当医疗保健数据分析师履行数据侦探角色时

即使文字不正确，人的大脑也能读出文字。只要第一个和最后一个字母在正确的位置，中间的字母可以被打乱，大脑就会根据上下文来理解单词。人工智能先锋Ray Kurzweil认为所有的学习都来自于人类大脑中大量的层级和递归过程。在学习阅读的过程中，我们首先识别单个字母的模式，然后是单个单词的模式，然后是单词组，然后是段落，然后是章节，最后是整本书。

数据中的模式，加上上下文，是重要的工具改进的过程．要发现这些模式并将其放入上下文中，需要扮演数据侦探角色的医疗保健数据分析师具有特殊才能。

数据侦探使用数据为三重目标开辟新路径。要理解他是如何做到这一点的，就想想桥梁这个工程奇迹吧。它的建设是经过大量的开拓和规划的。桥是一种操作表现，某人走在前面，并宣布需要一座桥。大多数桥梁允许通勤者穿过以前无法通行的道路。在实际情况中，数据探测允许同样的事情。他帮助确定值得开拓的道路，并经常支持工程解决方案的过程，以持续抓住机会。2022卡塔尔世界杯赛程表时间

了解医疗保健数据分析师如何承担数据侦探的职责，以及如何在医疗保健组织中提高这种能力并支持它，是值得的。

医疗保健数据分析师扮演数据侦探的需求

三个跨行业的驱动因素影响着对数据侦探的需求。

1)。数据捕获有指数级的增长．如今，普通手机的存储空间可能不足8g，但在20世纪80年代，1g是不可想象的。1981年，苹果以70万美元的价格出售1g的存储空间。今天，花10美元就可以买到1tb的存储空间。存储成本的急剧下降，加上处理能力的指数级增长，使得数据捕获非常容易。

医疗保健也经历了惊人的增长数据．在提供临床护理的同时，该行业还掌握了人口统计数据，以及提供这种护理所需的美元和熟练劳动力成本。它捕捉了患者对他们的护理的感受，以及大量的辅助数据，如收入、合并症、家族史和基因。

2)。第二个跨行业驱动因素是灾难性事件。在与在FBI工作了30年的老兵罗伯特·a·史密斯(Robert a . Smith)的一对一会面中，他谈到了9·11事件如何极大地影响了在FBI工作的分析师的角色。这种变化是由9/11之后发生的事情促成的。对FBI系统内数据的回顾性分析揭示了可能存在威胁的详细信息，但这一威胁并未被发现，原因有两个:一是FBI需要更多的分析师，二是他们需要更好的分析能力。问题不在于获取数据，而在于解读数据，并将这种解读传达给正确的人。这导致了联调局的彻底变革，分析团队的规模扩大了两倍。

不幸的是，医疗保健也有灾难性的事件，如错误的手术位置、药物错误和患者摔倒。此外，不断增加的医疗费用，加上缩减补偿，迫使医疗保健提供者用更少的钱做更多的事。

3)。医疗保健需要对数据进行批判性思考。大数据的炒作，以及关于技术能做什么、不能做什么的令人困惑的信息，正是批判性思想家蓬勃发展的地方。医疗保健需要大数据和平台来提供大数据，加速整合。世界杯厄瓜多尔vs塞内加尔波胆预测但今天医疗保健分析的问题不在于它需要更多的数据、更快的处理或更复杂的工具。这些领域的改进将产生收益，但它们将是边际的，因为它们已经超过了整个行业。今天医疗保健分析的比率限制因素是集体无法进行批判性思考。医疗保健需要的不是大数据，而是围绕数据的批判性思维。在这一过程中，我们开始相信某个地方存在一个简单的按钮，但事实并非如此。

什么是数据侦探?

医疗保健数据分析师如何执行数据侦探的职责，该角色与相关角色(如部门或业务分析师)有何不同?这可以通过观察分析复杂性的三个层次以及每个层次所需的技术技能和上下文理解来回答。

反应性分析

第一个层次是反应分析。这些都是由一个报告作者管理的。从功能上讲，这种类型的分析显示了活动计数或患者名单，包括对公认的、行业接受的指标(如糖尿病入院率)的基本计算。反应分析回答预期的问题。一位医生想知道她的小组中谁患有糖尿病。一位护士主管想知道上个月她的部门加班了多少小时。反应式分析需要对报表的外观和感觉进行细微的调整，但这是唯一的定制级别。反应式分析通常局限于单一的数据来源，并经常作为一个出售系统的一部分。因此，报告作者对被测量的内容和它为什么重要的上下文理解可能非常低。反应分析解释了一些什么都发生了，他们却不解释为什么．报告作者、业务分析人员和部门分析人员通常负责此分析功能。这是进入医疗保健分析的一个很好的切入点。

描述性分析

第二层是描述性分析，由数据架构师管理。这些是适度复杂的，试图描述我们周围世界的医疗保健。这种性质的分析工作是在提供的系统之外完成的，通常是在专用系统中，如企业数据仓库(EDW)。这些分析利用高度可定制的数据模型，其中填充了来自EMR、医院和专业计费、药房和实验室的多个数据源。数据的提供和与EDW的整合工作提供了对整个卫生系统内活动的更全面的看法。这一领域的工作是一个不断进行和迭代的过程。

例如，一个卫生系统的动机是惩罚，以减少心脏衰竭的再入院。基于这一重点，CMS明确定义了队列定义和再入院标准，几乎没有留下解释的空间。描述性分析利用CMS构造来确定加载到数据模型中的内容。数据架构师与护士(主题专家)一起工作，搜索已批准的数据源(诊断代码、入院、出院代码、cms定义的患者类型)，以填充模型。

为什么数据建模和配置如此重要?描述性分析更接近于解决为什么以及什么，但它们依赖于对现实世界概念的建模。数据模型试图建立“是什么”的全面视图应该将要发生的事情(因此有了数据模型)，以及正在发生的事情实际上发生。描述性分析经常被用于衡量对经过临床团队审查的收养护理路径的坚持程度。

数据架构师模拟护理团队对患者所做的工作以及患者的结果。在此级别的分析中，通常的做法是建立一个业务智能层来使用该数据模型的部分，目的是直观地表示护理路径上的工作情况以及需要进一步关注的内容。描述性分析需要技术专家和领域专家之间进行大量的交流。因此，这些技术角色对分析如何集成到工作流程中有很强的理解。

规范的分析

第三个层次是说明性分析，由数据侦探管理。这种类型的分析解释了为什么．临床改善，浪费减少，和财务机会首次发现使用规范性分析。根本原因分析是这项工作的核心功能，因为一旦理解了造成浪费的过程，就会得到解决有意义的变化所需的信息。这些分析是规范性的，因为它们阐明了所需的行动。

两个领域的故事

这个数据侦探故事最好地说明了规定性分析的价值。一位名叫杰克的药剂师在中西部的一家社区医院工作。首席营销官担心可能的毒品转移，拜访了他，询问医院在审计中如何运作。控制药物转移是杰克热衷的事情，但他一直无法与医院领导层接触。直到最近一则关于竞争对手医院转移毒品丑闻的新闻引起了领导层的注意。

首席营销官请来了数据侦探马特和杰克一起工作。目前的检测转移的方法是，当一个资深药剂师通过观察工作人员的不稳定行为来获得情报。药剂师将开始在EMR(单一数据源)内对病人档案上的护理文件进行冗长的审查。如果有什么不对劲的地方，药剂师会和工作人员，以及护理管理和人力资源，坐下来交谈。一项调查耗费45小时，耗时数周。

使用这种方法，在医院内从未发现一例转移病例，尽管基准数据显示，这种规模的医院每90天就应该出现一例病例。医院知道自己出了问题;它只是缺乏检测和量化地震量级的能力。

将Matt和Jack配对是技术和领域专业知识的完美结合。Matt在多个事务系统中发现了数据元素，每个事务系统捕获了受控物质管理所涉及的工作流的不同图像。马特将每一个需要麻醉的手术和程序的EMR数据放入他设计的底层数据模型中。他收集了患者报告的疼痛评分，并将其与护理轮班数据、药房管理数据以及每层楼受控物质调剂柜的数据相结合。

与杰克密切合作，马特能够根据数据模型建立一个算法，该算法突出了临床支持人员的医生越权操作的统计异常值，以及护士输入的患者报告的疼痛评分的峰值频率。杰克和资深药剂师在验证数据和算法方面发挥了关键作用。

技术技能的有意义的应用，加上药学领域的专业知识，允许人工调查过程自动化。自动化允许每天检查每一个手术、控制药物的使用、疼痛评分和护理轮班。以前需要花费数周45小时的调查工作，现在只需5秒钟就能完成。这从高技能的药剂师和护士经理那里解放了宝贵的时间。医院立即开始使用该工具。异常值跳出页面，在前三周，三个慢性转移患者被确定。

数据侦探是做什么的?

数据侦探是故事工程师。在某种程度上，它们表达了数据的声音。在上面的故事中，Matt从数据系统中组装了叙述。他了解到，麻醉药品的订单是在电子病历中发出的，但麻醉药品是从锁着的柜子中释放出来的，这些柜子记录了实际访问过柜子的人并确认了医生的订单。护理轮班数据保存在另一个保存时间跟踪数据的隔离系统中。

数据侦探的第二个功能是与其他领域专家合作，将看似不相关的数据汇集在一起。一个好的数据侦探有足够的自知之明，知道什么时候他不知道什么。从技术上讲，他精通访问、配置、数据建模和分析数据，但他经常缺乏有意义的上下文。通过数据分析工作，他与领域专家合作，共同专注于叙述和叙述周围的留白。领域专家可以快速发现捕获数据中的问题，因为他们知道在数据捕获过程中应该和不应该做什么。工作流中嵌入的数据叙述的组合使事情变得有趣。马特试图从手术、护理轮班、疼痛评分和麻醉订单的履行和撤销中找出时间意义，但没有帮助他无法做到。将这些数据声音从模糊中呈现给主题问题专家，使他们能够有意义地连接数据。从这个例子来看，在一些侵入性手术中发现疼痛评分峰值并不罕见。护士将这些数据作为病人恢复的常规部分。 However, finding correlations between pain spikes and nursing shifts told a different story than either narrative on its own. This correlation is an example of something found in the white space of the narratives.

侦探们擅长的第三件事是，利用同样的数据，他们能发现前人遗漏的东西。在受控物质转移的例子中，数百人可以使用同一个系统。他们可能没有马特那么精通技术，但他们有同样的权限。

这加强了前面的观点:医疗保健分析的问题不是缺乏对足够数据的访问。医疗系统没有足够的机会接触到大的数据思想家。

数据侦探工作的三种方式

数据侦探首先要问很多问题，甚至问到令人厌烦的地步。正如前面提到的，当谈到了解自己的无知时，他们是最有自知之明的人。从根本上说，数据侦探与预定的限制作斗争，特别是那些供应商强加的限制。当数据侦探看到一个出售系统的输入时，他们会感到沮丧。他们将对数据模型进行黑匣子化，对其进行转换，然后吐出报告。他们只想进入黑箱，并确保它反映工作流的现实情况。如果他们不能，他们将设计自己的结构。

数据侦探马特问了这样的问题:“每个病人都吃了麻醉剂吗?”如果没有，哪些病人会得到它们?如果有麻醉药品的订单，它总是被执行吗?如果没有，为什么?所有的毒品都一样吗?有些是用于某些特定的程序，而有些不是吗?”这些问题的答案来自领域专家，而不是数据专家。马特试图在数据中有意义地表示在麻醉药品管理的工作流程中发生了什么或没有发生什么。询问相关人员成为技术专业知识和工作流专业知识之间的双向通道。当这些因素结合在一起时，它们就提供了正确的背景。

其次，数据侦探让数据提供信息。高效的侦探善于克制偏见。对他们来说，这是一个技术性的、逻辑的、非情感的练习。作为故事工程师，他们会就数据可能告诉他们的内容抛出多个草稿。他们玩不同的故事情节，看不同的角度。数据侦探有能力不嫁给一个想法。作为小说家,史蒂芬·金他在书中写道，关于写作:手艺的回忆录，“即使它伤了你的自我中心，小涂鸦的心，杀死你的宝贝。”

数据侦探不会为了支持一个既定的结论而追逐数据。相反，他们对数据和所有结合起来的叙述能把他们带到哪里保持开放的心态。数据侦探在一开始并不知道将要讲述的故事。马特的故事始于一次技术数据分析练习。他关注数据的完整性，它代表了从订单到管理的工作流，他还关注数据中没有的内容。例如，他被告知，每个内阁都应该有必要的文件。他发现许多重写都没有这个功能。他仔细注意留白处。

数据侦探的第三个特征是，他们知道如何触及问题的核心。他们知道要做的是什么，也知道如何快速达到目标。每一组数据中都隐藏着一些东西，数据侦探们会探索这些数据，找出它们之间的关系，然后把它们放在最前面。

建立上下文联系是可以教的，但有些人有一种与生俱来的能力，在这方面比其他人做得更好。在发现过程中，意识会瞬间从困惑转变为理解，数据侦探在这方面做得很好。他们找到关系，并与领域专家一起确定哪些关系值得追求。当其他人看到这段关系时，他们都认为这是一条值得追求的道路。数据侦探找到值得探索的路线，并确定建造桥梁的最佳地点。然后数据架构师介入，将这些有意义的路线运作成桥梁。大桥建成后，报告编写者会监测通过大桥的交通情况。

支持改善成果的技术工作可归纳为三大工作:

1)。在数据库中为现实世界的概念建模。例如，当监测糖尿病人群并在数据库中表示该人群时，ICD代码、CPT代码和血红蛋白A1c值都可以用于在数据中构建有意义的代理表示。

2)。分析数据以发现潜在的机会。利用系统中可用的资源，围绕该结构给出最全面的视图。将它装入EMR、索赔、专业计费、医院计费和辅助数据。

3)。与主题专家进行分析以找到必要的行动。在持续的成果改进和技术和领域专家的永久配对之间有很强的相关性。这种组合使组织能够确定和实施值得追求的路径。

支持数据侦探职业轨迹

招聘数据侦探时需要寻找的关键技能和熟练程度包括SQL、ETL、数据建模、BI/可视化和数据分析。这在三个分析级别的不同级别都是必需的。

寻找有个性的书呆子。世界杯葡萄牙vs加纳即时走地Health Catalyst找到了大量具备合适技术技能的候选人，但他们并不是合适的人选。只有大约3%的求职者被录用。那么，是什么使得技术人员对他们所支持的组织如此有价值呢?世界杯葡萄牙vs加纳即时走地Health Catalyst进行了一项跨行业的元分析，查找了许多技术角色，如数据架构师、数据分析师和数据科学家。这些信息被存入数据库，以确定对每个角色的价值有意义贡献的特征。然后，这些特征被映射到一般的类别中，排名最高的类别是“社交”，而不是通常与技术人员有关的描述。但被归为这一类的特质包括团队合作精神、灵活变通、谈判者、推动者、有说服力和关系导向。排在第二位的是“智能”这一类别，它涵盖了典型的技术和IT技能。排名第三的是“不断学习”这一类，包括好奇和好奇等特质。 Data detectives also care about the work they do and the impact their projects have on others. Technical skills are valued, and detectives can be super smart, do great analysis, and find awesome insights, but if nobody can work with them, then the impact of that analysis is limited.

培养数据检测能力

许多组织没有数据侦探角色，但他们努力增加这个有价值的职位。对于追求这条道路的技术人员，这里有几点建议:

1. 提高你与你的消费者群体的社交和沟通能力。注意没有说的话。这将帮助你更好地理解发生在他们身上的事情。在一天结束的时候，如果你的报告有不足之处，找出原因。临床医生是工作流程专家，他们知道什么对病人是最好的，你的报告应该反映这一点。
2. 编写更少、更有意义的报告，阐明需要采取的行动。
3. 分析为王。学会批判性思考，表达你的数据。
4. 数据侦探的价值往往体现在“无应用程序”的时尚中。你不需要什么都用一个应用程序。
5. 数据探测技能可以在工作中学习。从报告撰写者到数据侦探需要5年以上的时间。

对于那些负责管理和培养数据侦探的人:

1. 技术不能独立存在。它需要熟练，这需要It和临床、It和运营、It和财务团队之间的协作。使这种集成成为可能。
2. 请求更少但更有意义的报告。问问自己为什么需要所请求的数据。
3. 投资你的数据侦探，优先考虑组织想要关注的地方。建立一种提升分析师的文化。
4. 认识到增长数据侦探需要时间(~5年以上)。

数据侦探:有价值和值得投资

在医疗保健领域，数据侦探的作用从未像今天这样至关重要。他们是数据方面的大思想家，非常适合大数据环境。规范性分析的重点是减少浪费，优化财务机会，改善临床结果，需要数据侦探的好奇心。数据架构师、BI开发人员和报告作者都为分析过程做出了独特的贡献，但医疗保健数据分析师作为数据侦探，看到所有的联系，而其他人只看到谜题的各个部分。

医疗保健管理人员应该不断地思考他们在改善结果方面的努力中遗漏了什么。具体来说，分析领导者应该仔细检查他们的战略和能力中的差距，并询问他们如何填补这些差距。这些谜题的答案也许可以通过数据侦探找到。

---

幻灯片

你想使用或分享这些概念吗?下载本演示文稿，突出重点。

按此下载幻灯片

当医疗保健数据分析师履行数据侦探角色时从世界杯葡萄牙vs加纳即时走地