# Achtergrond & inleiding

## Het probleem
Om de zorg betaalbaar, toegankelijk en van goede kwaliteit te houden, zijn inzichten uit klinische data essentieel. Landelijke registraties, zoals de kwaliteitsregistraties en de Nederlandse Kankerregistratie, spelen hierin een belangrijke rol. Een Nederlands ziekenhuis participeert gemiddeld in [**60**](https://www.atr-regeldruk.nl/wp-content/uploads/2023/06/19-U052-Min-VWS-Uitvoeringsregeling-Wkkgz-ivm-regie-op-kwaliteitsregistraties-w.g.pdf) registraties. Het is makkelijk in te voelen dat dit het verzamelen en aanleveren van de benodigde gegevens veel werk met zich meebrengt. Automatisering verlicht deze druk natuurlijk, maar ook geautomatiseerde processen vergen onderhoud.

Deze traditionele, gecentraliseerde aanpak kent nog een andere, belangrijke beperking: aanlevering voor registraties beperkt zich (vrijwel altijd) tot een set van nauwkeurig gedefinieerde items, terwijl veel informatie besloten ligt in vrije tekst. Een groot deel van de beschikbare data blijft hierdoor ongebruikt.

Het centraliseren van volledige (gespeudonimiseerde) patiëntendossiers is echter lastig (en met goede redenen):
1. Het is belangrijk om de privacy van patiënten te beschermen; er is wet- en regelgeving om rekening mee te houden. Hoe meer data centraal wordt opgeslagen, hoe groter het risico dat anonimisatie/pseudonimisatie faalt.
2. Het delen van (grote hoeveelheden) data brengt ook het risicio op verlies van controle met zich mee: zodra data gedeeld is, is het lastig te beheersen hoe deze wordt gebruikt (bijv. gekopieerd en gedeeld met derden).

## De oplossing
Het concept van de Personal Health Train ([PHT](https://www.health-ri.nl/initiatives/personal-health-train)) biedt een alternatief voor gecentraliseerde data-opslag en -analyse. Dit wordt ook wel een federatieve aanpak genoemd. Hierbij worden algoritmen/berekeningen naar de data gebracht en blijft de data (veilig) bij de bron.

Via deze federatieve aanpak is het ook mogelijk om statistische analyses uit te voeren of om modellen te trainen middels [Machine Learning](https://en.wikipedia.org/wiki/Machine_learning). Technieken uit de Kunstmatige Intelligentie (AI) bieden zelfs de mogelijkheid om van gegevens uit ongestructureerde bronnen te leren, zoals medische verslaglegging of radiologiebeelden.


## Doelstelling
DHD, IKNL, en EZA willen gezamenlijk één landelijk dekkende, federatieve infrastructuur (PLUGIN) ontwikkelen, van en voor de Nederlandse ziekenhuizen. Het voornaamste doel is om secundair van klinische gegevens te vereenvoudigen.

```{include} ../snippets/toepassingen.md
```

Hierbij worden de volgende uitgangspunten gehanteerd:

* De infrastructuur is schaalbaar en toekomstbestendig.
* De infrastructuur past binnen de kaders van [Health-RI](https://www.health-ri.nl).
* Er wordt aangesloten bij nationale en internationale initiatieven, zoals [CumuluZ](https://www.cumuluz.org).
* Er wordt vroegtijdig nagedacht over opschaling en financiële borging.

Dit willen bereiken door gebruik te maken van [vantage6](https://vantage6.ai) (software die federatieve toepassingen mogelijk maakt), in combinatie met [FAIR](https://www.go-fair.org/fair-principles/) data op basis van HL7 [FHIR](https://hl7.org/fhir).


## Gerelateerde projecten

```{admonition} TODO: Uitschrijven
:class: caution

AI Ondersteund Coderen ...
- loopt al
- stapt over op vantage6 voor Federated Learning
- vormt springplank
```

## Over dit document
```{include} /snippets/over-dit-document.md
```