Zorgorganisaties kopen analytics om een reden die makkelijk te benoemen is en moeilijk op te lossen. Er zijn niet genoeg clinici, er komen er minder bij, en het werk moet toch gebeuren.
De beoordeling van de Wereldgezondheidsorganisatie (WHO) van september 2026 voorspelt voor 2030 een wereldwijd tekort van 11,1 miljoen zorgmedewerkers, waarbij 67 landen naar verwachting niet over genoeg personeel zullen beschikken om aan de gezondheidsbehoeften van hun bevolking te voldoen. De scherpere bevinding is demografisch: in 122 landen is bijna een op de vier artsen ouder dan 55 en gaat naar verwachting binnen tien jaar met pensioen, in hoge-inkomenslanden bijna een op de drie.
Business intelligence in de zorg (dashboards, rapportages en voorspellende modellen op klinische en operationele data) kan dat gat niet dichten. Het kan wel laten zien waar schaarse capaciteit blijft en of veranderingen in het werk iets opleveren, en dat maakt het een redelijk antwoord. Het gepubliceerde bewijs laat zien dat het wisselend werkt, en twee factoren komen steeds terug: de staat van de datalaag eronder, en of het dashboard in het klinische werk is ingebouwd of er alleen naast is geleverd.
Deze gids gaat over die twee zaken in ziekenhuizen en zorggroepen. Analytics voor verzekeraars, de farmacie en volksgezondheid roepen andere vragen op. Het bewijs komt uit meerdere gezondheidszorgstelsels (Duitse ziekenhuizen, EU-brede statistieken en de Verenigde Staten) en niet specifiek uit Nederland. Een Nederlandse of andere EU-lezer kan het daarom het best zien als een aanwijzing voor het mechanisme en niet als lokale benchmark.
Op deze pagina
- Hoe ziet de datalaag er in werkelijkheid uit?
- Waarom interoperabele systemen nog steeds niet samenwerken
- Verbeteren klinische dashboards de uitkomsten echt?
- Waarom stoppen clinici met het gebruik ervan?
- Hoe voorspellende modellen in ziekenhuizen er in de praktijk uitzien
- Een analyticsproject in de zorg afbakenen
- Veelgestelde vragen
Belangrijkste inzichten
- Een zelfbeoordeling uit 2021 onder 1.624 Duitse ziekenhuizen, 91% van het totaal, scoorde informatie-uitwisseling op 25,1 van de 100, de op twee na laagste van zeven dimensies.
- In een analyse uit 2022 van 2.897 Fast Healthcare Interoperability Resources-profielen (FHIR) uit 125 gepubliceerde implementatiegidsen was ongeveer 35% van de elementen die als must-support zijn aangemerkt een extensie of slice en geen native element. Dat zegt hoeveel FHIR leunt op lokale profilering, niet hoeveel data er bij uitwisseling verloren gaat.
- In 2025 verstuurden, ontvingen of vonden 93–96% van de Amerikaanse ziekenhuizen elektronisch patiëntgegevens, maar 79% integreerde ze in het dossier, en 40% stuurde zorgsamenvattingen nog vaak per post of fax.
- In 70 onderzoeken naar ziekenhuisdashboards liet 15 van de 20 sterftebevindingen geen significante verandering zien.
- Een review uit 2026 van 22 systematische reviews over alertmoeheid vond er slechts één die alertmoeheid operationeel definieerde.
- In een scoping review uit 2026 van 18 dashboardstudies richtte de helft zich op het evalueren van het dashboard nadat het was gebouwd, in plaats van op ontwerpprincipes tijdens de ontwikkeling.
- In 2024 gebruikte 71% van de Amerikaanse ziekenhuizen voorspellende modellen die in het elektronisch dossier waren geïntegreerd, voor zowel operationeel als klinisch gebruik, tegenover 59% van de ziekenhuizen met minder dan 100 bedden.
Hoe ziet de datalaag er in werkelijkheid uit?
Het breedste nationale beeld van datavermogen in ziekenhuizen komt uit Duitsland. De eerste DigitalRadar-beoordeling, uitgevoerd in 2021, was een zelfbeoordeling met 234 items die werd ingevuld door 1.624 ziekenhuizen, 91% van alle Duitse ziekenhuizen, omdat deelname een voorwaarde was voor het ontvangen van geld uit het nationale Hospital Future Fund. De uitkomsten zijn zelfgerapporteerd, maar liggen dicht bij een volledige telling in plaats van een steekproef, en ziekenhuizen kregen scores op zeven dimensies uit 100.
Bron: Geissler et al., Health Policy and Technology, september 2024. Een afzonderlijke analyse van augustus 2026 van dezelfde enquête uit 2021 (1.607 ziekenhuizen) rapporteert een gemiddelde DigitalRadar-score van 38,24 en verklaart het verschil van vijf punten met het bovenstaande cijfer niet. Beschouw de totaalscore als een benadering en niet als benchmark; de dimensiescores zijn nuttiger om sterke en zwakke punten te vergelijken.
De samenvatting van de auteurs is ronduit: de volwassenheid is “comparatively high in the structures and systems dimension, but low in the clinical processes, exchange of information, telemedicine and patient participation dimensions, suggesting that data exchange is hampered by a lack of interoperability.”
Die kloof (infrastructuur aanwezig, uitwisseling zwak) is naar onze mening de belangrijkste context voor elk analyticsvoorstel in de zorg.
Een andere Europese maatstaf wijst dezelfde kant op. De eHealth-indicatorstudie van de Europese Commissie volgt in hoeverre burgers toegang hebben tot hun eigen elektronische gezondheidsdossier. De editie van 2026, die de situatie per 31 december 2025 meet, zette de samengestelde EU-27-score op 87%, vier punten hoger dan een jaar eerder. Maar medische beelden scoorden slechts 35% voor beschikbaarheid, en particuliere zorgaanbieders waren voor 66% aangesloten om data te leveren, tegenover 85% bij publieke aanbieders. Identificatie en persoonlijke gegevens scoren 98–100% en voorschriftgegevens rond 90%; beelden en gegevens over medische hulpmiddelen en implantaten (59%) blijven ver achter.
Waarom interoperabele systemen nog steeds niet samenwerken
Hier komen veel analyticsprojecten in de zorg een onaangename verrassing tegen, en één getal helpt dat te verklaren.
Een analyse uit 2022 van 2.897 profielen in 125 gepubliceerde FHIR-implementatiegidsen toonde dat ongeveer 35% van de elementen die deze gidsen als must-support markeren, extensies of slices zijn en geen native FHIR-elementen: in de woorden van de auteur: “FHIR’s 80/20 rule is more like 65/35.” Het interoperabiliteitswerkdocument van de OESO van juli 2026 haalt dit aan als bewijs dat dergelijke elementen “cannot be fully shared between different FHIR systems”.
De studie telde hoe implementatiegidsen zijn geschreven. Ze testte geen uitwisselingen tussen ziekenhuizen en is dus geen maat voor data die onderweg verloren gaat. Must-support betekent ook niet dat een element in elk bericht moet voorkomen: de basisspecificatie laat per profiel vastleggen wat “support” vereist. Wat het wel laat zien, is hoezeer FHIR in de praktijk afhankelijk is van lokale profilering. Twee systemen kunnen elk conform zijn en toch dezelfde informatie anders verwerken, als ze verschillende gidsen, versies of codesets implementeren zonder een afgesproken mapping en een gezamenlijke test.
Amerikaanse data laten een vergelijkbaar patroon zien. In de databrief van februari 2026 van de federale gezondheids-ITinstantie, die 2.253 ziekenhuizen uit de enquête van 2024 beslaat (respons 51%), bleek dat ziekenhuizen die data deelden tussen hun elektronisch dossier en technologie van derden dat “more often via proprietary APIs or non-API-based methods than standards-based APIs” deden. Dat telt welke methoden ziekenhuizen zeiden te gebruiken, zoals eigen EPD-API’s of HL7-interfaces, niet hoeveel data er werd verplaatst of hoe volledig die was. Toch wijst het erop dat standaardgebaseerde API’s nog niet de standaardroute zijn voor dit soort datadeling.
Het beeld met vier domeinen uit de enquête van 2025 onder Amerikaanse ziekenhuizen laat dezelfde vorm zien:
Integreren, het bruikbaar maken van ontvangen data binnen het ontvangende systeem, ligt 14 tot 17 punten onder de andere drie en is, anders dan die drie, tussen 2023 en 2025 niet significant gestegen. Voor analytics is dit het domein dat het zwaarst weegt.
Twee verdere details zijn de moeite waard om mee te nemen in elk afbakeningsgesprek. Ten eerste neemt een deel van de wrijving af: tussen 2023 en 2025 daalde het aandeel ziekenhuizen dat dataformattering als belemmering noemde van 41% naar 25%, en patiëntkoppeling van 31% naar 19%, terwijl “customized interfaces needed” nauwelijks bewoog, van 43% naar 39%. Ten tweede stuurt 40% van de ziekenhuizen nog vaak zorgsamenvattingen per post of fax, tegenover 30% in 2023, en ontvangt 35% ze vaak op die manier.
| Maatstaf, Amerikaanse ziekenhuizen | 2023 | 2025 |
|---|---|---|
| Dataformattering genoemd als belemmering | 41% | 25% |
| Patiëntkoppeling genoemd als belemmering | 31% | 19% |
| “Customized interfaces needed” genoemd als belemmering | 43% | 39% |
| Ziekenhuizen die zorgsamenvattingen nog vaak per post of fax versturen | 30% | 40% |
Als de planning in een voorstel uitgaat van schone, gestructureerde inkomende data, is die aanname een groot projectrisico en moet ze in de eerste twee weken worden getest.
Wat de standaard in werkelijkheid is
Omdat terminologie hier losjes wordt gebruikt: de FHIR-specificatie van HL7 beschrijft zichzelf als het leveren van “Resources: a collection of information models that define the data elements, constraints and relationships for the ‘business objects’ most relevant to healthcare,” benaderd via “a collection of well-defined interfaces,” met resources “optimized for stateless transactions with RESTful APIs.”
Met andere woorden: gedeelde datamodellen, regels om ze te beperken, terminologiekoppelingen en een reeks interfaces, waarbij RESTful API’s de belangrijkste, maar niet de enige manier zijn waarop resources worden gebruikt. Het is geen garantie dat twee systemen dezelfde betekenis aan hetzelfde veld geven, en precies die kloof wijst de 65/35-bevinding aan.
Verbeteren klinische dashboards de uitkomsten echt?
Een van de breedste beschikbare syntheses is een systematische review uit 2025 in JAMIA Open over 70 studies uit 5.755 records, waaronder 61 quasi-experimentele (meestal voor-en-nastudies) en 6 gerandomiseerde gecontroleerde onderzoeken, in de VS, Taiwan, het Verenigd Koninkrijk, Australië, Canada en negen andere landen.
De resultaten, per uitkomst:
| Uitkomst | Bevindingen | Resultaat |
|---|---|---|
| Sterfte | 20 bevindingen in 16 studies | 5 lieten een daling zien; 15 lieten geen significante verandering zien |
| Ligduur | 43 bevindingen in 31 studies | 28 verkortingen, 5 verlengingen, 10 geen verandering |
| Schade | 21 bevindingen in 16 studies | 6 toenames, 4 afnames, 11 geen verandering: “equivocal” |
| Economisch | 34 bevindingen in 31 studies | 29 kostendalingen, 1 stijging, 4 geen verandering |
| Tevredenheid | 8 bevindingen | 6 toenames, 2 geen verandering |
Waar effecten werden gevonden, waren ze soms groot: sterftedalingen tussen 19,4% en 73% op verschillende maten, ligduurverkortingen van 0,28 tot 18,8 dagen, jaarlijkse besparingen van US$ 160.000 tot US$ 10,7 miljoen, besparingen aan personeelstijd van 132–198 uur tot 11.200 uur per jaar. Ze komen uit afzonderlijke studies met verschillende settings, maten en opzetten, te uiteenlopend voor de auteurs om samen te voegen, en zijn dus mogelijkheden en geen planningsbenchmarks.
| Uitkomst | Bereik gerapporteerd in afzonderlijke studies (niet samengevoegd) |
|---|---|
| Sterftedalingen | 19,4% tot 73%, op verschillende maten |
| Ligduurverkortingen | 0,28 tot 18,8 dagen |
| Jaarlijkse besparingen | US$ 160.000 tot US$ 10,7 miljoen |
| Besparing aan personeelstijd | 132–198 uur tot 11.200 uur per jaar |
Maar de conclusie van de review is de zin die u moet voorleggen aan iedereen die een dashboardprogramma goedkeurt: “actual impacts of hospital digital dashboard will likely be dependent on multiple local factors such as workflow integration.”
Daaruit volgen twee lezingen. De optimistische: operationele en economische uitkomsten verbeterden in de meeste gepubliceerde bevindingen, en dat is op zichzelf een legitieme business case. De realistische: klinische uitkomsten bewogen meestal niet, en schade is dubbelzinnig: zes bevindingen lieten schade toenemen, drie ervan statistisch significant. Een dashboard is een ingreep in het klinische werk en geen neutrale toevoeging eraan.
Waarom stoppen clinici met het gebruik ervan?
Vaak omdat het ontwerp geen rekening heeft gehouden met hoe weinig tijd een consult biedt.
Een kwalitatieve systematische review uit 2025 van negen studies in het Verenigd Koninkrijk, Australië, België, Nederland en Noorwegen legde het mechanisme vast in de eigen woorden van huisartsen: “so many things popping up, so many things prompting you”; een huisarts die “about three or four” meldingen had afgehandeld, beschreef de volgende als “another 5 or 10 minutes of consultation (…) so you leave it.” Een ander vermeed beslissingsondersteuning tijdens consulten “because of time problems, losing eye contact with patients.”
Het vakgebied kan dit nog niet goed meten. Een systematische review van mei 2026 in JAMIA, die 22 systematische reviews besloeg, vond dat er slechts één een operationele definitie van alertmoeheid rapporteerde. De meest gebruikte maten waren aantal, overrulepercentage en acceptatiepercentage: geen enkele daarvan onderscheidt op zichzelf een clinicus die een melding terecht wegklikte van iemand die was opgehouden met lezen.
De ontwerppraktijk achter deze tools is evenzeer onvolwassen. Een scoping review van februari 2026 van 18 dashboardstudies in de zorg vond dat 77,8% (14 van 18) ad hoc was en geen gestructureerde ontwerpaanpak volgde, slechts een derde de nadruk legde op integratie met werkprocessen om personeel niet te overbelasten, en de helft zich richtte op het evalueren van het dashboard nadat het was gebouwd, in plaats van op het beschrijven van ontwerpprincipes tijdens de ontwikkeling. Eén studie in die review vond dat duurzaam gebruik “required embedding dashboards into governance routines and review meetings”; het dashboard bleef dus in gebruik omdat het een vaste plek had in een overleg, niet omdat het mooi getekend was.
De bredere last van dossierwerk is meetbaar, al gaat dit bewijs over elektronische dossiers in het algemeen en niet over dashboards. Een meta-analyse uit 2024 over 66.556 zorgprofessionals in 37 overwegend cross-sectionele studies vond een gepoolde burn-outprevalentie van 40,4% in studies naar het gebruik van elektronische dossiers, met een hogere kans op burn-out bij wie buiten werktijd meer tijd aan dossiertaken besteedde (OR 2,43). Dat is een samenhang en geen bewijs van oorzaak, maar wel een reden om niet lichtvaardig meldingen toe te voegen.
Hoe voorspellende modellen in ziekenhuizen er in de praktijk uitzien
Het gebruik is al hoog en ongelijk verdeeld. De databrief van 2025 van de Amerikaanse federale gezondheids-ITinstantie, gebaseerd op de IT-enquête onder ziekenhuizen van 2024 (n=2.080, respons 51%), meldt dat 71% van de ziekenhuizen voorspellende AI gebruikte die in het elektronisch dossier was geïntegreerd, tegenover 66% het jaar ervoor. De definitie is breed: het voorspellen van risico’s voor opgenomen patiënten was het meest voorkomende gebruik, maar de snelst groeiende toepassingen waren het vereenvoudigen van facturatie en het vergemakkelijken van planning.
De praktijk van lokale validatie is bemoedigender dan het debat doorgaans suggereert. Van de ziekenhuizen die deze modellen gebruiken, evalueerde 82% ten minste een deel ervan op nauwkeurigheid, 74% op bias, en voerde 79% een evaluatie of monitoring na implementatie uit; minder ziekenhuizen deden dit voor alle of de meeste modellen, en antwoorden “weet niet” (15–21%) zijn uitgesloten.
| Praktijk, onder ziekenhuizen die voorspellende modellen gebruiken | Aandeel ziekenhuizen (“weet niet” uitgesloten) |
|---|---|
| Evalueerde ten minste een deel van de modellen op nauwkeurigheid | 82% |
| Evalueerde ten minste een deel van de modellen op bias | 74% |
| Evaluatie of monitoring na implementatie | 79% |
Het verschil volgt het type ziekenhuis:
| Type ziekenhuis | Voorspellende AI in het dossier |
|---|---|
| Meer dan 400 bedden | 96% |
| Minder dan 100 bedden | 59% |
| Aangesloten bij een zorggroep | 86% |
| Zelfstandig | 37% |
| Stedelijk | 81% |
| Landelijk | 56% |
De brief zegt niet waarom het verschil bestaat; het gebruik verschilt ook per dossierleverancier (90% bij de marktleider tegenover 50% bij de overige leveranciers). Maar het evaluatiewerk hierboven vraagt wel om mensen die het kunnen uitvoeren.
Een analyticsproject in de zorg afbakenen
Zes beslissingen, in deze volgorde:
| Stap | Beslissing | Wat het in de praktijk betekent | Klaar wanneer |
|---|---|---|---|
| 1 | Profileer de inkomende data voordat u een planning noemt | Controleer welk deel gestructureerd binnenkomt, wat op papier of per fax komt en voor hoeveel velden lokale mapping nodig is. De 65/35-bevinding en de Amerikaanse faxcijfers zijn redenen om het niet aan te nemen; uw eigen mix hangt af van land en partners. | Elke invoer waar een KPI van afhangt heeft een eigenaar, een verversingsfrequentie, een volledigheidscontrole en een afgesproken mapping |
| 2 | Kies een beslissing, geen afdeling | “Verkort de ligduur op deze afdeling door ontslagbelemmeringen tijdens de ochtendvisite te signaleren” is af te bakenen. “Een ziekenhuisdashboard” niet. | Het project is geformuleerd als één beslissing, niet als een afdeling of een generiek dashboard |
| 3 | Ontwerp voor het consult, niet voor het scherm | Hoeveel seconden heeft de clinicus? Als het ontwerp nog een melding toevoegt, heeft die een reden nodig die zwaarder weegt dan de onderbreking. | Er is een vastgesteld antwoord op wat er gebeurt als de melding wordt genegeerd |
| 4 | Schrijf de evaluatie vóór de bouw | In de scoping review hierboven concentreerde de helft van de studies zich op evalueren na de bouw. De evaluatie hoeft niet geavanceerd te zijn; ze moet bestaan voordat iemand erop kan worden afgerekend. | De evaluatie is opgeschreven voordat de bouw begint |
| 5 | Geef het een plek in een overleg | Een van de duidelijkere bevindingen over adoptie in die review is dat dashboards bleven bestaan als ze waren ingebed in governanceroutines en reviewoverleggen. | Een terugkerend overleg heeft het dashboard op de agenda |
| 6 | Benoem wie het onderhoudt en wie het kan stoppen | Kleinere en zelfstandige ziekenhuizen lopen achter met voorspellende AI, en onderhoud moet ergens belegd zijn, dus maak er een expliciete post van. Dezelfde lijst moet zeggen wie welke data mag zien, wat er wordt gelogd, hoe lang data worden bewaard, wie een modelwijziging goedkeurt en wie de tool kan pauzeren of terugdraaien. | Elk punt is getoetst aan de gegevensbeschermingsregels die gelden waar de tool draait |
Onze pagina over gezondheidszorg en life sciences beschrijft hoe wij de sector benaderen, en de algemene principes van dashboardontwerp gelden hier, met dit verschil dat de beperking vanuit het werkproces veel strenger is.
Veelgestelde vragen
Waarom laten ziekenhuisdashboards zwakkere klinische resultaten zien dan operationele?
Een aannemelijke verklaring: operationele uitkomsten (ligduur, kosten, personeelstijd) zitten in processen die managers rechtstreeks kunnen herontwerpen, terwijl klinische uitkomsten ervan afhangen dat een clinicus midden in het werk een beslissing wijzigt, en dat vraagt dat de informatie op het juiste moment aankomt in een vorm die geen aandacht kost. De review van 70 studies laat het patroon zien, met economische uitkomsten die verbeterden in 29 van 34 bevindingen terwijl 15 van de 20 sterftebevindingen geen significante verandering lieten zien; de reden zelf toetst ze niet.
Onze systemen zijn allemaal gecertificeerd voor de standaard. Waarom is integratie dan nog steeds moeilijk?
Omdat conformiteit en compatibiliteit twee verschillende dingen zijn. In één analyse van 125 gepubliceerde FHIR-implementatiegidsen was ongeveer 35% van de must-support-elementen een extensie of slice en geen basiselement. Twee conforme systemen kunnen die elementen nog steeds verschillend verwerken, tenzij ze afspreken welke gids, versie en codesets ze gebruiken en de uitwisseling samen testen. En in 2024 deelden Amerikaanse ziekenhuizen data tussen hun elektronisch dossier en technologie van derden nog steeds vaker via eigen API’s of niet-API-methoden dan via standaardgebaseerde.
Is voorspellend modelleren voorbarig voor een kleiner ziekenhuis?
Niet voorbarig, maar het vraagt om personeel als randvoorwaarde. Van de Amerikaanse ziekenhuizen die modellen draaien, meldde 82% ze te evalueren op nauwkeurigheid, 74% op bias en voerde 79% monitoring na implementatie uit. Als er geen benoemde persoon is die prestaties en bias kan controleren, op afwijkingen en incidenten kan letten en het model kan pauzeren als het zich misdraagt, is het niet klaar voor het live dossier.
Hoe voorkomen we dat we bijdragen aan alertmoeheid?
Begin met de erkenning dat u het op dit moment niet goed kunt meten: een review uit 2026 van 22 systematische reviews vond er slechts één die een operationele definitie rapporteerde. Dezelfde review beveelt aan het te meten als een significante, aanhoudende daling van passende alertreacties ten opzichte van een vastgestelde nulmeting, dus leg die nulmeting vast vóór de livegang. Het overrulepercentage alleen is een zwakker signaal, omdat het een terechte afwijzing niet kan onderscheiden van een ongelezen melding. Bekijk daarnaast samen met de clinici die ze ontvangen de alerts met het hoogste volume.
Wat is het realistische eerste project?
Eén terugkerende beslissing, één afdeling of zorglijn, één meetbare voor-en-nameting. De review van 70 studies concludeert dat het voordeel waarschijnlijk afhangt van lokale integratie in het werkproces. Een beperkte scope getuigt dus niet van schroom; het is de voorwaarde waaronder u kunt zien of het gewerkt heeft.
Twee consistente voordelen, één voorwaardelijk
De druk op het personeel die analytics in de zorg aandrijft is reëel, gemeten en wordt erger. Het antwoord is redelijk. Wat het bewijs daaraan toevoegt, is dat de laag eronder dunner is dan de certificeringsstatistieken suggereren, en dat een dashboard een ingreep in het klinische werk is en geen toevoeging eraan.
De drie bevindingen die u het beste kunt meenemen in elk afbakeningsgesprek: informatie-uitwisseling scoorde 25,1 uit 100 in een bijna volledige telling van Duitse ziekenhuizen; ongeveer 35% van de must-support-elementen in gepubliceerde implementatiegidsen zijn extensies of slices en geen native elementen; en in 70 studies lieten de meeste sterftebevindingen geen significante verandering zien, terwijl de meeste operationele en economische bevindingen verbeterden.
Die laatste splitsing is geen reden om klinische analytics te mijden. Het is een reden om eerlijk te zijn over welke voordelen consistent zijn geweest en de klinische voordelen vanaf de eerste week te ontwerpen rond het werkproces, in plaats van in de laatste.
Als uw volgende analyticsvoorstel uitgaat van schone inkomende data, test die aanname voordat de bouw vastligt. Een beoordeling van de huidige situatie en een gap-analyse van uw ziekenhuisdata maakt deel uit van ons Discovery-pakket, naast quick-winaanbevelingen en een roadmap met geprioriteerde stappen, doorgaans in twee tot vier weken.
Gerelateerde artikelen
- BI per sector: complete gids voor Nederlandse middelgrote bedrijven — BI-toepassingen per sector
- Enterprise Business Intelligence: Gids voor Schaalbare Oplossingen — Business intelligence op enterprise-schaal
- Dashboard Maken Gids: Uw Complete Handboek voor Nederlandse Middelgrote Bedrijven — Stap voor stap een dashboard maken
Bronnen
Peer-reviewed
- Geissler et al., A nationwide digital maturity assessment of hospitals – Results from the German DigitalRadar, Health Policy and Technology 13(4), september 2024. 1.624 ziekenhuizen, 91% van alle Duitse ziekenhuizen, zelfbeoordeling 2021 (234 items).
- Backes et al., Does System Choice Matter? Influence of Hospital Information Systems on Digital Maturity, Journal of Medical Systems, 8 augustus 2026. 1.607 ziekenhuizen, DigitalRadar-enquête 2021.
- Kramer, Reducing FHIR “Profiliferation”: A Data-Driven Approach, AMIA Annual Symposium Proceedings 2022 (gepubliceerd 2023). 2.897 profielen, 125 implementatiegidsen (FHIR R4, register geraadpleegd in februari 2022).
- Coiera et al., Clinical and economic impact of digital dashboards on hospital inpatient care: a systematic review, JAMIA Open, 26 juli 2025. 70 studies uit 5.755 records; narratieve synthese, omdat heterogeniteit een meta-analyse uitsloot.
- Ray et al., Alert fatigue measurement in clinical decision support: a systematic review, JAMIA, online gepubliceerd op 18 mei 2026 (augustusnummer 2026). 22 opgenomen systematische reviews.
- Gani et al., Understanding “Alert Fatigue” in Primary Care: Qualitative Systematic Review of General Practitioners Attitudes and Experiences of Clinical Alerts, Prompts, and Reminders, JMIR, 7 februari 2025. 9 studies in 5 landen.
- Vornhagen et al., Design Practices for Data Dashboards in Health Care: Scoping Review, JMIR, 25 februari 2026. 18 studies.
- Wu et al., Evaluating the Prevalence of Burnout Among Health Care Professionals Related to Electronic Health Record Use: Systematic Review and Meta-Analysis, JMIR Medical Informatics, 12 juni 2024. 37 studies, 66.556 zorgprofessionals.
Officiële statistieken en overheidsinstanties
- Wereldgezondheidsorganisatie (WHO), One in four doctors nearing retirement age as WHO warns of global health workforce gap, 18 september 2026, en National health workforce accounts: health workforce levels and trends 2026, 22 juni 2026.
- OESO, Interoperability in healthcare: Towards an interconnected future, Health Working Paper nr. 197, juli 2026. 22 landenreacties op de enquête, 41 interviews.
- ASTP/ONC, Quick Stat #66: Electronic Health Information Exchange by Hospitals, bijgewerkt in februari 2026 (AHA IT Survey 2025, respons 54,5%), Progress on Interoperability, 11 februari 2026 (AHA IT Survey 2025), Data Brief 81, februari 2026 (enquête 2024, n=2.253, respons 51%), Data Brief 80, september 2025 (n=2.080), en Quick Stat #70 over uitwisselingsmethoden, bijgewerkt in februari 2026 (2.351 ziekenhuizen reageerden in 2025).
- Europese Commissie, The 2026 Digital Decade eHealth Indicator Study, 17 juni 2026, met de situatie per 31 december 2025.
Normeringsorganisatie
- HL7 International, FHIR v5.0.0 architecture overview en FHIR R4 profiling: Must Support.