Hiërarchie van data
Bij wie liggen de grootste gezondheidsrisico’s en welke oorzaken kunnen we hieraan verbinden? Deze vragen zijn niet simpelweg te beantwoorden door een snelle blik te werpen op de beschikbare datasets. Eerst moet worden vastgesteld of de gebruikte data juist zijn, of deze goed geïnterpreteerd worden en wat de hiërarchie van de data is.

Hoe weten we welke data belangrijk en onbelangrijk zijn? Om een gezondheidsrisico vast te stellen, is het noodzakelijk dat er goede patronen gebruikt worden. De juiste interpretatie en de hiërarchie van data zijn daarbij erg belangrijk. Daarnaast moeten onderzoekers niet alleen leunen op al beschikbare datasets, maar zelf ook op zoek gaan naar nieuwe variabelen om een volledig beeld te schetsen van een (gezondheids)probleem.

Interpretatie van onderzoeksgegevens
Een voorbeeld: een hele bevolkingsgroep heeft last van een gezondheidsvraagstuk. De onderzoeker gaat op zoek naar overeenkomsten tussen de mensen uit de bevolkingsgroep. Uit een eerder onderzoek blijkt dat de hele bevolkingsgroep in de buurt van een grote autoweg woont. Op basis van de beschikbare data kan een onderzoeker concluderen dat de aanwezigheid van de autoweg invloed heeft op het gezondheidsprobleem.

Dit hoeft echter niet de oorzaak van het probleem te zijn. Uit aanvullend onderzoek kan bijvoorbeeld blijken dat de hele bevolkingsgroep ook rookt. Het is dan aan de onderzoeker om de beschikbare data juist te interpreteren en om tot een juiste conclusie te komen. 

Waakhondfunctie
Voor het gebruik van data hebben onze onderzoekers een belangrijke waakhondfunctie. Ieder onderzoek behandelen zij als een probleemstelling, waarbij ze goed kijken of er geen belangrijke variabelen worden weggelaten. Om dit te achterhalen worden alle datasets vaak eerst getest binnen  kleine testgroepen.

Data Sciences in de eerstelijns zorg
De doelstelling van de afdeling Population Health van het LUMC is om Den Haag en Leiden de gezondste steden van Nederland te maken. Om dit te bereiken worden Data Sciences in de toekomst grootschaliger toegepast in onderzoek. Om gezondheidsproblemen actief te benaderen gaan onze onderzoekers bijvoorbeeld intensiever samenwerken met huisartsen in de regio.

Huisartsen hebben een goed beeld van welke (lokale) gezondheidsproblemen er spelen. Door deze aan te geven en actief data te verzamelen, kunnen zij actief bijdragen aan onderzoek. Aan de hand van de data werken onderzoekers aan (preventieve) oplossingen. Door de korte schakel tussen huisarts en onderzoekers kunnen nieuwe oplossingen al snel in de praktijk worden toegepast.