Voor steeds meer maatschappelijke vraagstukken wordt kennisgericht gewerkt op basis van grote datasets. Hiervoor worden verschillende soorten gegevens over personen samengevoegd in een model. Uit dit model komt vervolgens een antwoord op het betreffende vraagstuk. Er zitten veel voordelen aan het gebruik van zogenaamde rekenmodellen, maar ook ethische bezwaren Binnen het onderzoek Screen & Intervene (SCIN) dat plaatsvindt in samenwerking met de forensische jeugdzorg houden we ons vanaf de start van de ontwikkeling van ons rekenmodel actief bezig met deze voordelen en bezwaren. Bijvoorbeeld in een recente workshop onder begeleiding van De Ethische Data Assistent (Universiteit Utrecht). Samen met maatschappelijke partners en ervaringsdeskundigen uit de forensische praktijk brachten we in kaart hoe we de voordelen van dit soort modellen kunnen versterken en de (ethische) risico’s kunnen minimaliseren. En, misschien nog wel het belangrijkst, hoe we goed kunnen communiceren over wat het model wel én niet kan.

SCIN: Behandeltraject vormgeven vanuit een holistische benadering

SCIN is een onderzoeksproject dat als doel heeft om interventies in de forensische jeugdzorg beter aan te laten sluiten bij het individu. Dit willen we bereiken door niet alleen psychologische en sociale kenmerken van een jongere in kaart te brengen, maar door ook neuropsychologische en biologische informatie mee te nemen. Dit is bijvoorbeeld informatie over de cognitieve capaciteiten van een jongere (denk aan vaardigheden als aandacht of planning, niet te verwarren met intelligentie) of informatie over de werking van iemands stress-systeem (dat mogelijk heftiger of juist minder heftig dan gemiddeld reageert op stressvolle situaties). Eerder onderzoek toont aan dat de toevoeging van neurobiologische informatie aan de huidige psychosociale screenings, risicotaxatie van een jongere kan verbeteren (de Ruigh et al., 2020). In het SCIN project onderzoeken we of deze informatie ook gebruikt kan worden om een passender behandeltraject voor jongeren op te stellen.

Het in kaart brengen van de biopsychosociale kenmerken van een jongeren doet meer recht aan het individu, omdat het een meer holistische benadering is. Op deze manier wordt zo veel mogelijk informatie meegenomen waarvan we op basis van wetenschappelijk onderzoek weten dat deze relevant is voor het begrijpen en verklaren van delinquent gedrag. Bovendien krijgen we zo een beter beeld van de  complexe samenhang tussen verschillende kenmerken. Denk bijvoorbeeld aan het effect van een instabiele thuissituatie op een jongere met een heel reactief stress-systeem en copingproblemen of op een jongere met een (te) weinig reactief stress-systeem en geldproblemen. Bij beide jongeren kan het zijn dat zij door die combinatie van factoren  in drugshandel terechtkomen. Maar, de beste behandeling van deze problematiek in een JJI kan op basis van de samenhang van hun kenmerken wel verschillen.

Professionals in het veld geven aan dat het soms lastig is om tot een plan van aanpak te komen dat goed aansluit bij (de achterliggende problematiek van) een jongere. Dit omdat het moeilijk is alles goed in kaart te brengen vanwege de grote hoeveelheid relevante informatie. Met name wanneer in een multidisciplinair overleg het behandeltraject van een jongere wordt besproken, zou het handig zijn om een goed overzicht te hebben van alle relevante informatie. Een mogelijke stap is om met behulp van een rekenmodel verschillende soorten kenmerken en hun onderlinge complexe samenhang beter in kaart te brengen en te leren begrijpen hoe dat samenhangt met een passende interventie.

Een data-gedreven rekenmodel

Alle neurobiologische, psychologische en sociale kenmerken die worden verzameld binnen het SCIN project worden als datapunten ingevoerd in een rekenmodel. Met dit rekenmodel kijken we vervolgens welke biopsychosociale kenmerken van een jongere samenhangen met elkaar en welke verbanden er zijn tussen deze kenmerken, de reactie op behandeling, recidive en kwaliteit van leven. Aan de hand van dit rekenmodel wordt uiteindelijk een voorspelling gemaakt wat de kans op recidive is en welke behandeling het beste werkt voor wie. Hiermee beogen we de mentale gezondheid van jongeren met delinquent gedrag te verbeteren, recidive te verminderen en hun functioneren in de maatschappij te verbeteren. Een belangrijk voordeel van het gebruiken van een rekenmodel is dat er objectief rekening gehouden kan worden met grote hoeveelheden informatie tegelijkertijd. Echter, er zijn ook risico’s en mogelijk ethische bezwaren.

Het rekenmodel biedt ondersteuning, geen beslissing

Een risico van het werken met rekenmodellen is dat de uitkomst van het model gebruikt zou kunnen worden als leidend in plaats van ondersteunend. In het SCIN project wordt het model ontworpen zodat er een advies gegeven wordt over welke mogelijke interventies bij welke jongere passen. Echter, dit blijft een advies; er zijn altijd meerdere interventies die passend kunnen zijn; het is aan de behandelaar om de uiteindelijke afweging te maken. Daarin kunnen soms ook praktische redenen meespelen. Bovendien kunnen we nooit met 100% zekerheid zeggen of een behandeling aan gaat slaan. En, nog belangrijker, professionals die met deze jongeren werken voegen hun eigen kennis toe aan de beslissing. Professionals weten  bijvoorbeeld dat de geadviseerde behandeling wellicht toch niet geschikt is, omdat er niet aan basisvoorwaarden voor de behandeling wordt voldaan. Het is dus belangrijk dat professionals het rekenmodel gebruiken als ondersteuning van hun keuze, en het resultaat niet automatisch overnemen. Hierover moet bij ingebruikname duidelijk gecommuniceerd worden. Ook moet het advies zo gemaakt worden dat eigen interpretatie gestimuleerd wordt, bijvoorbeeld door meerdere behandelopties te geven en bij elke optie aan te geven hoe passend deze bij de betreffende jongere is.

Advies geven kan alleen op basis van kwalitatief goede input

Een nadeel dat gerelateerd is aan bovenstaand risico is dat de uitkomst van de voorspelling alleen geldt voor personen die goed vertegenwoordigd zijn in de gegevens waarop het model gebaseerd wordt. Bijvoorbeeld, wanneer het model van SCIN gemaakt wordt op basis van gegevens van 750 jongens en 50 meisjes, dan is het de vraag hoe goed de voorspelling geldt voor meisjes. Het is dus heel belangrijk om hier transparant over te zijn, en de gebruikers van het model goed te informeren over de aannames en gegevens waarop het model gebaseerd is. Zij kunnen er dan voor kiezen de uitkomsten van het model in bepaalde gevallen niet (of minder) mee te wegen.

Ook moet de kwaliteit van de gegevens goed bewaakt worden. De eerste gegevens van het model worden verzameld door onderzoekers die hiervoor zijn opgeleid. Zij hebben de meest betrouwbare metingen en manieren van gegevensverzameling geselecteerd. Het is belangrijk om te evalueren of  de kwaliteit van de gegevens en gegevensverzameling tijdens dit onderzoek inderdaad gewaarborgd is. En ook, wanneer nieuwe gegevens door professionals in de praktijk toegevoegd worden – na ingebruikname van het model -is het belangrijk toe te zien op de kwaliteit hiervan. Wederom is transparantie over de kwaliteit, en ook monitoring en evaluatie hierbij cruciaal. Door goed te communiceren over de mogelijkheden en limitaties van het rekenmodel weten professionals hoe zij de uitkomst kunnen gebruiken, en via monitoring en evaluatie houden we de kwaliteit van het model hoog.

Rekenmodellen zijn transparanter in vooroordelen

Wanneer de kwaliteit van de gegevens in het rekenmodel goed is, is een voordeel dat er gebruik gemaakt kan worden vaneen grote hoeveelheid aan diverse gegevens tegelijkertijd. Binnen SCIN denken we goed na over welke gegevens we aan het rekenmodel toevoegen. Dit doen we samen met praktijkprofessionals, onderzoekers en ervaringsdeskundige jongeren. Hiermee beogen we dat de gegevens van goede kwaliteit zijn en dat er geen vooroordelen zit in de verzameling van deze gegevens.

Daarnaast is het in een data-gedreven model mogelijk om te bepalen of er een vooroordeel in de voorspelling zit, omdat alle gegevens waarop de voorspelling wordt gemaakt beschikbaar zijn. Het is dan wel noodzakelijk om te kiezen voor een model waarin de achterliggende analyses toegankelijk zijn (dit in tegenstelling tot een zogenaamd “black-box”-model).De transparantie van een rekenmodel staat in tegenstelling tot wanneer een professional of multidisciplinair team de voorspelling maakt: bijna alle mensen maken immers aannames en hebben vaak onbewuste vooroordelen. Deze vooroordelen zijn echter lastig te achterhalen. Een data-gedreven voorspelmodel kan helpen bij het objectief wegen van grote hoeveelheden informatie en het transparanter maken van vooroordelen in voorspellingen. De voorwaarde is wel dat er een open model wordt gebruikt, en de verzameling van gegevens ook vrij is van vooroordelen.

Monitoring op gebruik is essentieel

Zoals hierboven benoemd is monitoring van het gebruik van het rekenmodel belangrijk om de kwaliteit van de gegevens te waarborgen, en ook toe te zien op mogelijke vooroordelen. Monitoring is ook belangrijk vanwege een andere reden: het model is enkel bedoeld om professionals te ondersteunen in de keuze voor een behandeltraject. Alhoewel inschatting van het risico op recidive onderdeel is van de voorspelling van een geschikt behandeltraject, maken wij het model niet als risicotaxatie-instrument of voor andere mogelijke andere doeleinden die we nu nog niet kunnen overzien. Om het juiste gebruik van het rekenmodel te waarborgen is monitoring essentieel.

Conclusie: rekenmodellen verbeteren persoonsgericht en kennisgericht werken, mits transparantie en monitoring op orde zijn

De conclusie van onderzoekers, praktijkpartners en ervaringsdeskundigen is dat het rekenmodel van SCIN van toegevoegde waarde zou kunnen zijn in de dagelijkse praktijk: op basis van een model waarin de juiste gegevens verzameld zijn  kan beter in kaart worden gebracht wat een jongere nodig heeft en wat werkt voor wie. Aan het gebruik van een mogelijk model zijn wel strikte voorwaarden verbonden. Zo moet er goed gecommuniceerd worden over wat het model wel en niet kan, en dat het model ondersteuning biedt en geen definitieve beslissing. Daarnaast moet gebruik van het model goed gemonitord worden op kwaliteit van de gegevens en rechtmatig gebruik.

En tot slot – misschien wel het belangrijkste – is dat het model een voorspelling maakt op basis van patronen die gevonden zijn bij unieke jongeren, met ieder hun eigen verhaal. Hoewel we met onze rekenmodellen juist het individu centraal willen stellen, zal het onmogelijk blijven om het individu in zijn geheel te beschrijven. Achter elke jongere zit een eigen verhaal, dat nooit helemaal in getallen weergegeven kan worden. Een gedegen rekenmodel vormt alleen in combinatie met de expertise van de zorgprofessionals en het contact met de jongere een beeld dat recht doet aan de persoon achter de getallen.

Dit artikel werd mogelijk gemaakt door

Dit artikel werd gevormd op basis van een workshop georganiseerd door De Ethische Data Assistent (DEDA, Universiteit Utrecht). Met bijdragen van April (Young Perspectives), Leila van den Broek (de Borg), Jeroen Dijkmans (Amsterdam UMC), Andrea Donker (Hogeschool Utrecht), Melanie Franse (Universiteit Leiden/NIFP), Anke van Gorp (Hogeschool Utrecht), Sterre van Haeringen (Amsterdam UMC), Lucres Jansen (Amsterdam UMC), Peter de Looff (de Borg), Marjolein Maas (SVG Reclassering/3RO), Shivan Marhe (Amsterdam UMC), Roy Otten (Radboud Universiteit Nijmegen), Evelien Platje (Hogeschool Utrecht), Estèlle Tamming (RJJI), Annelinde Vandenbroucke (Amsterdam UMC), Elles Verheijen (SVG Reclassering/3RO), Renske Zacht (RJJI).

Referenties

Berghuis, M.L. (2023). Recidive onder schuldig volwassenen en jeugdigen 2012-2022 (Factsheet 2023-3). WODC

de Ruigh, E. L., Kleeven, A. T. H., Jansen, L. M. C., de Vries Robbé, M., Vermeiren, R. R. J. M., Mulder, E. A., … Popma, A. (2020). Predicting youth reoffending after incarceration: added value of protective factors and heart rate variability. The Journal of Forensic Psychiatry & Psychology, 32(4), 449–480. https://doi.org/10.1080/14789949.2020.1860250