Big data voor een compleet beeld bij re-integratie

Interview met Merel Schuring, postdoctoraal onderzoeker arbeid en gezondheid aan de Erasmus MC, Rotterdam

Met behulp van big data-analyses kijkt Merel Schuring in een onderzoek naar de effectiviteit van gemeentelijke re-integratiebeleid en mogelijke personalisatie van deze trajecten. “Met behulp van big data onderzoek bekijken we in hoeverre een specifieke re-integratie aanpak bijdraagt aan duurzaam aan het werk komen en gezondheidsverbetering. Big data kan zo zorgen voor een completer beeld bij re-integratietrajecten.”

Jij hebt in je loopbaan tot nu toe veel onderzoek gedaan naar gezondheid en participatie. Kun je om te beginnen een beeld geven van het onderzoek waaraan je gewerkt hebt?

Ik ben begonnen met een promotieonderzoek naar de effectiviteit van het programma ‘Gezond aan de slag’ van de gemeente Rotterdam. Dat programma was bedoeld als opstapje naar een re-integratietraject voor mensen zonder werk met gezondheidsproblemen. Sindsdien houd ik me als post-doc bij het Erasmus MC steeds meer met onderzoek naar arbeid en gezondheid bezig. Zo werkte ik onder andere aan de monitor voorbeeldprojecten van Sociale Zaken en Werkgelegenheid, in Rotterdam en andere steden. Daaronder ook de evaluatie van ‘Fit-4-work’, dat gericht was op arbeidstoeleiding van mensen met psychische problemen, in Rotterdam, maar ook in andere steden.

Deze interviewreeks gaat over kansen van big data voor een meer preventieve aanpak van gezondheid bij lage SES. Maar wat weten we eigenlijk nu al, als het gaat om het verband tussen gezondheid en participatie?

Als ik het toespits op de G4, de vier grote steden, dan weten we bijvoorbeeld dat meer dan de helft van de bijstandsgerechtigden een matig tot slecht ervaren gezondheid heeft. Ook weten we dat er wijken zijn, hier in Rotterdam onder andere, waar de werkloosheid heel hoog is en waar ook de ervaren gezondheid slecht is. Alleen zegt dat soort dingen nog niets over de causaliteit – wat oorzaak is en gevolg. Wat wel duidelijk is; de gezondheid van mensen die werk weten te vinden verbetert terwijl die verbetering niet optreedt bij de groep die aan de kant blijft staan. Daarnaast is ‘ervaren gezondheid’ een goede voorspeller voor het verkrijgen van werk.

Jullie zijn een tijdje geleden gestart met een big data onderzoek ‘Re-integratie in BOLD cities’. Waarom en wat hebben jullie op het oog met dat onderzoek?

Aanleiding was een uitnodiging van ZonMw om aan het Centrum voor Bold Cities een onderzoeksvoorstel in te dienen participatie en gezondheid. ZonMw wilde graag iets doen met big data en wij zelf wilden daar ook graag ervaring mee opdoen. Toen hebben we
samen met de Universiteit Leiden en de Erasmus Universiteit Rotterdam een onderzoeksvoorstel ingediend. Inzet van het project is om na te gaan of de effectiviteit van gemeentelijke re-integratiebeleid kan worden verbeterd en of er tot gepersonaliseerde re-integratietrajecten gekomen kan worden. We doen dit in samenwerking met de G4, met Rotterdam als testcase. En we werken ook samen met cliëntenraden van de G4 voor dit onderzoek.

Het interessante van ‘big data’ onderzoek is dat het werkt met nieuwe analysetechnieken en er zijn nu ook veel meer data integraal beschikbaar dan tien jaar geleden. Als onderzoeker ging ik vaak uit van een experimentele opzet. Als ik de effectiviteit van een specifieke interventie wilde meten, ging ik uit van een gerandomiseerd experiment. Dat houdt in dat je cliënten toewijst aan een experimentele groep of een controlegroep, zodat je zeker weet dat beide groepen vergelijkbaar zijn. Alle verschillen die je dan in de tijd vindt, kun je toeschrijven aan de interventie. Om de effectiviteit van de re-integratieaanpak door gemeenten te meten heb je echter met een aantal complicerende zaken te maken omdat cliënten bijvoorbeeld verschillende interventies krijgen, tegelijkertijd of achter elkaar. Die interventies worden ook nog aangepast aan de behoeften van de specifieke cliënten. Er is dus geen sprake van randomisatie, en daarmee ook niet van vergelijkbare groepen. Daarom zoeken we andere, quasi-experimentele analysetechnieken, zoals big data analyses. We kunnen er mee nagaan in hoeverre een specifieke re-integratie aanpak, zoals type interventie, type werkconsulent en dergelijke, bijdragen aan duurzaam aan het werk komen en gezondheidsverbetering. Het kan de voorspellende waarde van de factoren die we al kennen verder verfijnen. Big data kan ook zorgen voor een completer beeld van factoren die er toe doen.

Gemeenten kunnen gebaat zijn bij big data onderzoek omdat ze vaak niet weten wat de langetermijneffecten zijn van hun re-integratieactiviteiten. Dat is vooral interessant voor groepen waar wij nu nog te weinig van weten, dat zijn doorgaans de personen met een grote afstand tot de arbeidsmarkt. Meer inzicht in die populatie, en in het gebruik van interventies en voorzieningen voor die groep, zou tot een grotere uitstroom naar werk kunnen leiden. Maar ook meer maatschappelijke participatie of minder zorggebruik zou al winst zijn. Gemeenten hebben vooral weinig inzicht in de effectiviteit van hun eigen handelen en van de instrumenten die ze inzetten.

Kun je in dit verband ook nog aangeven wat je verstaat onder big data?

Ik spreek liever van ‘linked data’. We koppelen namelijk verschillende databestanden om een completer beeld te krijgen van een individu. We maken onder andere gebruik van data over sociaal-demografische kenmerken, gezinssituatie, werkverleden, medicijngebruik en psychosociale kenmerken. Zo ontstaan klantprofielen. Wij maken in ons onderzoek geen gebruik van sociale media, zoals twitter-gegevens en facebook.

Terug naar jullie onderzoeksvoorstel. Dat omvat meerdere fases. Waarom is daarvoor gekozen?

Mede op verzoek van ZonMw en het paste bij onze leerdoelen. In de eerste fases (fase 1 en 2), die we net hebben afgesloten, hebben we uitgezocht wat precies de kennisbehoeften en kennisvragen van de gemeente waren. En hoe het stond met de beschikbaarheid en kwaliteit van de benodigde gegevens. Ook hebben we met cliënten gesproken om te achterhalen hoe zij aankijken tegen het gebruik van big data om de effectiviteit van re-integratie te verbeteren. Op basis daarvan konden we het vervolg van het onderzoek verder vormgeven. Inmiddels hebben we bericht ontvangen van ZonMw dat we inderdaad door kunnen. Nu gaan we beginnen aan de daadwerkelijke big data analyse, waarin we quasi-experimenteel de effectiviteit van de interventies gaan evalueren. We gaan bestaande registraties gebruiken en kunnen datasets vergelijken van cliënten van consulenten die hun basis hebben in het Wet Maatschappelijke Ondersteuning werkveld en cliënten die consulenten hebben vanuit het Participatie-werkveld van de gemeente. De gemeente vermoedt dat de achtergrond van de consulenten invloed heeft op de uitstroom naar werk. Maar we leggen ook een relatie met schuldproblematiek, zorgbehoefte en dergelijke. Als uit het onderzoek bijvoorbeeld naar voren komt dat specifieke interventies leiden tot minder zorgbehoefte, dan zou dat ook voor zorgverzekeraars reden kunnen zijn om mee te investeren in re-integratieactiviteiten

Tot slot, je refereerde eerder al aan de privacyaspecten, en gaf aan dat in de eerste fasen van het onderzoek met cliënten gesproken is. Wat heeft u van die gesprekken geleerd? En hoe is de privacy van de doelgroep gewaarborgd?

Om te beginnen speelt dat persoonsgegevens beschermd zijn en niet zomaar ‘weggegeven’ mogen worden door Rotterdam. Dat is een zorg van de gemeente die van doen heeft met privacywetgeving. Maar ook van de cliëntenraad die het onderzoek wel steunt, omdat het waardevol kan zijn voor cliënten in de toekomst. In verband met de bescherming van de persoonsgegevens is afgesproken dat de gemeente de data die we als onderzoekers nodig hebben zal doorsturen naar het CBS. Het CBS koppelt de gegevens van de verschillende databestanden die we gaan gebruiken. Ook zorgt het CBS voor het anonimiseren van de data. Het uiteindelijke bestand blijft ook bij het CBS. De Erasmus MC krijgt via een ‘remote access’ werkplek de mogelijkheid om analyses uit te voeren. De output van het onderzoek wordt pas ontvangen nadat het CBS vaststelt dat de resultaten niet individueel herleidbaar zijn.

Maar wat ik vooral heb geleerd is dat een belangrijke zorg van de cliënten ook is dat de gemeenten met de kennis over effectiviteit van re-integratietrajecten straks op basis van een klantenprofiel, samengesteld op basis van allerlei persoonlijke- en werkachtergronden, automatisch gaan doorverwijzen naar een specifieke interventie. Nu wordt dat nog gedaan aan de hand van een persoonlijk gesprek tussen klantmanager en cliënten. Cliënten vrezen het automatisme van doorverwijzing, ze willen de ruimte om hún situatie te bespreken. Dit gaat voorbij ons onderzoek, maar het is wel een serieus issue, dat door de gemeente moet worden opgepakt.