Practice-based evidence: leren van de zorgpraktijk

Practice-based evidence is bewijs dat ontstaat door systematisch te leren van de dagelijkse praktijk. Niet in een gecontroleerde onderzoeksopstelling, maar op de plek waar zorg echt wordt verleend: in de spreekkamer, op de afdeling, bij mensen thuis. Bij complexe interventies is dat vaak de enige manier om te achterhalen wat werkt. En toch wordt praktijkbewijs nog regelmatig weggezet als tweederangs.

Dat beeld klopt niet. Een goed opgezette praktijkevaluatie kan net zo streng zijn als een trial, alleen met ander gereedschap. De vraag is niet of je randomiseert. De vraag is of je vooraf expliciet maakt wat je verwacht, of je meet wat er daadwerkelijk verandert, en of je eerlijk blijft over wat je niet weet.

Op deze pagina lees je wat practice-based evidence precies is, waar de gerandomiseerde trial vastloopt, welke methoden er dan wel zijn en wat het van je organisatie vraagt aan registratie en cultuur. Ook lees je hoe je voorkomt dat de zin “wij zien dat het werkt” een vrijbrief wordt.

Wat practice-based evidence is en hoe het zich verhoudt tot evidence-based practice

Evidence-based practice vertrekt vanuit onderzoek. Je zoekt het beste beschikbare bewijs, weegt dat samen met je eigen professionele expertise en met wat voor deze patiënt belangrijk is, en past het toe. De beweging loopt van studie naar praktijk. Practice-based evidence draait die richting om. Je begint bij wat er in de praktijk gebeurt, legt dat systematisch vast en analyseert het, en bouwt zo bewijs op over wat werkt in jouw populatie en jouw context.

Het verschil met “ervaring” is groot, en dat verschil is precies waar het om draait. Ervaring is los, selectief en moeilijk te toetsen. Practice-based evidence is gestructureerd: er ligt een vooraf bedachte verwachting onder, er zijn afgesproken indicatoren, er is een vaste meetmomentstructuur en er is een analyse die ook ruimte laat voor een tegenvallende uitkomst. Zonder die structuur heb je geen bewijs, maar een verzameling verhalen.

De twee bewegingen zijn geen concurrenten. Ze vormen samen een cyclus. Onderzoek levert kennis die je in de praktijk toepast. De praktijk laat zien waar die kennis wringt, voor welke groepen ze niet opgaat en welke onverwachte effecten optreden. Die signalen leiden tot nieuwe vragen, en soms tot nieuw onderzoek. Wie alleen op formeel bewijs vaart, mist wat de praktijk dagelijks laat zien. Wie alleen op de praktijk vaart, mist de toetsing.

Binnen waardegedreven zorg is die cyclus geen luxe. Waardegedreven werken betekent sturen op wat een behandeling oplevert voor het leven van mensen. Dat kun je alleen doen als je die uitkomsten ook echt volgt bij je eigen patiënten, niet alleen bij de deelnemers van een studie elders.

Practice-based evidence levert dus zelden een universeel antwoord. Het levert een antwoord dat geldt voor deze populatie, deze werkwijze en deze context. Voor een organisatie die wil verbeteren is dat vaak waardevoller dan een gemiddelde uit een studie waarin jouw patiënten niet zouden zijn ingesloten.

Waarom de RCT vastloopt bij complexe interventies

De gerandomiseerde trial is niet voor niets de gouden standaard van evidence-based medicine. Loting bepaalt wie de mogelijk werkzame interventie krijgt en wie niet, deelnemer en onderzoeker weten dat allebei niet, verstoringen van buitenaf worden zoveel mogelijk uitgesloten en er doen genoeg mensen mee om een statistisch verschil te kunnen aantonen. Voor een medicijn of een enkelvoudige ingreep is dat een prachtige constructie. Je leert op een zuivere manier heel veel over heel weinig.

Bij complexe interventies werkt diezelfde constructie tegen je. Een zorgpad, een wijkgerichte aanpak of een begeleidingstraject bestaat niet uit één werkzaam bestanddeel, maar uit tientallen: de volgorde van de stappen, de bejegening, de timing van informatie, de samenwerking tussen professionals, het vertrouwen dat iemand opbouwt. Randomiseren betekent dan dat je een pakket test waarvan je niet weet welk onderdeel het verschil maakt. Valt het effect tegen, dan weet je niet of het idee niet deugt of de uitvoering.

Daar komt bij dat context in dit soort interventies geen ruis is, maar een werkzaam bestanddeel. Dezelfde aanpak pakt anders uit in een grote stad dan in een dorp, en anders bij een team dat er al jaren mee werkt dan bij een team dat net begint. Een trial probeert die verschillen weg te middelen. Juist die verschillen zijn wat je wilt begrijpen.

En dan de praktische bezwaren. Groepen zijn vaak te klein voor statistische power. Randomiseren is soms niet uit te leggen of niet ethisch, want je onthoudt iemand hulp waarvan je vermoedt dat die helpt. Deelnemers en professionals praten met elkaar, waardoor de controlegroep besmet raakt. Effecten laten jaren op zich wachten en verweven zich met gebeurtenissen die je niet kunt randomiseren, zoals een scheiding, ontslag of een nieuwe diagnose. Bij het optimaliseren van zorgpaden loop je daar bijna altijd tegenaan.

Theoriegedreven evalueren: begin bij de veranderlogica

Als je niet kunt randomiseren, wordt je redenering het fundament van je bewijs. Theoriegedreven evalueren begint daarom met de vraag waarom een interventie zou werken. Je maakt de logische keten expliciet: welke middelen zet je in, welke activiteiten voer je uit, wat zijn de directe resultaten, welke merkbare verandering verwacht je bij mensen, en aan welk breder maatschappelijk effect draagt dat bij. Die keten heet een Theory of Change.

Het krachtigste aan die oefening is niet het schema, maar het gesprek eronder. Je dwingt jezelf en je team om aannames hardop uit te spreken. Waarom zou meer contactmomenten leiden tot minder terugval? Onder welke voorwaarden gaat dat op? Wat moet er waar zijn wil dit werken, en wat gebeurt er als dat niet zo is? Aannames die nooit zijn uitgesproken, kun je ook nooit toetsen.

Vervolgens gebruik je die keten twee keer. Vooraf als ontwerpkader: welke verandering streef je na, hoe moet die tot stand komen en waaraan ga je succes aflezen. Achteraf als toetsingskader: sluit de aanpak nog aan bij het doel, kloppen de aannames nog, en leiden de activiteiten daadwerkelijk tot de bedoelde uitkomsten. Zo wordt meten een onderdeel van sturing in plaats van een exercitie achteraf.

Een veranderlogica heeft alleen waarde als hij concreet, toetsbaar en actueel is. Dat vraagt scherp geformuleerde doelen, expliciete aandacht voor aannames en risico’s, periodieke herijking op basis van nieuwe inzichten, en de bereidheid om een interventie aan te passen of te stoppen. Zonder dat laatste is de hele oefening vrijblijvend. Hoe je die redeneerlijn doortrekt naar maatschappelijke effecten lees je in het cluster over maatschappelijke impact meten.

Realist evaluation: wat werkt, voor wie, onder welke omstandigheden

Realist evaluation bouwt voort op diezelfde gedachte en scherpt haar aan. De centrale stelling is dat een interventie zelf nooit het effect veroorzaakt. Wat effect heeft, is het mechanisme dat de interventie in gang zet bij mensen, en dat mechanisme werkt alleen in een context die het toelaat. Je onderzoekt dus steeds de combinatie van context, mechanisme en uitkomst.

Een voorbeeld maakt het concreet. Een vast aanspreekpunt voor patiënten met meerdere aandoeningen leidt niet vanzelf tot betere uitkomsten. Het werkt doordat mensen hun verhaal niet steeds opnieuw hoeven te vertellen, waardoor ze eerder aan de bel trekken bij problemen. Dat mechanisme heeft ruimte nodig: een professional met tijd, een team dat overdracht serieus neemt, een systeem waarin die ene naam ook echt bereikbaar is. Ontbreekt die context, dan blijft het effect uit, terwijl het idee prima klopt.

Deze manier van kijken verandert je conclusies. Je rapporteert niet “de interventie werkt wel of niet”, maar “de interventie werkt bij deze groep, via dit mechanisme, mits aan deze voorwaarden is voldaan”. Dat is bruikbaarder voor een bestuurder die moet besluiten over opschaling, want het vertelt hem meteen welke voorwaarden hij elders moet organiseren.

Realist evaluation past ook goed bij de manier waarop verbeteren in de zorg echt gaat: in rondes. Je stelt een programmatheorie op, toetst die aan de praktijk, scherpt haar aan en toetst opnieuw. Elke ronde levert een preciezere uitspraak op. Dat is trager dan één groot onderzoek, maar het levert kennis die je onderweg al kunt gebruiken.

Narratief evalueren en triangulatie: meetbaar én merkbaar bewijs

Cijfers laten zien dát er iets verandert. Verhalen verklaren hóe en waarom dat gebeurt. Narratief evalueren gebruikt de verhalen van patiënten, cliënten en professionals als bron van inzicht: het brengt context, emoties en onverwachte effecten in beeld, en geeft groepen een stem die in vragenlijsten zelden terugkomen. Voor kleine groepen, waarin statistiek weinig zin heeft, is het vaak het enige serieuze alternatief.

Er is meer gereedschap dan het klassieke interview. Diepte-interviews wanneer je een volledig persoonlijk verhaal wilt vastleggen. Focusgroepen wanneer de interactie tussen deelnemers juist het inzicht oplevert. Speeddates om in korte tijd veel mensen te spreken en de thema’s te vinden die spelen. Participatory video, waarbij deelnemers zelf hun verhaal filmen en dus zelf onderzoeker worden. En technieken als topic modelling, waarmee je centrale thema’s uit duizenden documenten haalt en daarna verdiept.

Wel geldt hier een eerlijke beperking, en die moet je benoemen: narratief materiaal generaliseert niet statistisch. Het vertelt je wat er speelt en waarom, niet bij hoeveel procent. Daarom combineer je methoden. Dat heet triangulatie: je bekijkt hetzelfde vraagstuk vanuit meerdere invalshoeken en verhoogt daarmee de waarde en de houdbaarheid van je uitkomsten.

Triangulatie kent verschillende assen die je naast elkaar kunt inzetten. Kwantitatief tegenover kwalitatief. Observerend onderzoek door externe onderzoekers tegenover participatief onderzoek dat de doelgroep mede ontwerpt en uitvoert. Terugkijken in de tijd tegenover het volgen van ontwikkelingen. Zuivere observatie tegenover actieonderzoek, waarbij je bevindingen direct toepast en het effect daarvan opnieuw meet. Daarnaast worden uitkomsten robuuster wanneer je meerdere perspectieven meeweegt, bijvoorbeeld door de beleving van patiënten af te zetten tegen die van hun behandelaars.

In een onderzoek voor ziekenhuis de Gelderse Vallei brachten we op deze manier de plek van gezonde voeding in het oncologisch zorgpad in kaart. Het begon met een analyse van het zorgpad via interviews en workshops met specialisten, diëtisten en verpleegkundigen, gevolgd door diepte-interviews met twee patiëntgroepen. Daaruit bleek dat voedingsadvies pas impact heeft als afzender, timing en inhoud kloppen. Met die uitkomsten is het zorgpad aangepast. Zonder de verhalen was die conclusie nooit boven water gekomen. Dezelfde spanning speelt bij PROMs als uitkomstmaat, waar de scores pas betekenis krijgen als je weet wat er achter zit.

Bewijs opbouwen zonder controlegroep

Geen controlegroep betekent niet: geen bewijs. Het betekent dat je het aannemelijk moet maken langs meerdere lijnen tegelijk, en dat elke lijn afzonderlijk zwakker is dan een trial. Samen kunnen ze wel degelijk overtuigen. De kunst is om vooraf te bedenken welke lijnen je gaat trekken, niet achteraf te zoeken naar wat toevallig positief uitpakt.

Een aantal lijnen werkt in de praktijk goed. Herhaalde metingen bij dezelfde mensen, zodat je een ontwikkeling ziet en niet één momentopname. Een historische vergelijkingsgroep uit je eigen registratie: dezelfde afdeling in de periode vóór de verandering. Gefaseerde invoering, waarbij teams na elkaar starten en de nog niet gestarte teams tijdelijk als vergelijking dienen. Een dosis-responspatroon: krijgen mensen die meer van de interventie kregen ook een groter effect. En een toets op het mechanisme: zie je in de data terug wat je veranderlogica voorspelde, of alleen het eindresultaat.

Daarnaast corrigeer je expliciet voor de dingen die je bewijs kunnen ondermijnen. Attributie: welk deel van het effect komt echt door jouw interventie en niet door iets anders. Deadweight: wat zou er ook zonder interventie zijn gebeurd, want mensen herstellen ook uit zichzelf. Displacement: verplaats je het probleem misschien alleen naar een ander loket of een andere afdeling. Wie die drie vragen niet stelt, telt effecten mee die hij niet heeft veroorzaakt.

“Twintig gezinnen zijn te weinig voor statistische zekerheid. Ze zijn ruim voldoende om te begrijpen waarom iets werkt, en dat begrip is wat je nodig hebt om op te schalen.”

Een tweede voorbeeld laat zien dat ook kwalitatieve dossiers hard te maken zijn. Voor de gemeente Den Haag onderzochten we het Jongeren Perspectief Fonds, waarbij ongeveer honderd jongeren richting een schuldenvrije toekomst werden begeleid. We codeerden 93 dossiers volgens een gezamenlijk ontwikkeld raamwerk met concrete, aanwijsbare resultaten, zoals het behalen van een opleiding of het vinden van werk. Gekoppeld aan een maatschappelijke prijslijst leverde dat een sociaal rendement van 1,9 op. De interviews met de jongeren zelf lieten daarnaast zien dat ze meer zelfvertrouwen kregen en eerder om hulp durfden te vragen.

Registratie en rollen: de basis onder practice-based evidence

Practice-based evidence staat of valt bij wat je vastlegt. En juist daar zit in zorg en sociaal domein de grootste zwakke plek. Projecten worden voortvarend gestart, maar de vraag wat de vernieuwing oplevert komt zo laat dat er geen betrouwbaar antwoord meer te geven is. Professionals krijgen zelden tijd om vooraf na te denken over de gewenste resultaten en de manier van meten. Goede meetinstrumenten ontbreken, waardoor men terugvalt op losse spreadsheets.

Daarbij speelt een op zichzelf nobele gedachte een hoofdrol: liever tijd besteden aan de patiënt dan aan registratie. Het gevolg is dat data ontbreken of dat er verkeerde data worden vastgelegd. Achteraf blijft dan alleen een kwalitatieve toetsing over. Die kan goede aanwijzingen opleveren, maar is te zwak om de werking en de besparing hard te maken. En zonder onderbouwing blijft ook een geslaagde vernieuwing steken in de pilotfase.

Het alternatief is niet meer registreren, maar eerder en gerichter registreren. Stel vooraf samen een raamwerk op van resultaten die mensen kunnen behalen, per leefgebied. Kies daarbinnen een beperkte set indicatoren die er echt toe doet en laat de rest los. Zorg dat vastleggen in de werkstroom past, bijvoorbeeld met eenvoudige vinkjes per behaald resultaat in plaats van een apart formulier. Wat professionals in dertig seconden kunnen doen, wordt gedaan. Wat een kwartier kost, verdwijnt.

Beleving kun je op dezelfde manier meetbaar maken. In een langlopend traject volgden we ruim driehonderd mensen en hun hulpverleners door het proces heen. Deelnemers vulden elke twee weken een korte belevingslijst in op hun telefoon, terwijl hulpverleners per persoon de behaalde resultaten registreerden. Daardoor kon beleving als curve over de verschillende processtappen zichtbaar worden gemaakt, en werd precies duidelijk waar in het proces mensen afhaakten. Waar meetinstrumenten hun grenzen hebben, lees je in het artikel over de beperkingen van PROMs en QALY’s.

Tot slot de rollen. Je hebt een professional nodig met affiniteit voor data, een leidinggevende die er tijd voor vrijmaakt, iemand die het perspectief van de patiënt bewaakt en iemand die de analyse methodisch scherp houdt. Die laatste rol mag intern zijn, maar heeft baat bij een buitenstaander die ongemakkelijke vragen durft te stellen. En houd het aantal gegevens beperkt tot wat je echt nodig hebt: dataminimalisatie is niet alleen een privacyplicht, het houdt je meting ook uitvoerbaar.

Een lerende cultuur, en hoe je voorkomt dat “wij zien dat het werkt” een vrijbrief wordt

De grootste valkuil van practice-based evidence is dat het een dekmantel wordt voor overtuiging. “Wij zien dat het werkt” is geen bewijs, het is een hypothese. Het wordt pas bewijs als je erbij vertelt wat je hebt gemeten, bij wie, waarmee je hebt vergeleken, wat er ook zonder jouw inzet zou zijn gebeurd en welke uitkomst je van gedachten zou hebben doen veranderen. Die laatste vraag is de scherpste: wie geen enkele uitkomst kan noemen die hem zou overtuigen dat de aanpak niet werkt, doet geen onderzoek.

Daarom hoort bij elke meting een duidingsgesprek, en niet alleen een rapport. Vier vragen helpen daarbij. Herkennen: zijn de uitkomsten herkenbaar voor de mensen die het werk doen. Begrijpen: welke mechanismen verklaren wat we zien. Waarderen: wat betekent dit in relatie tot onze doelen en onze investering. Verbeteren: welke aanpassing volgt hieruit. Zonder die vertaling belandt een rapportage op de plank en leert niemand iets.

Leg vervolgens vast hoe die cyclus doorloopt. Welke indicatoren bespreek je, met wie, hoe vaak, en welke acties volgen daaruit. Maandelijks of per kwartaal werkt in de meeste organisaties, ingebed in het reguliere overleg en niet als apart project. Zo wordt meten net zo vanzelfsprekend als de financiële cyclus, en verschuift sturing van achteraf evalueren naar tijdig bijsturen.

Cultuur is daarbij belangrijker dan techniek. Een tegenvallende uitkomst moet iets kunnen opleveren in plaats van iemand beschadigen. Zolang een negatieve meting wordt ervaren als een afrekening, worden cijfers gemasseerd en verdwijnen lastige signalen uit het gesprek. Vergelijking met andere afdelingen of collega-organisaties helpt daarbij enorm, mits die vergelijking wordt gebruikt om verschillen te verklaren en niet om een ranglijst te maken.

“Er is niet te veel, maar te weinig onderzoek in zorg en sociaal domein: te weinig praktisch en mensgericht onderzoek dat gericht is op leren en verbeteren.”

Wees ten slotte open over wat je niet weet. Beschrijf je methode, je vergelijkingsbasis en je onzekerheden net zo zorgvuldig als je resultaten. Deel je bevindingen buiten je eigen muren, ook als ze tegenvallen, en laat een externe partij meekijken bij de analyse. Praktijkbewijs dat de toets van buitenaf doorstaat, is precies het bewijs dat je nodig hebt om op te schalen. Bij impactmeting en effectonderzoek zetten we die stap samen met opdrachtgevers.

Practice-based evidence als motor voor betere zorg

Practice-based evidence is geen zwakkere variant van wetenschappelijk onderzoek. Het is de manier waarop je kennis opbouwt over interventies die zich niet in een gecontroleerde opstelling laten vangen: interventies met veel bewegende delen, waarin context meedoet en waarin de groep te klein is voor statistiek. Dat vraagt om een expliciete veranderlogica, om meerdere methoden naast elkaar en om eerlijke correcties op wat je claimt.

De organisaties waar dit werkt, hebben één ding gemeen. Ze zijn vóór de start gaan nadenken over wat ze wilden bereiken en hoe ze dat zouden merken, ze hebben registratie klein en werkbaar gehouden, en ze hebben een plek gemaakt waar cijfers en verhalen samen op tafel komen. Anders denken, anders doen: dat is precies wat waardegedreven werken vraagt.

Wil je weten hoe je dit in jouw organisatie opzet? Bekijk onze aanpak voor de gezondheidszorg en ontdek hoe we samen met zorgorganisaties bewijs uit de praktijk bruikbaar maken.

Veelgestelde vragen

Wat is het verschil tussen practice-based evidence en evidence-based practice?

Evidence-based practice vertrekt vanuit bestaand onderzoek en past dat toe in de praktijk, samen met professionele expertise en de voorkeuren van de patiënt. Practice-based evidence draait de richting om en bouwt bewijs op vanuit de dagelijkse praktijk zelf. Ze zijn geen tegenpolen: samen vormen ze een cyclus waarin onderzoek en praktijk elkaar blijven bijstellen.

Is practice-based evidence net zo betrouwbaar als een RCT?

Het bewijsniveau verschilt, en dat moet je eerlijk benoemen. Een goed opgezette praktijkevaluatie is wel degelijk stevig, mits je vooraf een veranderlogica vastlegt, meerdere methoden combineert en corrigeert voor attributie, deadweight en displacement. Bij complexe interventies levert het bovendien vaak bruikbaarder inzicht op dan een trial, omdat je ziet wat werkt voor wie en onder welke omstandigheden.

Hoe toon je effect aan zonder controlegroep?

Door meerdere zwakkere bewijslijnen te combineren tot één overtuigend geheel. Denk aan herhaalde metingen bij dezelfde mensen, een historische vergelijking uit je eigen registratie, gefaseerde invoering waarbij teams na elkaar starten, een dosis-responspatroon en een toets of het veronderstelde mechanisme ook echt zichtbaar is in de data. Bepaal die lijnen vooraf, niet achteraf.

Welke methoden horen bij practice-based evidence?

Theoriegedreven evalueren via een Theory of Change, realist evaluation, cohortregistraties en uitkomstmetingen, actieonderzoek, benchmarking tussen vergelijkbare teams en narratief evalueren met interviews, focusgroepen of participatory video. Meestal zet je meerdere methoden naast elkaar in. Die combinatie heet triangulatie en maakt je uitkomsten robuuster.

Wat heb je minimaal nodig om te starten?

Een scherpe vraag, een uitgeschreven veranderlogica en een beperkte set indicatoren die past in de werkstroom van professionals. Daarnaast een nulmeting of een bruikbare vergelijkingsbasis uit bestaande registraties, en iemand die de analyse methodisch bewaakt. Begin klein: een goede meting op één zorgpad levert meer op dan een dashboard dat alles wil volgen.

Hoe voorkom je dat praktijkbewijs alleen bevestigt wat je al vond?

Door vooraf vast te leggen welke uitkomst je van gedachten zou doen veranderen, en door tegenvallende resultaten net zo zichtbaar te maken als successen. Organiseer een duidingsgesprek waarin ook de mensen zitten die het werk doen, vergelijk je uitkomsten met andere teams of organisaties en laat een externe partij meekijken bij de analyse. Openheid over methode en onzekerheden is daarbij geen zwakte, maar het bewijs dat je onderzoek serieus neemt.