医疗保健分析峰会回来了!欢迎收看9月13-15日盐湖城直播。现在注册
COVID-19响应复苏需要数据来推动及时、可操作的见解,达到前所未有的水平。因此,卫生系统日益认识到数据质量是临床、财务和运营分析的先决条件。为了量化数据质量,医疗保健数据团队可以使用可测量的数据属性来证明它是否适合于特定用途。良好和透明的数据质量会让人们对所提供的见解充满信心,从而加快合理的决策。相反,糟糕的数据质量会降低信心,最终推迟或导致错误的决策。
组织倾向于理解数据质量的价值,但是生成高质量数据和分析的系统的基础是复杂的。为了应对COVID-19对高质量数据的紧迫性和持续的数据质量挑战,卫生系统需要一个可操作的结构,以应对全面和主动的数据质量战略的基本阶段。医疗保健数据质量框架提供了一种测量、监控和确定数据是否“适合用途”的系统方法(即,它可以服务于其预期用途)。
定义数据质量级别有助于组织了解数据质量的当前状态以及数据是否正在改进。数据使用者可参照数据质素的四个级别(图1)来确定质素检查标准,包括数据质素是否取决于数据的环境或使用数据的目的,以及界定数据质素是否需要专业知识。
遵循卫生保健数据质量框架(图2)的卫生系统将从头开始建立数据质量文化,并积累必要的信息,以推动有意义的改进,对危机做出反应,并为未来的突发事件做好准备。
医疗保健数据质量框架指导整个数据生命周期的质量保证:
在数据质量的背景下,将数据视为产品意味着数据来自于一个过程或系统,该过程或系统对其质量进行评估和处理——类似于汽车从原材料到装配线、经销商到专家杂志评论的过程。为了成功地通过汽车制造、销售和评估过程,汽车制造商需要优质的原材料(如车身和发动机部件)来将他们的汽车从概念车推向消费者。
为了创建符合目的的医疗数据产品,分析专业人员需要在数据管道开始时优先考虑质量,并在数据穿越系统时指导质量。在医疗保健中,确认数据是其来源(例如,EMR、付款人/索赔、成本计算、人力资源等)的准确表示非常重要。
为了确保他们将数据视为一种产品,数据工程师可以问自己以下问题:
如果数据首先在结构上不健全,卫生系统就难以达到更高的数据质量水平。上面描述的层次是相互构建的,虽然内容和效用评估将暴露结构性问题,但在利用特定的结构性评估时,理解根本原因会更有效。例如,确定一个邂逅标识符在邂逅中是否唯一且非NULL可以促进引用完整性。当数据用户利用该标识符作为外键将流程表和相遇数据链接在一起时,用户可以专注于评估这两个主题领域的内容质量,比如流程表记录的日期是否在相遇期间。
理解数据用例对于定义和确保数据内容的质量极其重要,因为它需要主题方面的专业知识,并且可能与上下文相关(对于多主题领域)。与数据用户可能不同的是,组织必须确定数据主题专家(SME)来定义内容级别的数据质量,因为该专家将理解内容(例如,给定度量单位,温度是有意义的)。SME根据上下文(例如,考虑到患者的年龄,心率是合适的)定制定义,以评估数据质量是否足以满足预期的用例。
通常,组织通过在单个项目或部门竖井中解决数据质量问题来采用基层方法。然而,创建一个数据质量联盟将组织领导人、经理、主题专家和分析专家聚集在一起——所有人都在确保数据质量方面拥有既得利益和共同利益,因为它有助于更好的决策。团队同意采用一种标准方法来推进经过验证的过程,并避免重复使用资源。该联盟必须得到最高层领导的支持,以便在目标和资源方面与组织保持一致。
在卫生系统继续应对COVID-19并为应对紧急情况做好准备的未来之际,符合目的的高质量数据已成为一项必要的战略。确保医疗保健组织领导人、管理人员和提供商拥有适合关键决策(如COVID-19应对)的数据的唯一方法是在数据生命周期的一开始就建立质量,并在所有流程中维护数据。结构化的质量流程(如医疗保健数据质量框架)利用技术和主题方面的专业知识来定义、评估和监控整个流程中的数据质量。因此,卫生系统不仅做出有数据依据的决定,而且做出有数据依据的高质量决定。
你想了解更多关于这个话题吗?以下是我们建议的一些文章:
你想使用或分享这些概念吗?下载突出重点的演示文稿。
我们很自豪能为您提供相关的、有用的内容。我们可以用cookie记录你读了什么吗?我们非常重视您的隐私。请参阅我们的隐私政策详情和任何问题。