Prognosemodel Jeugdzorg
- Publicatiecategorie
- Overige algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In ontwikkeling
Algemene informatie
Thema
Begindatum
Contactgegevens
Verantwoord gebruik
Doel en impact
Het model geeft een inschatting van cliëntaantallen bij ongewijzigd beleid. Met deze informatie kan tijdig een beleidsverandering doorgevoerd worden om ongewenst hoge/lage cliëntaantallen (op specifieke jeugdzorgvormen) voortijdig bij te sturen. De impact van het algoritme op de burger is laag. Er wordt geen gebruik gemaakt van persoonsgegevens, enkel geaggregeerde cliëntaantallen op het niveau van de gehele stad (geen uitsplitsing naar wijk/buurt bijv.). In besluitvorming rondom beleid heeft dit model geen doorslaggevende rol het biedt enkel inzicht naast andere bronnen van kwalitatieve en kwantitatieve informatie.
Afwegingen
Het model kan een goede inschatting maken van de te verwachten cliëntaantallen, waar andere bronnen vaak enkel inzicht verschaffen in het heden/verleden.
Menselijke tussenkomst
Het algoritme geeft geen oordeel of advies. Het geeft een inzicht dat naast andere inzichten (zoals rapportages over de huidige en historische cliëntaantallen) gebruikt kan worden. Daarbij geeft het algoritme een inschatting van de waarschijnlijke juistheid van de prognose, hiermee kan gekozen worden om prognoses met een grote foutenmarge te negeren.
Risicobeheer
Wettelijke basis
Jeugdwet
Werking
Gegevens
Enkel geaggreerde cliëntgegevens afkomstig uit de gemeentelijke zorgadministratie
Technische werking
Het betreft een rekenmodel dat gebruik maakt van autoregressieve technieken. Dit betekent dat de cliëntaantallen volledig voorspeld worden op basis van schommelingen en trends van dit gegeven uit het verleden. Er worden dus geen andere gegevens gebruikt om mee te voorspellen. De specifieke toegepaste technieken zijn ARIMA en exponential smoothing (Holt-Winters).
De prestatie van het model wordt berekend op basis van diens voorspelling van de afgelopen 2 kwartalen. Deze kwartalen worden uit de trainingset gelaten en als testset gebruikt. De voorspelling van het model op deze kwartalen wordt vergeleken met de geobserveerde aantallen. De afwijking tussen deze gegevens wordt in het eindproduct getoond als percentage. Bij de productgroepen met veel cliënten ligt deze afwijking vaak rond 1%, bij productgroepen met weinig cliënten kan dit percentage hoger liggen.