Patiënten - oftewel wijzelf - zijn complex, en veel factoren beïnvloeden onze gezondheid, buiten een enkele diagnose of behandelbeslissing om. Ons digitale patiëntendossier, tegenwoordig het Elektronisch Medisch Dossier (EMD), werd oorspronkelijk ontwikkeld om medische consulten vast te leggen, behandelingen te volgen, vergoedingsprocessen te standaardiseren en te voldoen aan regelgeving. Inmiddels staan EMD’s centraal in zorginnovatie. Ze leggen niet alleen de longitudinale geschiedenis vast van onze diagnose- en behandeltrajecten, maar kunnen ook klinische besluitvorming en prognostische analyses ondersteunen. Dat is essentieel voor zowel palliatieve als preventieve zorg én uitkomstenonderzoek.
Naarmate EMD’s zich verder ontwikkelen, verschuift hun functie van puur administratieve en financiële afhandeling naar een bredere rol binnen de zorg. Ze kunnen uitgroeien tot het fundament van datagedreven zorg, met impact op patiëntuitkomsten, wetenschappelijk onderzoek en beleidsvorming. In dit kader is het waardevol om enkele sleutelaspecten te verkennen die bepalend zijn voor de toekomst van EMD’s. Een daarvan is de transitie naar Elektronische Gezondheidsdossiers (EHR’s), die zich niet alleen richten op medische data, maar op de totale gezondheid van de patiënt. Denk hierbij aan dataintegratie, interoperabiliteit en de mogelijkheid om Real-World Evidence (RWE) te genereren.
Van EMD naar EHR: een bredere impact
Elektronische Medische Dossiers (EMD's) bestaan voornamelijk uit gestructureerde, digitaal gecodeerde data zoals declaratiecodes voor diagnoses, medicatie, procedures, laboratoriumresultaten en demografie (1). Hoewel deze data essentieel zijn voor administratieve en klinische processen, geven ze geen volledig beeld van iemands gezondheid. Er zijn aanvullende interpretatieve data nodig, zoals de visie van de arts op diagnose en behandeling. Deze informatie staat vaak in de vrije notities van artsen, maar wordt niet gestructureerd vastgelegd in het EMD.
Nieuwe AI-technologieën zoals Natural Language Processing (NLP) en Large Language Models (LLMs) maken het nu mogelijk om deze waardevolle inzichten te extraheren en op te nemen in een uitgebreid Elektronisch Gezondheidsdossier (EHR) (2). EHR’s bouwen voort op het EMD door zich te richten op de totale gezondheid van de patiënt, met input van alle betrokken zorgverleners (3).
Maar gezondheid wordt niet alleen bepaald door medische zorg. Ook de sociale en leefomstandigheden van een patiënt hebben een grote invloed. Sociale determinanten van gezondheid (SDoH) – zoals sociaaleconomische status, toegang tot zorg, en therapietrouw – beïnvloeden direct de ziektelast en effectiviteit van behandeling (4).
Ook omgevingsfactoren zoals luchtkwaliteit, huisvesting en werkomstandigheden spelen mee (5). Als een patiënt bijvoorbeeld problemen heeft met vervoer, kan een videoconsult uitkomst bieden. Bij complexe medicatieregimes kan een eenvoudiger alternatief de therapietrouw verbeteren. Het doel is om patiëntdata beter inzetbaar te maken zonder de administratieve last voor zorgverleners te verhogen.
Veel moderne EHR’s ondersteunen tegenwoordig velden voor SDoH en andere niet-klinische factoren, én integreren voorspellende analyses zoals de Sepsis Model van Epic of AI-gestuurde besluitvorming. Toch blijven obstakels als incomplete data, bias, beperkte interoperabiliteit en ontoegankelijkheid grote uitdagingen (2). De vraag is dus niet of we meer data moeten toevoegen, maar hoe we deze toegankelijk, bruikbaar en gestandaardiseerd kunnen maken.
Verbetering van retrospectief onderzoek en real-world evidence (RWE)
Naast beter inzicht in individuele patiënten, biedt een meer inclusieve en gestandaardiseerde EHR ook kansen voor bredere zorginzichten.
Door extra databronnen toe te voegen aan EHR’s, kunnen real-world inzichten uit geaggregeerde en retrospectieve data worden benut. Denk aan het identificeren van ziektepatronen, evalueren van behandelresultaten en het ontdekken van zorgongelijkheid (6). Ook voorspellende en prognostische modellen profiteren hiervan. Machine learning kan vroege tekenen van ziekteprogressie signaleren, behandelsucces voorspellen, en risicopopulaties in beeld brengen voor gerichte interventie. Deze verschuiving van reactieve naar preventieve zorg kan ziekenhuisopnames verminderen en de efficiëntie verhogen.
Investeren in de toekomst van gezondheidsdata
Om het volledige potentieel van EMD’s en EHR’s te benutten, moeten ze verder evolueren. Niet alleen voor individuele zorg, maar ook voor secundair gebruik van data voor bredere inzichten (2). Hoewel hun primaire rol het ondersteunen van diagnose en behandeling is, kan uitbreiding met aanvullende datapunten een meer holistisch beeld van de patiënt en diens zorgtraject geven. Rijkere datasets versterken RWE-onderzoek, en maken evaluatie van interventies over diverse populaties mogelijk (7).
Uiteindelijk moeten digitale gezondheidsdata worden ingezet om zorg te optimaliseren en de zorguitkomsten te verbeteren. Elke euro moet maximaal bijdragen aan de kwaliteit van leven, bijvoorbeeld door hogere Quality Adjusted Life Years (QALYs). Deze focus op Health Economics and Outcomes Research (HEOR) is cruciaal voor onderbouwde, kosteneffectieve beslissingen die zowel de patiënt als het zorgsysteem ten goede komen.
Bibliografie
1. SBS. (2025). EMR vs HIS: Understanding the key differences & choosing the right system. SBS. https://sbs-me.com/emr-vs-his-vs-ehr-the-key-differences/
2. Sarwar, T., Seifollahi, S., Chan, J., Zhang, X., Aksakalli, V., Hudson, I., Verspoor, K., & Cavedon, L. (2022). The secondary use of electronic health records for data mining: Data characteristics and challenges. ACM Computing Surveys (CSUR), 55(2), 1–40. https://doi.org/10.1145/3490234
3. Garrett, P., & Seidman, J. (2011). EMR vs EHR – What is the difference? HealthIT.gov. https://www.healthit.gov/buzz-blog/electronic-health-and-medical-records/emr-vs-ehr-difference
4. Okunrintemi, V., et al. (2019). Association of Income Disparities with Patient-Reported Healthcare Experience. Journal of General Internal Medicine, 34(6), 884–892. https://doi.org/10.1007/s11606-019-04848-4
5. Sundas, A., et al. (2024). The Effects of Environmental Factors on General Human Health: A Scoping Review. Healthcare, 12(21), 2123. https://doi.org/10.3390/healthcare12212123
6. World Health Organization. (n.d.). Improving health-care delivery and innovation through secondary use of health data. World Health Organization Europe. https://www.who.int/europe/activities/improving-health-care-delivery-and-innovation-through-secondary-use-of-health-data#:~:text=Secondary%20use%20of%20health%20data%20is%20the%20processing%20of%20health,which%20the%20data%20were%20collected
7. ISPOR. (n.d.). Real-world evidence. The International Society for Pharmacoeconomics and Outcomes Research. https://www.ispor.org/strategic-initiatives/real-world-evidence
