Moleculaire diagnostiek (MD) is essentieel voor persoonlijke behandeling van oncologiepati毛nten. Er is echter een gebrek aan inzicht in het gebruik van MD en bijbehorende resultaten op landelijk niveau in de klinische praktijk. Dit is problematisch is gezien de snelle innovaties in dit vakgebied en suboptimale behandelingen van pati毛nten. De snelle ontwikkeling met nieuwe biomarkers en technieken in de zorg vraagt om regelmatige updates van op klinisch bewijs gebaseerde richtlijnen, maar ook een systeem van korte evaluatiecycli om de naleving en effectiviteit van deze richtlijnen te monitoren.
Een lerend zorgsysteem kan bijdragen aan de verbetering van MD-toepassingen door gebruik te maken van real-world data om richtlijnen te evalueren en bij te stellen. Echter, de beperkte beschikbaarheid van deze data en de narratieve vorm van richtlijnen bemoeilijken dit proces. Dit werd ook bevestigd in het 'uitvoeringstraject moleculaire diagnostiek' van Zorginstituut Nederland, dat aangaf dat een effectieve evaluatie van MD alleen mogelijk is met gekoppelde data over MD, behandelingen en uitkomsten.
In reactie hierop heeft het project als doel een praktijkmonitor voor MD te ontwikkelen, waarmee de haalbaarheid van een dergelijk systeem kan worden onderzocht. Het project werkt samen met wetenschappelijke verenigingen, database-eigenaren en het Zorginstituut Nederland om een blauwdruk voor een permanente monitor te ontwikkelen, die toepasbaar is voor diverse medische indicaties. Twee indicaties, niet-kleincellig longcarcinoom en endometriumcarcinoom, zijn geselecteerd om de verschillende stadia van MD-implementatie te representeren en de effectiviteit van de monitor te testen.
Voor de methodologie werd de Design Study benadering gekozen voor het ontwerpen, ontwikkelen en evalueren van een prototype dashboard, in samenwerking met artsen, beleidsmakers en informatici. Het ontwerp werd opgesteld op basis van een programma van eisen, literatuuronderzoek en analyse van het Nictiz interoperabiliteitsmodel. Tijdens groepssessies en interviews werden de requirements verder afgestemd en het ontwerp verbeterd en ge毛valueerd.
De resultaten tonen dat het combineren van real-world data en computationele richtlijnen voor MD waardevolle inzichten biedt. Een prototype-dashboard werd succesvol ontworpen, ontwikkeld en ge毛valueerd om richtlijnwerkgroepen te ondersteunen in het analyseren en verbeteren van richtlijnen. Met visualisaties die bijvoorbeeld de verbanden tussen biomarkers, behandelingen en uitkomstmaten weergaven. Evenals de beperking in beschikbare data. Ook werden ook inzicht in welke data nog niet volledig kon worden ge毛xtraheerd uit de beschikbare data. Ook werden er visualisaties ontwikkeld voor de toekomstige verbeteringen van het dashboard. Consensus werd bereikt over de verdere ontwikkeling en praktische toepassing van het prototype-dashboard, en het ontwerp voldeed grotendeels of volledig aan 22 van de 29 deelvragen van Zorginstituut Nederland en andere verzamelde aandachtspunten.
Conclusie is dat computationele richtlijnen voor real-world data gedetailleerde inzichten leveren in praktijkrichtlijnen, waarmee een basis wordt gelegd voor een lerend gezondheidssysteem. Deze aanpak ondersteunt continu leren vanuit de klinische praktijk, waardoor richtlijnen voortdurend kunnen worden geoptimaliseerd voor meer gepersonaliseerde zorg. Verbeterpunten richten zich op de toegankelijkheid van RWD, computationele verwerking van richtlijnen, en de gebruiksvriendelijkheid van het dashboard. Het ontwerp vormt onderdeel van het adviesrapport dat wordt gepubliceerd door Zorginstituut Nederland, gericht op het afstemmen en verbeteren van MD in de praktijk.