Kleine klinische dataconcepten

Kleine klinische dataconcepten

Zorginstellingen hebben steeds meer behoefte aan standaardisatie van data, terwijl het data- en applicatielandschap van zorgorganisaties juist versnipperd is. De oplossing voor dit probleem is te vinden bij de bron: de kleinst mogelijk klinische dataconcepten.

Inge Strijker en William Goossen

De gezondheidszorg is een informatie-intensief bedrijf. De behoefte aan gegevensverwerking en ondersteuning door ICT neemt exponentieel toe. Deze behoefte heeft verschillende oorzaken.

Ten eerste ervaren ziekenhuizen en thuiszorg steeds meer maatschappelijke druk om gege­vens te leveren, zowel voor de primaire zorg als voor indicatoren van de IGZ (Inspectie voor de Gezondheidszorg), allerhande enquêtes, vragen­lijsten, verantwoordingsinformatie en bevolkings­statistieken.

Ten tweede komen er steeds meer over­drachtsmomenten in de zorgketen, als gevolg van het toenemend aantal mensen met zorgaan­doeningen en een verkorting van de ligduur in het ziekenhuis. Het is al lang geen utopische gedachte meer dat patiëntgegevens geautomati­seerd en veilig kunnen meegaan bij de overdracht van ziekenhuis naar thuiszorgorganisatie. Maar realiteit van alledag is het evenmin.

Ten derde is er veel data in zorginstellingen die gebruikt kan worden voor onderzoeksdoelstellin­gen (al dan niet verrijkt). Een voorwaarde voor het gebruik van data voor kwaliteitsindicatoren, voor overdracht in ketenzorg en voor onderzoeks­doeleinden is dat deze data op dezelfde wijze, volgens dezelfde standaarden, zijn opgeslagen in de verschillende bronnen van de verschillende zorginstellingen. En hier zit de kneep. Op dit moment slaan de zorginstellingen data niet op volgens algemeen geldende standaarden. Inte­gendeel: ze slaan data op in verschillende syste­men op diverse manieren en in uiteenlopende opslagformaten.

Een mogelijke oorzaak is dat zorgorganisaties net als veel andere organisaties vooral een applicatie­gerichte visie hanteren op de inrichting van hun informatievoorziening. Ter ondersteuning van elk cluster van processen plaatst men een applica­tie die in staat is dat deel van de organisatie te ondersteunen. Elke applicatie beheert een eigen database en vormt daarmee een eilandje in de informatievoorziening. Deze applicaties kennen vaak overlappende functionaliteiten en zijn vaak niet op elkaar afgestemd. Dit heeft als resul­taat de eerdergenoemde versplintering van het datalandschap. Hier komt nog bij dat bedrijfspro­cessen de eigenschap hebben dat zij dynamisch zijn en voortdurend veranderen. Dit leidt ertoe dat het datalandschap niet alleen versplinterd is, maar ook instabiel. Dit is geen goed uitgangspunt voor de ondersteuning van zorgprocessen, het opleveren van de gevraagde kwaliteitsindicato­ren, voor informatie-uitwisseling in ketenzorg en voor onderzoeksdoeleinden.

Managementaandacht

Een oplossing van de geschetste problematiek is dat het management zijn aandacht verplaatst van applicatiegericht naar datagericht. De data vor­men tenslotte het solide hart van de organisatie, waaromheen de steeds veranderende processen het beheer en gebruik van deze data organiseren.

Hoe kan een organisatie (en zeker een zorgverle­ner) die zich geconfronteerd ziet met een uitge­breid en weinig coherent applicatielandschap in de harde werkelijkheid de omslag maken naar een gegevensgerichte beheerstructuur?

Een oplossing is het inrichten van een Operatio­nal Data Store (ODS). Een ODS is een centrale database die als doel heeft alle data die een orga­nisatie vastlegt en uitwisselt (zowel intern als met externe partijen) centraal op één plek te beheren en op gestandaardiseerde wijze aan afnemers ter beschikking te stellen. Het DataWareHouse (DWH) is een bekende vorm van een ODS, die al een tijd zijn toegevoegde waarde bewijst. In de gezondheidszorg is al wel sprake van toepassin­gen van DWH’s, maar het accent ligt daarbij tot nu toe vooral op de financiële data, onder andere voor de registratie en monitoring van Diagnose Behandel Combinaties (DBC).

Het inzetten van een Clinical Data Warehouse (CDWH) voor het opleveren van kwaliteitsindi­catoren, voor het uitwisselen van patiëntgegevens in ketenzorg en/of onderzoeksdoeleinden kan een essentieel instrument zijn om verschillende redenen. De belangrijkste reden is dat het gebruik van een CDWH dwingt tot de noodzakelijke standaardisatie van data die nodig is voor de genoemde doeleinden. Een andere reden is dat het rechtstreeks uitzetten van query’s ten behoe­ve van onderzoek in een Elektronisch Patiënten Dossier (EPD) de performance van productie­processen kan schaden. Een derde argument is dat vertrouwelijke patiëntgegevens niet in onder­zoeksbestanden terecht komen als zorginstellin­gen een CDWH gebruiken. Men kan een CDWH zo ontwerpen dat het de data die vereist zijn voor onderzoek op strikt anonieme wijze verstrekt.

Onderzoek

Het lectoraat ICT-Innovaties in de zorg van Hogeschool Windesheim voert, samen met de Isala klinieken, Isala Academie en Icare Thuis­zorg, onderzoek uit naar de te hanteren metho­den en technieken om een CDWH op te zetten, naar de werking van een CDWH en de resulta­ten van het gebruik ervan. Het bijzondere in de gehanteerde methodiek is dat gestart wordt met het structureren van klinische data door middel van Detailed Clinical Models (DCM’s). Een DCM is een relatief klein onafhankelijk logisch informatiemodel, ontworpen om klinische con­cepten weer te geven op een gestandaardiseerde wijze die geschikt is voor hergebruik. Het docu­menteert klinische informatie op het niveau van data-elementen en hun onderlinge relaties als een discrete set van precieze kennis over een klinisch concept. Onder ‘klinisch’ wordt verstaan dat het in de directe zorgverlening in alle secto­ren wordt gebruikt. Voorbeelden van klinische concepten zijn: ‘BodyWeight’, ‘Maagcarcinoom’, ‘Pijnschaal’, ‘Infectieverschijnselen’ en ‘Diabetes’. Zo zijn er vele duizenden DCM’s denkbaar en zo zijn ze voor een deel ook al beschreven. Vijfen­twintig DCM’s kunnen een klinische functie al ondersteunen. We verwachten dat het standaar­diseren van het data- en applicatielandschap in de zorg (in de veelheid van klinische concepten, in de complexiteit van de gelaagdheid daarvan, in de brei van applicaties en de steeds veranderen­de processen in de zorg) het best uitvoerbaar is door te starten met de data en daarbij uit te gaan van de kleinst mogelijke eenheid: het DCM.

In het vervolg van dit artikel beschrijven we ach­tereenvolgens de achtergrond van het onderzoek, het experiment om te komen van DCM’s tot een CDWH, de resultaten hiervan en voorstellen voor verbetering. We eindigen met een conclusie.

Partijen en vraagstelling

Aan dit onderzoek ligt een RAAK-publiek-aan­vraag ten grondslag. RAAK-publiek is een stimule­ringsregeling die wordt uitgevoerd door de Stich­ting Innovatie Alliantie. Deze regeling is gericht op het stimuleren van samenwerking en kennisuit­wisseling tussen hogescholen en professionals uit de publieke sector. Doel is het creëren van ruimte voor praktische innovaties die aansluiten op de dienstverlening uitgevoerd door deze sector. De innovaties komen veelal tot stand door het uitvoe­ren van onderzoek. De aanvraag is de volgende: ‘Uitwisselen verpleegkundige informatie oncologie met behulp van een Clinical Datawarehouse’. Dit zijn de betrokken partijen en de vraagstelling, horend bij deze RAAK-publiek-aanvraag:

Hogeschool Windesheim – Lectoraat ICT-innovaties in de zorg:

Dit lectoraat doet toegepast onderzoek op verschillende gebieden van ICT in de zorg, waaronder telezorg, CDWH, de communicatie tussen zorgverleners en zelfmanagement van patiënten. Het lectoraat is ver­bonden aan de School of Information Science. Er zijn twee lectoren en negen kenniskringleden (docenten) die onderzoek doen en er worden studenten betrokken bij het onderzoek.

Isala klinieken: De Isala klinieken in Zwolle zijn het grootste topklinische ziekenhuis van Nederland. Er werken 5400 medewerkers en er zijn 1000 bedden. Per jaar verzorgen zij meer dan 550.000 polikliniekbezoeken en ruim 98.000 opnames en dagbehandelingen. De Isala klinieken doen veel aan innovatie, opleiding en onderzoek.

Icare Thuiszorg: Icare Thuiszorg is onderdeel van het Espiria-concern. Espiria heeft 16.000 medewerkers in dienst. Icare levert een brede diversiteit aan producten en diensten op het gebied van consultatiebureaus en thuiszorg. Een specialisatie is de oncologiebezoeken die zij uit­voeren in samenwerking met de Isala klinieken.

Vraagstelling

De onderzoeksvragen die beantwoord zullen wor­den als gevolg van de RAAK-publiek-aanvraag, zijn de volgende:

1. Hoe kan de CDWH voor Isala klinieken wor­den ingericht voor basisgegevens, verpleegkun­dige gegevens en voor data over tumoren opdat de CDWH automatisch gevuld kan worden met gegevens uit het EPD?

2. Hoe kunnen de EPD-gegevens voor dit doel worden gestandaardiseerd, uitgewisseld en gemapt naar specifieke registraties?

3. Kunnen bestaande standaarden worden toege­past om de uitwisseling van verpleegkundige gegevens in de oncologie mogelijk te maken tussen Isala en Icare?

4. Welke query’s kunnen worden gedefinieerd voor de CDWH om de gegevens te aggregeren voor diverse doelen als kwaliteitsindicatoren, incidentie en prevalentie van ziekten en com­plicaties en voor de wetenschappelijke studies die Isala uitvoert?

Om deze vragen te beantwoorden voeren stu­denten van de School of Information Science (informatica) en van de School of Healthcare (verpleegkunde) een onderzoek uit. Ze doen dat met ondersteuning van docent/onderzoekers van Windesheim en in samenwerking met stakehol­ders van Isala klinieken, Isala Academie en Icare. Het onderzoek vindt plaats in de vorm van een experiment en wordt uitgevoerd als PRINCE 2-project. In figuur 1 staan de genomen stappen.

Figuur 1. Stappenplan in het project

Bij elke stap hielden de uitvoerders (studenten en docenten) rekening met de eisen van de opdrachtgever. Zo moet het CDWH flexibel en makkelijk uit te breiden zijn. Nieuwe DCM’s, dus nieuwe beschrijvingen van klinische concepten, moeten in de toekomst eenvoudig kunnen wor­den toegevoegd. Daarnaast moeten de respons­tijden acceptabel zijn. Ook dient het CDWH te voldoen aan de wettelijke eisen ten aanzien van privacy. Een algemeen geldende eis van de zorg­processen is dat data gemakkelijk toegankelijk moeten zijn voor de zorgverlener. Beschikbaar­heid is tenslotte een belangrijke universele eis die we aan data stellen. In de volgende alinea’s lichten we de uitvoering van de stappen toe.

DCM en informatiemodel

Het opstellen van de DCM’s is uitgevoerd door studenten verpleegkunde. Vanuit de DCM’s genereerden de studenten informatica informatiemodellen in de vorm van Unified Modeling Language (UML) met behulp van Enterprise Architecttm. Deze tool beschikt over een ad-on die in staat is om automatisch vanuit het informatiemodel een HL7v3 berichtenstruc­tuur te genereren (De organisatie HL7 levert wereldwijde standaarden voor het uitwisselen van informatie. Level 7 staat voor laag 7 van het OSI-model. Deze laag wordt de applicatielaag genoemd. HL7V3 is de standaard die in dit onderzoek gebruikt wordt voor het berichtenver­keer van en naar het CDWH (www.hl7.org)).

Een van de klinische concepten die in dit experi­ment werden gebruikt, is BodyWeight. Het infor­matiemodel voor BodyWeight staat in figuur 2.

Figuur 2. Informatiemodel BodyWeight

In dit informatiemodel zijn de gegevens een­duidig en in een structuur gedefinieerd. In het achterliggende DCM zijn de klassen en attribu­ten tot in detail beschreven, evenals de attribuut­typen en de toegestane waarden. De toegestane waarden voldoen aan de SNOMED CT-stan­daard (SNOMED CT is een internationaal, medisch terminologiestelsel en bevat een grote verzameling standaardtermen met hun synonie­men en unieke codes. De termen worden in de directe patiëntenzorg gebruikt voor de vastleg­ging van klachten, symptomen, omstandigheden, ziekteprocessen, interventies, diagnosen, resulta­ten en besluitvorming. SNOMED CT staat voor ‘Systematized Nomenclature of Medicine – Cli­nical Terms’ en wordt beheerd door de IHTSDO (www.nictiz.nl).) Vanuit dit informatiemodel is de HL7V3 berichtenstructuur gegenereerd. De informatiemodellen geven ook de basis voor het gegevensmodel in het CDWH.

HL7v3-berichtenstructuur

Het HL7v3-bericht is opgebouwd uit twee com­ponenten: de header en de payload met de XML die gegenereerd wordt vanuit het XMI-bestand afkomstig van het informatiemodel. De header bestaat uit identificerende informatie, zoals:

  • uniek identificatienummer van HL7v3-bericht;
  • overdracht identificatienummer;
  • code voor zendende partij;
  • code voor ontvangende partij;
  • gegevens van de verpleegkundige;
  • identificatie afdeling en ziekenhuis;
  • gegevens van de patiënt (zoals BSN, postcode, naam, geslacht en geboortedatum).

Een voorbeeld van de payload staat in figuur 3.

Figuur 3. Payload: de XML van de DCM BodyWeight.

De XML-tags zijn met Enterprise Architecttm automatisch gegenereerd uit het informatie­model van de DCM. In het eerste deel staat de template, in het tweede deel staan de bijbeho­rende valuesets. Hierin is bijvoorbeeld te zien dat er meerdere values mogelijk zijn voor ‘state of clothing’, namelijk: ‘Diaper’, ‘LightlyDressedOrUnderwear’, ‘Undressed’ en ‘Dressed-appea­rance’. Deze laatste twee zijn SNOMED CT-co­des. Op basis van de HL7v3-berichtenstructuur zijn berichten gevuld, klaargezet, verzonden, uitgepakt en verwerkt in het CDWH. Omdat het informatiemodel zowel input was voor de HL7v3-berichtenstructuur als voor het gegevens­model van het CDWH, pasten deze berichten zoals verwacht in het CDWH.

Gegevensmodel

Sinds datawarehouses een kritisch onderdeel van moderne organisaties zijn, bestaat de vraag wat de beste datawarehousearchitectuur is. Er is geen ‘one size fits all’-strategie om te komen tot een DWH. Elk te bouwen DWH stelt zijn eigen eisen en komt daarmee tot zijn eigen ontwerp. Twee goeroes op het gebied van datawarehouse­architectuur worden in discussies vaak aange­haald: Bill Inmon en Ralph Kimball. Inmon pleit voor een top-downontwikkeling: Enterprise Data Warehouse (EDW). Kimball beschrijft een bottom-up ontwikkeling: Data Mart aanpak. Figuur 4 toont kenmerkende verschillen tussen beide aanpakken.

Figuur 4. Karakteristieken Inmon en Kimball

Eerder in dit artikel noemden we belangrijkste eisen over uitbreidbaarheid, responstijden, priva­cyaspecten en toegankelijkheid voor zorgverlener. Naast deze eisen geldt het uitgangspunt (een van de belangrijkste ideeën achter het project) dat er gestart wordt met DCM’s. De eisen van uit­breidbaarheid en flexibiliteit en de datagedreven (DCM) aanpak pleiten voor een EDW-aanpak. De andere eisen, als responstijden, juridische restricties en toegankelijkheid van data, vragen juist weer om een Data Mart-aanpak. Daarom hebben de studenten en docenten gekozen voor een gecombineerde aanpak waarbij de DCM’s als startpunt zijn genomen. Het CDWH is gebouwd op basis van een Entiteit Relatie Diagram (ERD, figuur 5). Dit ERD is opgezet vanuit de beschikbare informatiemodellen (afkomstig van de DCM’s) van BodyWeight en Diabetes. In dit model is te zien dat Diabetes een voorkomen is van Ziekte, en BodyWeight een voorkomen van Observatie. Op deze manier kunnen meerdere DCM’s worden toegevoegd. Naast de data wordt ook de meta-informatie bij elk DCM vastgelegd. Deze meta-informatie is afkomstig uit het betref­fende DCM en bevat onder andere: Snomed CT unieke concept ID, de aanduiding dat de waar­den uit Snomed CT komen, het datatype, en in geval van fysieke kwantiteit de unit (bijvoorbeeld kilogram), display name (bijvoorbeeld lichaams­gewicht), de value set.

Figuur 5. Entiteit Relatie Diagram (ERD) van Clinical Data Warehouse (CDWH)

Datamarts

Het uitgangspunt van Kimball’s Data Marts is een sterschema. Een sterschema is een relatio­neel ontwerp waarbij vanuit één centrale tabel, de feitentabel, verwijzingen zijn naar een of meer andere tabellen, de dimensietabellen. Voor dit proces is een sterschema ontworpen gemodelleerd rondom de processen horend bij de overdracht van zorg van oncologiepatiënten met een specifieke vorm van kanker van het ziekenhuis naar de thuiszorgorganisatie. In deze overdracht worden de observatiemomenten meegegeven, inclusief de meta-informatie horend bij het DCM van de observatie. De observaties gaan in dit model alleen om Bodyweight, maar in werkelijkheid spelen meerdere dimensies een rol. Dit aantal dimensies is echter wel eindig omdat dit data­mart alleen gemaakt is voor de overdacht van een specifiek type oncologiepatiënt. Het sterschema wordt een Snowflake-model doordat rondom Bodyweight de te meten elementen zijn opgeno­men. De uitvoering hiervan is gedaan met een OLAP-tool van Microsoft.

Resultaten en vervolgstappen

Ten eerste heeft dit project fantastische resulta­ten opgeleverd in de samenwerking tussen ver­pleegkunde- en informaticastudenten. Zij heb­ben elkaars taal beter leren spreken en betreden dus met een meer technische blik (verpleegkun­de) en met een meer sociale blik (informatica) het werkveld. Dat dit gewenst is, behoeft geen nadere uitleg.

Daarnaast heeft dit experiment een aantal feite­lijke resultaten opgeleverd. Met dit experiment is aangetoond dat het niet alleen op logisch niveau mogelijk is om te komen van DCM’s naar een CDWH en de gevraagde datamarts (voor kwa­liteitsindicatoren, informatie-uitwisseling voor ketenzorg en voor onderzoeksdoeleinden), maar dat we dit ook daadwerkelijk kunnen uitvoe­ren. De studenten hebben aangetoond dat het inderdaad uitvoerbaar is om vanuit een DCM een informatiemodel en een HL7V3-berichten­structuur te genereren en een bericht te vullen. Ook het klaarzetten, transporteren, ontvangen, uitpakken en verwerken van het bericht in het CDWH werkt. De reden hiervoor is dat het data­model van het CDWH is gebaseerd op hetzelfde informatiemodel waarmee de berichtenstructuur is opgesteld. Vervolgens hebben studenten de datamarts kunnen definiëren, ontwerpen en ontwikkelen.

De vraag is of de huidige databasestructuur van het CDWH voldoende gelaagdheid heeft om toekomstige uitbreidingen aan te kunnen. Zoals eerder gezegd kunnen nieuwe klinische con­cepten relatief eenvoudig worden toegevoegd. Hier dienen we echter twee kanttekeningen bij plaatsen:

Wat gebeurt er als we duizenden nieuwe

klinische concepten toevoegen? Hoe overzich­telijk is het ERD van het CDWH dan nog? Hoe makkelijk zijn de datamarts dan nog te definië­ren en te bouwen? En wat betekent het voor de performance?

• In de zorg worden vaak meerdere klinische concepten met elkaar gecombineerd in plaats van naar één concept te kijken. Bijvoorbeeld: bloeddruk, gewicht en hartslag. Deze concepten kunnen samenkomen in vooraf gedefinieerde composities. Deze composities brengt men net als de DCM’s op dit moment in kaart. Hoe deze composities een plaats kunnen krijgen in het huidige CDWH moet verder worden onderzocht.

Deze resultaten en kanttekeningen bieden vol­doende aanleiding om het idee van een CDWH vanuit DCM’s verder te ontwikkelen. De volgen­de invalshoeken zijn daarbij interessant: uitbrei­den business case, toevoegen DCM’s, toevoegen composities, verbeteren ontwerp CDWH, vullen CDWH met werkelijke gegevens uit verschillen­de systemen, aansluiting realiseren voor nieuwe partijen en nieuwe systemen.

Conclusie

In dit artikel hebben we de karakteristieken van de aanpak van Inmon en Kimball met elkaar vergeleken. De in dit project gehanteerde metho­diek neemt het beste uit beide werelden. De karakteristieken van deze methodiek staan in figuur 6. Ondanks de stappen die nog te nemen zijn, is met de gehanteerde aanpak aangetoond dat een veelheid van gegevens uit diffuse bronnen – met alle semantische uitdagingen van dien – gestandaardiseerd kan worden vastgelegd in een CDWH. We kunnen stellen dat dit een mogelij­ke oplossing is om meer eenheid te krijgen in het versplinterde data- en applicatielandschap in de zorg en daarmee te komen tot degelijke kwali­teitsindicatoren, deugdelijke informatie-uitwisse­ling in ketenzorg en juiste onderzoeksdata.

Figuur 6. Karakteristieken DCM-aanpak

 

Drs. Inge Strijker is docent/onderzoeker Hogeschool Windesheim, opleiding Business IT & Management E-mail: IA.Strijker@windesheim.nl

Dr. William Goossen is lector ICT-innovaties in de Zorg op Hogeschool Windesheim E-mail: wgoossen@results4care.nl

Dit project is financieel mogelijk gemaakt door SIA RAAK onder projectnummer 2011-13-41 P. (www.innovatie-alliantie.nl)

 

Literatuur

Bobak, A. R. (2012). Connecting the Data. Westfield: Technics Publications.

Goossen, W. (2009). Hoe maak je een EPD en wie heeft er wat aan? Een praktische verkenning van een complexe taak. Zwolle: Christelijke Hogeschool Windesheim.

Goossen, W. (2011). Detailed Clinical Models; Kennis en semantiek weergeven met UML en XML. <!Element>, 17, 11-16.

Goossen, W., & Dille, J. (2011). RAAK-publiek aanvraag 2011; Uitwisselen verpleegkundige gegevens oncologie met behulp van een Clinical Datawarehouse. Zwolle.

Goossen, W., Boterenbrood, F., & Krediet, I. (2013). Exchanging Nursing Oncology Care Data With use of a Clinical Data Ware House. eTelemed, 2013, p. 5.

Goossen, W., Goossen-Baremans, A., & van der Zel, M. (2010). Detailed clinical Models: a review. Health Inform Res, 16(4) 201-214.

Goossen-Baremans, A. (2011). Richtlijn Detailed Clinical Model. Amersfoort: Parelsnoer Initiatief.

Guido Dedene, R. M. (2000). On the integration of the Unified Process Model in a framework for software archi­tecture. Retrieved 4 28, 2013, from PrimaVera working paper, University of Amsterdam: http://imwww.fee.uva.nl/~pv/PDFdocs/2000-31.pdf

Lek, D. v., Habers, F., & Schmitz, M. (2006). Sterren en Dimensies. Alphen aan den Rijn: Array Publications b.v.

McGilvray, D. (2008). Executing Data Quality Projects. Burlington: Morgan Kaufmann.

Sanden, W. v., & Sturm, B. (1997). Informatie-architectuur de infrastructurele benadering. Rosmalen: Panfox Holding BV.

Schoonhoven, S., & Gaal, L. (2011). Samen Zorgen voor Privacy Juridische en ethische aspecten aan een Clinical Datawarehouse. Zwolle: School of Management & Law: Hogeschool Windesheim.

Turban, E., Sharda, R., Delen, D., & King, D. (2011). Business Intelligence A managerial Approach. New Yersey: Prentice Hall.

Verwey, R., Vreeke, E., Duijvendijk, I. v., & Zondervan, R. (2010). e-Overdracht in de Care; Een inventarisatie. Uitgave van Nictiz.

 

 

 

 

Tag

Onderwerp



Niet gevonden? Vraag het de redactie!

Heeft u het antwoord op uw vraag niet gevonden, of bent u op zoek naar specifieke informatie? Laat het ons weten! Dan zorgen we ervoor dat deze content zo snel mogelijk wordt toegevoegd, of persoonlijk aan u wordt geleverd!

Stel uw vraag