Toepassingen
Er zijn meerdere manieren waarop pre-matching waarde creëert binnen de context van een onderzoek. ZorgTTP adviseert graag om tot een passende oplossing te komen. Hier volgen twee praktische voorbeelden.
Voorbeeld 1:
Databronnen A en B worden met elkaar vergeleken en leveren daarna onderzoeksgegevens aan Onderzoeker
Wij kunnen gegevens van twee of meer databronnen onderling vergelijken, waarna je voor de overlappende groep personen de onderzoeksgegevens ontvangt. Voorbeeld Een voorbeeld is een onderzoeksproject van een Universitair Medisch Centrum. Voor een onderzoek naar een specifieke patiëntpopulatie willen ze gegevens ontvangen van een ander ziekenhuis en een zorgverzekeraar. Wij zorgen voor een veilige bestandsoverdracht en het pseudonimiseren van de gegevens. Een pre-match maakt het mogelijk dat de zorgverzekeraar een proportionele dataset kan aanleveren ten opzichte van de dataset van het ziekenhuis. Met het ziekenhuis heeft de onderzoeker op basis van persoonskenmerken en medische geschiedenis afspraken gemaakt over inclusiecriteria voor het bestand. Slechts een deel van deze groep personen is ook bekend bij de zorgverzekeraar. Met de pre-match brengen wij de overlap in beeld voor de zorgverzekeraar. De verzekeraar verzendt vervolgens voor deze subgroep de verzekerdengegevens aan de onderzoeker. Hiermee wordt bereikt dat alleen gegevens die relevant zijn voor het onderzoek door de verzekeraar aan de onderzoeker beschikbaar worden gesteld.
De dataflow is hier schematisch weergegeven:
Bij de pre-match verzenden zowel het ziekenhuis als de zorgverzekeraar een bestand aan ons. In het bestand van de verzekeraar zijn 100.000 unieke personen aanwezig. De pre-match toont aan dat er sprake is van een overlappende populatie van 3.000 personen. Enkel voor die personen worden de (gepseudonimiseerde) verzekerdengegevens door de verzekeraar aangeleverd ten behoeve van het onderzoek. Hiermee hoeven de gegevens van 97.000 personen niet te worden verstrekt aan de onderzoeker.
Voorbeeld 2:
Databron A en B worden ieder vergeleken met de dataset van de Onderzoeker, waarna bron A en B onderzoeksgegevens leveren aan de Onderzoeker
Een onderzoeker wenst voor een eigen onderzoeksproject patiëntgegevens te ontvangen van twee ziekenhuizen in de regio. De onderzoeker beschikt over een eigen gepseudonimiseerde database. Bij een pre-match bepalen we de overlap tussen de ziekenhuizen enerzijds en de database van de onderzoeker anderzijds. De ziekenhuizen ontvangen een terugkoppeling, waarna zij de onderzoeker voorzien van de medische gegevens van de overlappende populatie. Zo voorkomen we dat de onderzoeker gegevens ontvangt van patiënten die daar niet bekend zijn.
De dataflow is hier schematisch weergegeven:
Voor de pre-match hebben de ziekenhuizen gegevens van respectievelijk 40.000 en 21.000 patiënten aangeboden aan ons. Hierin bleek een overlap te zijn met de dataset van de onderzoeker van 13.000 en 8.000 patiënten. Voor dit onderzoek verstrekken de ziekenhuizen aan de onderzoeker enkel de (gepseudonimiseerde) gevoelige gegevens van deze groep personen.
Zo blijven de gegevens van in totaal 40.000 personen binnen de muren van het ziekenhuis. Ze worden niet onnodig uitgewisseld met de onderzoeker voor dit specifieke onderzoekproject.