Bij de meeste patiënten met beginnende rugklachten gaat de pijn snel over. Soms wordt het juist chronisch. Als fysiotherapeut wil je het herstel zo snel mogelijk goed inschatten. En de behandeling hierop aanpassen. Een praktisch en toetsbaar instrument is daarbij nuttig.

Snelle info

Projectleider:

dr. Bart Staal  

Startdatum:

1 september 2018

Status:

Afgerond

Looptijd:

2,5 jaar

Subsidie:

SIA

Aanleiding van het project

Gaat beginnende lage rugpijn snel over of wordt het chronisch? Fysiotherapeuten zoeken een accurate en hanteerbare methodiek om een goede risico-inschatting te maken. En te beoordelen of het nodig is snel een behandeling te starten. We onderzoeken de ontwikkeling van een praktisch, toetsbaar instrument.  

Doel

Het RAAK-MKB onderzoeksproject 'Praktische Predictie' heeft als doel om een praktisch toepasbaar instrument te ontwikkelen. Waarmee fysiotherapeuten bij nieuwe patiënten met lage rugpijn een goede voorspelling kunnen doen van de kans dat de pijnklachten snel overgaan of chronisch worden. Dit doen wij op basis van allerlei verschillende patiëntkenmerken. Denk aan leeftijd, eerdere rugklachten, de mate van fysieke activiteit en sombere gevoelens. Maar ook: het daadwerkelijke herstel van de rugklachten na 3 maanden. Door gebruik te maken van kunstmatige intelligentie technieken (‘machine learning’) willen wij deze grote hoeveelheid data omzetten in een voorspelmodel (‘algoritme’). 

Achtergrond

Het Lectoraat Werkzame Factoren in Fysiotherapie in de Beweegzorg heeft de vraag van fysiotherapeuten opgepakt. En is als projectleider en uitvoerder samen met partners een onderzoek gestart naar de ontwikkeling van een praktisch toepasbaar instrument. 

Verloop van het onderzoek

Het onderzoek duurt 2,5 jaar. En is gestart met een inventarisatie van reeds bestaande en gebruikte instrumenten én de wensen van fysiotherapeuten. Daarna volgt de dataverzameling bij patiënten, die vanwege beginnende rugklachten één van de bijna 100 deelnemende fysiotherapeuten consulteren. Vervolgens meten we via online vragenlijsten verschillende patiëntkenmerken gedurende 3 maanden.  

Machine learning en een voorspelmodel

In samenwerking met het Lectoraat Model-based Information Systems passen we ‘machine-learning’ toe. Om zo vanuit de verzamelde data te leren welke patiëntkenmerken nu het meest voorspellend zijn voor het herstel van de rugklachten. Dit voorspelmodel (‘algoritme’) kunnen we gebruiken om voor nieuwe patiënten een inschatting qua herstel te maken. Maar dan op basis van slechts een paar belangrijke vragen. In een gebruikersvriendelijke app of webapplicatie geven we de individuele voorspelling inzichtelijk weer. Bovendien ondersteunen we de voorspelling door uitleg. Welke antwoorden zorgden er nu voor dat deze voorspelling is gedaan? Dit kan zeer nuttig zijn voor de fysiotherapeut. Zo kan hij/zij de patiënt inzicht geven in het verwachte herstel en er de behandeling op inrichten. 

Maak kennis 

Ons team

Bart Staal

Projectleider
Lector Bart Staal

Jesper Knoop

Projectleider/onderzoeker
Jesper Knoop

Onze partners

De volgende consortiumpartners werken samen met ons aan het project Praktische Predictie: 

  • Radboudumc, afdelingen IQ healthcare en Anesthesiologie, pijn en palliatieve geneeskunde; 
  • Saxion hogeschool, Lectoraat Gezondheid en Bewegen; 
  • Donders Instituut voor Brein, Cognitie en Gedrag van de Radboud Universiteit; 
  • Koninklijk Nederlands Genootschap voor Fysiotherapie (KNGF); 
  • UMC Utrecht, opleiding Fysiotherapiewetenschappen
  • Patiëntenvereniging ‘Rugvereniging De Wervelkolom’ 
  • Bijna 100 fysiotherapiepraktijken. 

Dit project sluit nauw aan bij de HAN-zwaartepunten Health en Smart Region. Ebij de lectoraatsdoelstellingen om de gezondheid en het welzijn van de patiënt met behulp van mono- of multidisciplinaire revalidatie te bevorderen, in nauwe samenwerking met patiënt en praktijk. 

Resultaten

Op dit moment loopt het project nog. Dankzij de deelname van bijna 100 fysiotherapeuten verspreid over Nederland hebben winmiddels data van bijna 300 patiënten verzameld. Zodra dit aantal de 300 gepasseerd heeft, gaan we de analyses uitvoeren. En door middel van machine learning een voorspelmodel maken. Hierbij vergelijken we ook de uitkomsten van de machine learning analyses met traditionele statistische methoden. 

 

  • betrokken opleidingen

    Zoek je een studie die hierbij past? Dan is dit de perfecte opleidingen voor jou. De opleidingen Fysiotherapie heeft het meeste raakvlak met dit project.

     

In contact komen met Praktische Predictie?

Lectoraat Werkzame Factoren in de Beweegzorg

  • jesper.knoop@han.nl
  • Lectoraat Model-based Information Systems: Maya Sappelli

  • maya.sappelli@han.nl
  • Publicaties

    In de publicaties die verschenen zijn binnen het onderzoek 'Praktische predictie' is informatie te vinden over onder meer een praktisch en toetsbaar instrument dat nuttig is bij een snelle inschatting van het herstel en de bijbehorende behandeling.

    Nieuws en artikelen

    Beeld van man met schouder in beeld
    Hand met kompas met een route met mijlpalen.
    De beste houding is de eerstvolgendeAf en toe lage rugpijn hoort bij het leven
    Biologie studenten wandelen door het bos
    Thuisrevalidatie na een beroerteCVA-portaal als casemanager
    bijeenkomst wijkatelier lindenholt- aan tafel studente hurkt en geeft uitleg kalenderklok
    Mensen maken high five, samen pijn de baas, health
    3 ton ZonMw subsidieVirtual Reality als medicijn
    virtual reality, ouder persoon met VR-bril
    focus op rugpijnNachtbrakers op radio 1
    Docent-onderzoeker Jesper Knoop en lector Bart Staal bij radio 1 in Hilversum
    om enkel heen
    COVID19 artist impression
    heeft been vast tijdens massage

    Het Lectoraat Werkzame Factoren in de Beweegzorg

    Toetsing staat volop in de belangstelling. Het wordt voor iedereen in onderwijs duidelijker dat het anders moet én kan. Maar hoe dan precies? Het lectoraat onderzoekt wat wel en niet werkt, en ontwikkelt producten waarmee opleidingen en docententeams praktisch en doelgericht aan de slag kunnen.

    Zwaartepunt
     

    De HAN staat voor Health

    Met Health richt de HAN zich op het verkleinen van sociaal-economische gezondheidsverschillen. Mensen met een laag opleidingsniveau of inkomen leven korter én hebben een minder gezonde levensverwachting. In ons onderwijs en onderzoek hebben we aandacht voor deze verschillen, dit willen we doorgeven aan alle (toekomstige) professionals.

    Zwaartepunt
     

    De HAN staat voor Smart Region

    De HAN maakt zich sterk om het aanpassingsvermogen van mensen, teams en organisaties te vergroten. Hoe? Door meer aandacht hiervoor in onderzoek en onderwijs, en steeds nauw samen te werken met (toekomstige) professionals in een Smart Region.