Afhankelijk van je doel(-groep), bepaal hoe de data ververst moet worden. Bij spreekkamerdashboards is automatisch/real-time verversen relevant. Bij leer- en verbeterdashboard is het voldoende om dit 3 à 4 keer per jaar handmatig te doen. Beide opties hebben hun voor- en nadelen en hebben implicaties voor de onderliggende IT-structuren. Kies je voor real-time data? Dan moeten er voor de onderliggende data en systemen koppelingen worden ingericht die bij elke verandering van data getriggerd worden. Hierbij moet je dus rekening houden met meer beheertijd en bijbehorende risico’s.

Het kan zijn dat voor het vullen van het dashboard uitsluitende, geautomatiseerde procedures niet voldoen. In dat geval kan het nodig zijn om handmatig geprepareerde datasets klaar te zetten. Kies je voor statische data die met een zelfgekozen frequentie wordt geüpdate? Dan zijn de IT-beheerlasten lager, maar denk wel goed na over de frequentie. Deze verschilt afhankelijk van het doel van het dashboard en het type eindgebruiker. Ook bij deze strategie geldt: hoe regelmatiger de frequentie, hoe meer dit vraagt van de onderliggen IT-structuren en hoe efficiënter de procedures ingericht moeten worden. Goede afstemming met de IT afdeling is dan ook een must.

Om data gemakkelijk te kunnen gebruiken is gestructureerde vastlegging aan de bron erg belangrijk. Hoe beter en uniformer de data is vastgelegd in de verschillende systemen, hoe gemakkelijker deze te gebruiken is. De kwaliteit van de data is dan ook vaak beter. In veel zorgorganisatie worden projecten opgezet om de invoer en registratie aan de bron te stimuleren.

De beschikbare data kan verschillen in structuur, kwaliteit en verversingfrequentie. Zo kan het gewicht van een patiënt periodiek gemeten worden, terwijl het bloedsuiker regelmatig gemeten is. Dat vraagt om bewerking van de data om dit (visueel) vergelijkbaar te maken. Andere bewerkingen kunnen bestaan uit:

• Opschonen van ruwe data. Data moet vaak nog opgeschoond worden. Deze stap wordt ook wel ‘datacleansing’ genoemd. Het gaat hier bijvoorbeeld om records met ongeldige, onvolledige of testdata.
• Filteren van data. Een andere databewerking is filteren. Neem je bijvoorbeeld de volledige historie mee in je dashboard of alleen data van de laatste twee à drie jaar? Als de volledige historie niet nodig is voor het doel van het dashboard, dan kun je deze beter beperken tot een aantal maanden/jaren. De prestatie van het dashboard zal zo sterk verbeteren.                          
• Anonimiseren van data. Voordat data gebruikt kan worden in dashboards moet de onderliggende data geanonimiseerd worden. Dit kan met anonimisatieprotocollen. Bij patiëntendashboards hoeft alleen de referentiedata geanonimiseerd te worden. Soms is anonimiseren van data niet nodig of wenselijk. Je kunt ook detailrecords afschermen voor diegenen zonder behandelrelatie.
• Gebruiken van tekstmining voor vrije tekstvelden. Binnen veel EPD’s wordt nog veel informatie vastgelegd in vrije tekstvelden. Om dit te kunnen gebruiken in dashboards is het noodzakelijk om dit via tekstmining opnieuw vast te leggen. Alleen dan wordt de informatie bruikbaar. Het gebruiken van data in vrije tekstvelden is dus mogelijk, maar dit is gecompliceerd en vraagt veel standaardisering. Voor tips hierover zie het praktijkvoorbeeld van LUMC bij PREM’s.

Voordat data wordt gebruikt in dashboards, wordt er vaak eerst een tussenlaag van datasets/bouwstenen beschikbaar gesteld. Zo’n tussenlaag wordt meestal een datawarehouse genoemd. Hierin zijn bepaalde veelgebruikte metingen en dimensies alvast verwerkt. Zo voorkom je dat deze later in de datapijplijn steeds opnieuw moeten worden berekend. Dat is niet efficiënt en kan - als er een andere definitie wordt gehanteerd -  eenvoudig leiden tot verschillen. Voordeel van een data warehouse is dat na het opzetten de data gestructureerd beschikbaar is in een beheerste (IT-)omgeving. Hierdoor zijn de data en het dashboard na ontwikkeling tijdig beschikbaar zonder handmatige activiteiten.

Het is aan te raden de software te gebruiken die in de zorgorganisatie voorhanden is. Dit zorgt ervoor dat ontwikkelde dashboards beter onderhouden en beheerd kunnen worden. Bovendien is er dan ook meer gebruikservaring en kennis in de buurt.

Leveranciers die gebruikt worden bij de diverse dashboards door verschillende zorgorganisaties zijn: SAS (Visual Analytics), R-shiny, PowerBI, Tableau, Biomedia & Klik team Carelinkz, ognos analytics, Qlik sense, Questmanager.

Uitgangspunt is dat data die al beschikbaar zijn in bronsystemen zoveel mogelijk worden (her)gebruikt. Deze data worden door middel van IT-koppelingen opgehaald vanuit de bronsystemen. De eerste stap is daarom om samen met je IT- of datapartner te inventariseren welke koppelingen er moeten komen om de gewenste inzichten/indicatoren boven water te halen. Eenvoudig gezegd: welke systemen moeten ‘met elkaar praten’? 

Wil je data gebruiken, vergelijken en analyseren? Dan is een eenduidige datadefinitie cruciaal. Terminologie en structuur van de informatie moeten uniform zijn. In dit verband zijn standaarden zeer nuttig. Het gaat hier dus om een ‘vaste’ combinatie van terminologie en structuur van informatie. Als een leverancier deze optie niet biedt, dan wordt er vaak een datawarehouse opgezet. In dit datawarehouse wordt informatie uit verschillende bronsystemen binnen de organisatie gecentraliseerd opgeslagen. Het opzetten van een datawarehouse maakt ook interoperabiliteit mogelijk. Door het eenduidig opslaan van data kan het gemakkelijk gedeeld worden met andere zorgaanbieders in de keten of binnen de organisatie zelf.

Hoe meer verschillende databronnen er gebruikt worden, hoe gecompliceerder het is. Dit klinkt als een open deur, maar het wordt vaak vergeten. Het koppelen van bijvoorbeeld PROM’s-data aan klinische data is ogenschijnlijk eenvoudig. Toch vraagt dit nog een actie aan de datakant. Hoe meer er gecentraliseerd kan worden naar één bron, hoe functioneler.

Om tot de beste zorg en de beste data-analyses te komen, is het noodzakelijk dat de broninformatie ook van hoge kwaliteit is. De bron moet zuiver en schoon zijn. Hiervoor is nodig dat de (zorg-) professionals de systemen ook op de juiste wijze gebruiken, bijvoorbeeld door eenduidige registratie van gegevens. Dat vraagt misschien wat extra inspanning in het begin en voortdurende discipline, maar al snel zullen de voordelen van deze inzet tastbaar worden.

Check of er genoeg softwarelicenties beschikbaar zijn. Check of de hardware van de BI-server(s) de belasting van de dataverversing en het aantal bezoekers aankan. Gebruikers ervaren veel gemak wanneer ze met single sign on (SSO) het dashboard kunnen gebruiken, dus dat ze geen nieuwe wachtwoorden en toegang nodig hebben. De IT-afdeling kan daarbij ondersteunen.

Gebruik je het dashboard als een medisch hulpmiddel? Dan is certificatie nodig volgens de Medical Device Regulation, ook wel MDR genoemd. Deze wetgeving is sinds 26 mei 2021 vernieuwd. Hierbij is het o.a. bepalend of het dashboard in onderzoeksverband of in-house wordt ontwikkeld en gebruikt. Een voorbeeld is het gebruik van software voor het verstrekken van informatie bij het nemen van beslissingen voor diagnostische of therapeutische doeleinden. Als dit model door anderen wordt overgenomen, word je een leverancier. Dan is er CE-certificatie nodig.