, bij uitbreiding, tot beslissingen over toewijzing van middelen die niet de werkelijke populatiebehoefte weerspiegelen.

Cohorten die prioriteit zouden moeten krijgen voor gerichte interventies, zoals mensen met niet-gediagnosticeerde langdurige aandoeningen, mensen met meerdere comorbiditeiten, of mensen uit gemeenschappen met historisch lagere percentages gecodeerde diagnoses, verschijnen mogelijk helemaal niet in de gegevens.

Sociale determinanten van gezondheid en kwaliteit-van-levenmaten worden zelden vastgelegd in gestructureerde medische dossiervelden, en worden in plaats daarvan, als ze al worden gedocumenteerd, in vrije-tekstnotities genoteerd. Dit creëert een specifiek probleem voor monitoring van gezondheidsongelijkheid. Als de gegevens die worden gebruikt om onderbedeelde populaties te identificeren geconcentreerd zijn in een formaat dat rapportagesystemen niet kunnen lezen, blijven die populaties onzichtbaar voor planningsprocessen, wat bestaande ongelijkheid verergert in plaats van aanpakt.

Ziekteregisters en kwaliteit-van-zorgbeoordelingen die medische dossiers gebruiken zullen misleidend zijn als vrije-tekstinformatie niet in aanmerking wordt genomen, een bevinding die is gerepliceerd over meerdere klinische domeinen, waaronder geriatrische syndromen en postoperatieve uitkomsten die bijna uitsluitend in narratieve notities worden vastgelegd.

Waarom zorgverleners standaard kiezen voor vrije tekst

De prevalentie van vrije-tekstdocumentatie is niet primair een gedragsprobleem. Het is een systeemontwerpprobleem.

Gestructureerde templates en coderingsinterfaces in de meeste medische dossiersystemen zijn niet ontworpen rond het tempo en de cognitieve eisen van een huisartsenconsult. Navigeren door dropdownmenu's, zoeken naar de juiste SNOMED CT-code en het invullen van gestructureerde velden kost tijd die niet beschikbaar is in een standaardafspraak.

Klinische onzekerheid, stigma, tijdsdruk en beperkte training van zorgverleners in codering zijn allemaal gedocumenteerde redenen waarom gestructureerde velden onvolledig blijven, zelfs wanneer zorgverleners het belang ervan begrijpen.

De documentatielast in de eerstelijnszorg is reëel en goed onderbouwd. Van zorgverleners vragen te kiezen tussen volledige aandacht geven aan de patiënt die voor hen zit en ervoor zorgen dat hun notities correct zijn gecodeerd, is geen redelijk verzoek. Systemen die dit framen als een nalevingsprobleem in plaats van een workflowontwerpprobleem zullen waarschijnlijk geen duurzame verbetering opleveren.

Handmatige codering van vrije-tekstklinische gegevens is zowel tijdrovend als kostbaar, en de cognitieve belasting van nauwkeurige klinische codering tijdens of direct na een consult is aanzienlijk. Vrije tekst is geen tijdelijke oplossing. Voor veel zorgverleners is het de enige realistische optie gezien de beschikbare tools.

Hoe ambient voice-technologie en AI-assistenten de vergelijking veranderen

De structurele spanning tussen documentatiesnelheid en datakwaliteit is niet onvermijdelijk. Ambient voice-technologie (AVT, een techniek waarbij kunstmatige intelligentie in realtime naar een consult luistert en tegelijkertijd zowel narratieve notities als gestructureerde klinische gegevens genereert) verandert de voorwaarden van de afweging.

In plaats van te eisen dat de zorgverlener kiest tussen het schrijven van een uitgebreid verslag en het toewijzen van de juiste code, kan een AI-medisch assistent die AVT gebruikt beide op de achtergrond doen. De zorgverlener voert het consult uit zoals gebruikelijk. De assistent luistert, genereert een concept-klinisch verslag en toont voorgestelde SNOMED CT-codes ter beoordeling. De zorgverlener beoordeelt en bevestigt, een proces dat seconden in plaats van minuten duurt en het consult zelf niet onderbreekt.

Deze aanpak pakt de hoofdoorzaak van overmatige afhankelijkheid van vrije tekst aan: het feit dat gestructureerde documentatie momenteel meer tijd en cognitieve inspanning vereist dan narratieve documentatie. Innovatieve methoden om de gestructureerde vastlegging van klinische gegevens te verbeteren zijn nodig om het gebruik van routinematig verzamelde klinische gegevens voor patiëntfenotypering en populatiegezondheidsrapportage te faciliteren. Op AVT gebaseerde AI-assistenten zijn een van de meest praktische toepassingen van dit principe in de eerstelijnszorg.

Geautomatiseerde classificatie van ongestructureerde vrije-teksteerstelijnszorggegevens voor schatting van ziekteprevalentie is technisch haalbaar, maar het retrospectief toepassen op bestaande dossiers is zeer arbeidsintensief. De efficiëntere interventie is om te voorkomen dat de datakloof überhaupt ontstaat, door gestructureerde vastlegging op het moment van het consult te ondersteunen.

Hoe goede documentatie eruitziet: gestructureerde notities zonder vertraging van de zorg

Een documentatieworkflow die populatiegezondheidsrapportage echt ondersteunt, heeft verschillende herkenbare kenmerken:

• Automatische codesuggesties die na het consult worden getoond, gebaseerd op wat er tijdens de afspraak is gezegd, zonder dat de zorgverlener handmatig naar codes hoeft te zoeken tijdens of na het consult

• Gestructureerde gegevens die op de achtergrond worden vastgelegd, zodat ziekteregisterinvoer, QOF-relevante indicatoren en verwijzingsbeslissingen in machineleesbaar formaat worden opgeslagen zonder extra handelingen van de zorgverlener

• Templates die worden ingevuld zonder handmatige gegevensinvoer, waarbij gebruik wordt gemaakt van het consulttranscript om gestructureerde velden vooraf in te vullen die anders leeg zouden blijven of in vrije tekst zouden worden ingevuld

• Integratie met het medisch dossiersysteem op datalaagniveau, zodat gestructureerde outputs rechtstreeks naar de relevante velden in het klinische systeem stromen in plaats van een aparte documentatiestap te vereisen

Het onderscheid tussen deze aanpak en traditionele bolt-on coderingstools is groot. Eerdere coderingsondersteuningstools vereisten dat zorgverleners met een aparte interface werkten, handmatig naar codes zochten, of lange lijsten met suggesties beoordeelden die waren gegenereerd uit factureringsgegevens in plaats van klinische inhoud. AI-native benaderingen die werken vanuit het consulttranscript en een klein aantal hoogbetrouwbare codesuggesties in context tonen, zijn wezenlijk anders qua workflowimpact.

Het combineren van gestructureerde en ongestructureerde medische dossiergegevens levert consequent nauwkeurigere patiëntidentificatie en populatiegezondheidskennis op dan elk gegevenstype afzonderlijk. Het doel van AI-ondersteunde documentatie is niet om vrije-tekstnotities te elimineren, die echte klinische waarde hebben, maar om ervoor te zorgen dat de gestructureerde datalaag consistent en nauwkeurig wordt ingevuld naast deze notities.

Belangrijke overwegingen bij het evalueren van AI-documentatietools voor huisartsenpraktijken

Voor besluitvormers in de gezondheidszorg die AI-documentatietools beoordelen in de context van populatiegezondheidsrapportage zijn verschillende criteria bijzonder relevant.

Nauwkeurigheid van SNOMED CT-codesuggesties. De klinische waarde van een AI-assistent hangt af van de nauwkeurigheid en specificiteit van de coderingssuggesties. Tools moeten worden geëvalueerd op basis van echte eerstelijnszorgconsultgegevens, met transparantie over fout-positieve en fout-negatieve percentages voor klinisch significante codes.

Integratiediepte met het medisch dossiersysteem. Een tool die gestructureerde outputs genereert in een eigen formaat in plaats van rechtstreeks naar de relevante gestructureerde velden in het medisch dossiersysteem van de praktijk te schrijven, lost het populatiegezondheidsrapportageprobleem niet op. Integratie op datalaagniveau, niet alleen op interfacelaagniveau, is de relevante standaard.

Gegevensbeveiliging en privacy. Huisartsenconsultgegevens behoren tot de meest gevoelige persoonlijke gegevens die in welke sector dan ook worden verwerkt. Tools moeten voldoen aan de Britse General Data Protection Regulation (AVG/GDPR, de Europese privacywetgeving), met duidelijke documentatie van gegevensopslag, verwerkingsovereenkomsten en toegangscontroles. ISO 27001-certificering (de internationale standaard voor informatiebeveiligingsbeheer) is een basisverwachting.

Classificatie als medisch hulpmiddel. AI-tools die klinische documentatie- en coderingsbeslissingen beïnvloeden kunnen worden geclassificeerd als medische hulpmiddelen onder de Britse Medical Device Regulation (MDR, de Britse regelgeving voor medische hulpmiddelen). Praktijken en ICB's moeten de regelgevingsstatus van elke tool die wordt geëvalueerd bevestigen en begrijpen welke klinische veiligheidsverplichtingen die classificatie met zich meebrengt.

Bewijs van praktijkprestaties in de eerstelijnszorg. Peer-reviewed bewijs, of op zijn minst onafhankelijk gevalideerde prestatiegegevens uit Britse eerstelijnszorgsettings, moet beschikbaar zijn voordat op grote schaal wordt uitgerold. Prestaties in de tweedelijnszorg of Amerikaanse gezondheidszorgcontexten voorspellen niet betrouwbaar de prestaties in de Britse huisartsenpraktijk.

Documentatiekwaliteit is een populatiegezondheidskwestie

De kwaliteit van populatiegezondheidsgegevens is onlosmakelijk verbonden met hoe individuele zorgverleners individuele consulten documenteren. Elke vrije-tekstinvoer die een klinisch significante bevinding bevat, zoals een nieuwe diagnose, een ongecontroleerde risicofactor of een verslechterende chronische aandoening, maar niet vergezeld gaat van een gestructureerde code, vertegenwoordigt een kloof in de gegevens die ziekteregisters, QOF-berekeningen en ICB-planningstools voeden.

Dit is geen probleem dat kan worden opgelost door zorgverleners te vragen zorgvuldiger te coderen. De documentatielast in de eerstelijnszorg is al aanzienlijk, en hieraan toevoegen is noch duurzaam noch effectief. De praktische weg vooruit is om de relatie tussen consult en documentatie te veranderen, door AI-assistentie te gebruiken om ervoor te zorgen dat gestructureerde gegevensvastlegging gebeurt als een bijproduct van klinische zorg in plaats van als een extra taak die erbovenop komt.

Voorspellende modellen die zowel gestructureerde gegevens als ongestructureerde narratieve notities gebruiken presteren consequent beter dan modellen die slechts één van beide gegevenstypen gebruiken. Hetzelfde principe geldt voor populatiegezondheidsrapportage: het meest nauwkeurige en complete beeld van populatiegezondheid ontstaat wanneer gestructureerde en ongestructureerde gegevens samen, consistent, op het moment van zorg worden vastgelegd. Dit op schaal bereiken, over een huisartsenpraktijk of een ICB, is een van de meest impactvolle infrastructuurbeslissingen die vandaag beschikbaar zijn voor besluitvormers in de gezondheidszorg.

Veelgestelde vragen

▶ Waarom veroorzaakt vrije-tekstklinische documentatie problemen voor populatiegezondheidsrapportage?

Populatiegezondheidsrapportage is afhankelijk van gestructureerde, machineleesbare gegevens. Wanneer een zorgverlener een diagnose of risicofactor in een narratieve notitie vastlegt zonder een bijbehorende SNOMED CT-code (Systematized Nomenclature of Medicine Clinical Terms, een gestandaardiseerde medische terminologie) toe te wijzen, is die informatie onzichtbaar voor ziekteregisters, Quality and Outcomes Framework-berekeningen en dashboards van geïntegreerde zorgsystemen. Het klinische detail is aanwezig in het dossier, maar rapportagesystemen kunnen het niet lezen.

▶ Hoeveel klinische gegevens in de eerstelijnszorg zijn ongestructureerd?

Onderzoek suggereert dat meer dan 80 procent van de digitale gezondheidszorggegevens ongestructureerd is, en de eerstelijnszorg vormt daarop geen uitzondering. Vrije-tekstnarratieve notities zijn de dominante vorm van klinische verslaglegging in huisartsensettings, wat betekent dat een aanzienlijk deel van klinisch betekenisvolle informatie nooit de gestructureerde datalaag binnenkomt die rapportagesystemen voedt.

▶ Wat zijn de praktische gevolgen voor huisartsenpraktijken wanneer documentatie onvolledig is?

Op praktijkniveau betekenen onvolledige ziekteregisters gemiste Quality and Outcomes Framework-punten en verloren inkomsten. Als een diagnose alleen in vrije tekst wordt vastgelegd, verschijnt de patiënt niet in het relevante register en kan de praktijk de bijbehorende betalingen niet claimen, ook al is de klinische zorg geleverd. Op integrated care board-niveau (ICB, regionale samenwerkingsverbanden voor gezondheidszorg) leiden vertekende gestructureerde gegevens tot onnauwkeurige risicostratificatie en beslissingen over toewijzing van middelen die niet de werkelijke populatiebehoefte weerspiegelen.

▶ Waarom kiezen zorgverleners standaard voor vrije-tekstnotities in plaats van gestructureerde codering?

De prevalentie van vrije-tekstdocumentatie is een systeemontwerpprobleem, geen gedragsprobleem. Navigeren door dropdownmenu's en zoeken naar de juiste SNOMED CT-code kost tijd die niet beschikbaar is in een standaard consult van tien minuten. Klinische onzekerheid, stigma, tijdsdruk en beperkte training in codering zijn allemaal gedocumenteerde redenen waarom gestructureerde velden onvolledig blijven. Voor veel zorgverleners is vrije tekst de enige realistische optie gezien de beschikbare tools.

▶ Welke klinische gebieden worden het meest getroffen door afhankelijkheid van vrije-tekstdocumentatie?

Onderzoek met 2,9 miljoen patiëntendossiers uit een Nederlandse huisartsendatabase vond dat depressieconsulten bijna uitsluitend afhankelijk zijn van ongestructureerde gegevens. Een systematische review van 43 Britse studies vond dat Britse huisartsennotities en geestelijke gezondheidsverslagen bijzonder afhankelijk zijn van vrije-tekstnarratief. Sociale determinanten van gezondheid en kwaliteit-van-levenmaten worden ook zelden vastgelegd in gestructureerde velden, wat specifieke problemen oplevert voor monitoring van gezondheidsongelijkheid.

▶ Hoe helpt ambient voice-technologie met gestructureerde klinische documentatie?

Ambient voice-technologie (AVT, een techniek waarbij kunstmatige intelligentie in realtime naar een consult luistert en tegelijkertijd zowel een narratieve notitie als voorgestelde SNOMED CT-codes genereert) gebruikt kunstmatige intelligentie om in realtime naar een consult te luisteren. De zorgverlener voert het consult normaal uit. De AI-assistent stelt de notitie op en toont codesuggesties ter beoordeling, een proces dat seconden duurt en de afspraak niet onderbreekt. Dit betekent dat gestructureerde gegevensvastlegging naast het consult gebeurt in plaats van als een aparte taak achteraf.

▶ Betekent het gebruik van AI-assistentie het verwijderen van vrije-tekstnotities uit klinische dossiers?

Nee. Het doel van AI-ondersteunde documentatie is niet om vrije-tekstnotities te elimineren, die echte klinische waarde hebben. Onderzoek toont consequent aan dat het combineren van gestructureerde en ongestructureerde gegevens nauwkeurigere patiëntidentificatie en populatiegezondheidskennis oplevert dan elk gegevenstype afzonderlijk. Het doel is om ervoor te zorgen dat de gestructureerde datalaag consistent en nauwkeurig wordt ingevuld naast narratieve notities, niet om het ene door het andere te vervangen.

▶ Waar moeten huisartsenpraktijken en integrated care boards op letten bij het evalueren van AI-documentatietools?

Belangrijke criteria zijn onder meer de nauwkeurigheid van SNOMED CT-codesuggesties, de diepte van integratie met het medisch dossiersysteem van de praktijk, en naleving van de Britse General Data Protection Regulation (AVG/GDPR, de Europese privacywetgeving) inclusief duidelijke gegevensopslag en toegangscontroles. ISO 27001-certificering (de internationale standaard voor informatiebeveiligingsbeheer) is een basisverwachting. Praktijken moeten ook bevestigen of een tool is geclassificeerd als een medisch hulpmiddel onder de Britse Medical Device Regulation (MDR, de Britse regelgeving voor medische hulpmiddelen), en zoeken naar onafhankelijk gevalideerde prestatiegegevens uit specifiek Britse eerstelijnszorgsettings.

▶ Hoe beïnvloedt onvolledige gestructureerde gegevens gezondheidsgelijkheid?

Risicostratificatietools die cohorten met hoge zorgbehoefte identificeren, zijn afhankelijk van volledige gecodeerde gegevens. Wanneer klinisch significante informatie alleen in vrije-tekstnotities staat, verschijnen gemeenschappen met historisch lagere percentages gecodeerde diagnoses mogelijk helemaal niet in planningsgegevens. Sociale determinanten van gezondheid worden zelden vastgelegd in gestructureerde velden, dus de populaties die gerichte interventies het meest nodig hebben, kunnen onzichtbaar blijven voor de processen die zijn ontworpen om hen te bereiken.

▶ Is geautomatiseerde codering van bestaande vrije-tekstdossiers een praktische oplossing?

Geautomatiseerde classificatie van ongestructureerde vrije-tekstgegevens met behulp van natural language processing (NLP, een techniek waarbij computers menselijke taal verwerken) is technisch haalbaar, maar het retrospectief toepassen op bestaande dossiers is zeer arbeidsintensief. Onderzoek toont ook aan dat vrije-tekstgegevens routinematig worden verwijderd voordat dossiers beschikbaar worden gesteld voor analyse, wat beperkt wat retrospectieve tools kunnen benaderen. De efficiëntere aanpak is om te voorkomen dat de datakloof überhaupt ontstaat door gestructureerde vastlegging op het moment van het consult te ondersteunen.