泰勒拉森

基于医疗保健数据的决策的复杂性和后果要求最高质量的数据——COVID-19放大了这种关系。与大流行驱动的紧迫性、数据的多样性和资源缺乏相关的决策挑战，使组织建立数据质量联盟和战略，以确保全系统的数据符合目标变得比以往任何时候都更加关键。拥有定义、评估和监视数据质量所需的人员、流程和技术，可以在组织规模上实现快速、有效和持续的响应。该联盟使所有资源在一个定义良好的结构中共同完成手头的任务。

医疗保健提供者知道，COVID-19将威胁到患者的生命，但很少有人了解其业务和整个行业的更大涟漪效应。对于供应商来说，covid -19引发了两大挑战:分析压力和资源限制。这些挑战凸显了数据质量的关键重要性。

通过理解从2019冠状病毒病(COVID-19)中吸取的数据质量教训，医疗保健行业的领导者可以提高整个组织的数据质量。从这些教训中得出的5条指导原则将帮助组织为下一次大流行或重要的分析用例做好准备:

1.评估整个管道的数据质量。
2.不要让分析师们交火。
3.把目光投向组织的四壁之外。
4.数据上下文和目的很重要。
5.使用单一的视角来衡量数据质量。

医疗保健组织越来越了解数据质量的价值，但许多组织缺乏建立和维护该质量的系统过程。然而，随着COVID-19应对和恢复工作进一步凸显出对及时、可操作的数据的需求，各组织必须对数据质量采取更积极主动的方法。

结构化过程利用技术和主题方面的专业知识来定义、评估和监视整个管道的数据质量。卫生系统可以遵循一个简单的四级框架来衡量和监测数据质量，确保数据适合于驱动基于数据的高质量决策:

1.把数据看作一种产品。
2.首先解决结构数据质量问题。
3.与主题专家一起定义内容级数据质量。
4.建立一个多学科支持联盟。

随着卫生系统继续采用机器学习来影响重大成果(例如，减少再入院、预防医院获得性感染和缩短住院时间)，它们还必须利用循证医学。证据为机器学习模型增加了关键的洞察力，确保模型在其风险预测中包含所有必要的变量，并在临床医生中建立可信性。

循证医学为医疗机器学习带来了三个基本元素:

1.提高机器学习模型的可信度。
2.在医疗保健项目周围聘用数据专家。
3.节省时间和金钱，提高投资回报率。

在当今由改进驱动的医疗保健环境中，组织必须确保改进措施帮助它们达到预期的结果，并将重点放在具有最佳ROI的机会上。通过基于数据科学的分析，卫生系统利用机器学习来确定改进措施是否符合具体结果，并避免实施不太可能支持其目标的干预措施的风险和成本。

来自数据科学的见解有助于卫生系统实施和持续改进，有四个基本原因:

1.与预期结果相一致的措施推动改进。
2.改进团队关注他们可以影响的过程。
3.针对结果的干预措施可能会影响其他结果。
4.确定具有最佳ROI的机会。