促进卫生公平:一个数据驱动的方法关闭的意图和行动之间的差距

从2020年开始,显著更高COVID-19社区感染和发病率的颜色比白人社区加强对不公平的医疗保健的人力和财力成本。作为回应,优先推进更多的医疗组织卫生公平和投资多元化、股权和包含程序和需要的领导人数据展示最重要的差距和医疗差距。

股票是一种6质量维度在医疗和一直以来国家医学研究院(南)在2001年发表的“跨越鸿沟”质量。自2018年以来,医疗保险和医疗补助服务中心(CMS)卫生公平奖识别组织致力于通过战略方法克服差异识别、排序,解决改进的领域。有效的质量评估包括股本是必要的。

促进卫生公平:质量必须公平

根据南,医疗质量必须是安全的,有效的,病人为中心,及时、高效和公平的。南将公平定义为“提供照护质量没有变化,因为个人特征包括性别、种族、地理位置,和社会经济地位。”

然而,医疗组织通常仅依靠激情和毅力解决股权。有依赖的空白分析和增强情报不公平的保健(AI)来识别和地址。作为一个行业,不会追求其他方面的改善,如安全和有效性,不依赖数据,我们必须关闭股本缺口通过利用数据。

南的声明在护理质量提供了一个提示,如何缩小差距。如果这个行业改变“保健不改变…”“保健…无法预测的,”我们打开使用人工智能工具集的可能性。卫生公平成为预测模型我们希望我们不需要建立。我们感觉“好”能够预测病人的重新接纳根据他们的药物治疗复杂性(我们可能会用药物干预简化、支持或教育)。但是,我们并不感觉良好更高的重新接纳风险由于个人特征,包括初级口语或邮政编码。

促进卫生公平的普遍利益

医疗组织受益于所有数据改善卫生公平性和形式化和实施平等的访问和交付的所有病人的医疗保健。

随着改善临床结果,支持卫生公平性改善卫生系统的运营和财务表现。2016年IHI白皮书项目,任其发展,健康差异可能达到一个经济负担在美国到3530亿年的2050美元(图1)。

COVID-19:鲜明的健康不平等的真实世界的实例

COVID-19证明美国卫生系统在卫生公平性不足。弱势群体承担大流行的冲击从感染率和死亡的风险获得治疗,测试和疫苗接种。

例如,基于早期流行的数据报告《美国医学会杂志》黑人县,当地居民在美国经历了三次COVID-19感染率和死亡率的主要是白人县的6倍(图2)。

不出意料,COVID-19影响黑人人口的差距反映了几十年的记录医疗之间的差距。的一份报告凯塞家庭基金会州黑人和印第安人或阿拉斯加本地(禽流感)个人继续更糟在大多数检查健康状况的措施,包括身体和心理健康状态(图3)。与此同时,黑人和禽流感个人的婴儿死亡率是白色人的大约两倍。黑人青少年和成年人有超过8倍艾滋病毒诊断速度,和西班牙裔青少年和成年人有超过三倍艾滋病毒和艾滋病诊断速度。

医疗差距,包括那些COVID-19有关,是更广泛的潜在的社会和经济不平等现象的一部分,使其比以往任何时候都更重要的组织数据和分析来理解个人特征、目标、偏好,和环境的服务。增加见解主要驱动因素包括健康问题社会决定因素(SDOH),人们出生的条件,成长,生活,工作,和时代都区域医疗数据没有传统的捕获。COVID-19进一步凸显了美国种族和民族团体之间的卫生不公平现象,产业不能忽视的需求全面的病人数据和开放的分析。

卫生公平的最佳实践:Data-Informed方法如何提供高质量的所有,支持短期和长期的经济成功

更好的data-informed决策的第一步是实现更大的平等不只是一场危机就像一个大流行期间在日常医疗保健。卫生公平的data-informed方法指导重点和理性的责任目标获取资源,并提供工具来优化的影响。

例如,健康催化剂的数据驱动世界杯葡萄牙vs加纳即时走地的卫生公平的解决方案,目前正在试验,结合了一个分析框架和服务专业知识来完成以下:

• 使用数据来理解哪些措施展示最重要的差异和个人特征驱动这些差异。
• 改进的设定可衡量的目标。
• Partneringto进行有意义的、可衡量的进展推动临床操作和财务的改进。

通过人工智能卫生公平

AI是合理的担忧加剧差距如果算法依赖于偏见的假设或数据,可以强化不公平现象。在健康世界杯葡萄牙vs加纳即时走地的催化剂,我们分享这方面的关注。我们还发现使用人工智能的方法,以减少差距。我们这样做是为了确保AI赋予组织确定集中他们的注意力和资源。

医疗是习惯使用预测模型,例如,预测重新接纳或心血管疾病风险,根据临床因素,如共病负担,药物治疗复杂性,或遗传学。有人可能会愈合比车祸更迅速从一个分支。

我们已经确认了差异如果我们能预测护理或结果基于个人特征。当我们无法预测保健或结果基于个人特征,如种族,种族,年龄,性别,性取向,邮政编码,我们演示了健康权益。

关闭卫生公平的意图和行动之间的差距

接近卫生公平性作为预测问题打开整个预测建模工具箱组织希望减少差距但缺乏定量支持确定改进的领域。这是一个意想不到的高质量数据分析驱动大规模取代轶事和假设,可衡量的,data-informed改进。

更多的阅读

你想了解更多关于这个主题?这里有一些文章我们建议:

• 卫生公平性:为什么重要以及如何实现它
• 开始对话:卫生公平
• 内隐偏见训练有助于消除医疗差距
• 促进卫生公平——数据驱动策略减少卫生不公平现象
• 2021年医疗保健趋势:领导人需要知道从COVID-19新政府的政策

幻灯片

你想使用或分享这些概念?下载这个报告强调的关键要点。

---