, Vice-président principal des Services professionnels
Publié dans Données: Qualité, Gestion, Gouvernance et Entrepôt de Données d’entreprise / Système d’exploitation de données.
Cliquez sur l’infographie pour voir les 5 façons dont les données de santé sont différentes
Télécharger PDF
Ceux d’entre nous qui travaillent avec des données ont tendance à penser en termes très structurés et linéaires. Nous aimons que B suive A et que C suive B, pas seulement une partie du temps, mais tout le temps. Les données de santé ne sont pas de cette façon. C’est à la fois diversifié et complexe, ce qui rend l’analyse linéaire inutile.
Il existe plusieurs caractéristiques des données de santé qui les rendent uniques. En voici cinq, en particulier
Une grande partie des données se trouve à plusieurs endroits.
Les données de santé ont tendance à résider à plusieurs endroits. De différents systèmes sources, comme les DME ou les logiciels RH, à différents départements, comme la radiologie ou la pharmacie. Les données proviennent de toute l’organisation. L’agrégation de ces données dans un système unique et central, tel qu’un entrepôt de données d’entreprise (EDW), rend ces données accessibles et exploitables.
Les données sur les soins de santé se présentent également sous différents formats (p. ex., texte, numérique, papier, numérique, images, vidéos, multimédia, etc.). La radiologie utilise des images, les anciens dossiers médicaux existent en format papier et les DME d’aujourd’hui peuvent contenir des centaines de lignes de données textuelles et numériques.
Parfois, les mêmes données existent dans différents systèmes et dans différents formats. C’est le cas des données sur les demandes de règlement par rapport aux données cliniques. Le bras cassé d’un patient ressemble à une image dans le dossier médical, mais apparaît sous le code CIM-9 813.8 dans les données de réclamation.
Et il semble que l’avenir contienne encore plus de sources de données, comme le suivi généré par les patients à partir d’appareils tels que des moniteurs de fitness et des capteurs de pression artérielle.
Les données sont structurées et non structurées.
Le logiciel de dossiers médicaux électroniques a fourni une plate-forme pour une capture de données cohérente, mais la réalité est que la capture de données est tout sauf cohérente. Pendant des années, la documentation des faits cliniques et des résultats sur papier a entraîné une industrie à saisir les données de la manière la plus pratique pour le fournisseur de soins, sans se soucier de la façon dont ces données pourraient éventuellement être agrégées et analysées. Les DME tentent de normaliser le processus de saisie des données, mais les fournisseurs de soins hésitent à adopter une approche universelle de la documentation. Ainsi, la capture de données non structurées est souvent autorisée pour apaiser les utilisateurs frustrés du DME et éviter d’entraver le processus de prestation des soins. Par conséquent, une grande partie des données saisies de cette manière est difficile à agréger et à analyser de manière cohérente. À mesure que les produits de DME s’améliorent, que les utilisateurs sont formés aux flux de travail standard et que les fournisseurs de soins s’habituent davantage à saisir des données dans des champs structurés tels que conçus, nous disposerons de données plus nombreuses et de meilleure qualité pour l’analyse.
Un exemple de ce phénomène se trouve dans une initiative récente visant à réduire les césariennes inutiles dans un vaste système de santé du Nord-Ouest. La première tâche de l’équipe était de comprendre comment les indications de la césarienne étaient documentées dans le DME. Il s’est avéré qu’il n’y avait que deux options à choisir: 1) indication fœtale et 2) indication maternelle. Comme il s’agissait des deux seules options, les cliniciens qui délivraient choisissaient souvent de documenter la véritable indication de la césarienne sous forme de texte libre, tandis que d’autres ne la documentaient pas du tout. Eh bien, cela ne permettait pas de comprendre la cause profonde des césariennes inutiles. L’équipe a donc travaillé avec un analyste pour modifier la liste des options disponibles dans le DME afin que plus de détails puissent être ajoutés. Après avoir apporté cette légère modification au processus de saisie des données, l’équipe a acquis d’énormes connaissances et a identifié des possibilités de normaliser la prestation des soins et de réduire les césariennes inutiles.
Définitions incohérentes/variables; Des pratiques fondées sur des données probantes et de nouvelles recherches sortent chaque jour.
Souvent, les données de santé peuvent avoir des définitions incohérentes ou variables. Par exemple, un groupe de cliniciens peut définir une cohorte de patients asthmatiques différemment d’un autre groupe de cliniciens. Demandez à deux cliniciens quels critères sont nécessaires pour identifier une personne comme diabétique et vous obtiendrez peut-être trois réponses différentes. Il peut tout simplement ne pas y avoir de consensus sur un traitement ou une définition de cohorte particulière.
De plus, même lorsqu’il y a consensus, les experts consentants découvrent constamment des connaissances nouvellement convenues. Au fur et à mesure que nous en apprenons davantage sur le fonctionnement du corps, notre compréhension continue de changer de ce qui est important, de ce qu’il faut mesurer, comment et quand le mesurer, et des objectifs à cibler. Par exemple, cette année, la plupart des cliniciens conviennent qu’un diagnostic de diabète est une valeur de Hg A1c supérieure à 7, mais l’année prochaine, il est possible que l’accord soit différent.
Il y a des meilleures pratiques établies dans l’industrie, mais il y a toujours des discussions en cours sur la façon dont ces choses sont définies. Ce qui signifie que vous essayez de créer de l’ordre à partir du chaos et d’atteindre une cible qui non seulement bouge, mais semble bouger d’une manière que vous ne pouvez pas prédire.