5 Grunner Helsetjenester Data Er Unik og Vanskelig Å Måle

Last NED PDF

De av oss som jobber med data har en tendens til å tenke i svært strukturerte, lineære termer. Vi liker B å følge A Og C å følge B, ikke bare noen av tiden, men hele tiden. Helsedata er ikke slik. Det er både variert og komplekst å gjøre lineær analyse ubrukelig.

det er flere kjennetegn ved helsedata som gjør det unikt. Her er fem, spesielt

Mye av dataene er på flere steder.

helsedata har en tendens til å ligge på flere steder. Fra forskjellige kildesystemer, Som EMRs eller HR-programvare, til forskjellige avdelinger, som radiologi eller apotek. Dataene kommer fra hele organisasjonen. Aggregering av disse dataene i et enkelt, sentralt system, for eksempel et enterprise data warehouse (EDW), gjør disse dataene tilgjengelige og handlingsbare.

Helsedata forekommer også i forskjellige formater (f. eks., tekst, numerisk, papir, digital, bilder, videoer, multimedia, etc.). Radiologi bruker bilder, gamle medisinske poster finnes i papirformat, og dagens Emr kan holde hundrevis av rader med tekstlige og numeriske data.

Noen ganger finnes de samme dataene i forskjellige systemer og i forskjellige formater. Slik er tilfellet med kravdata versus kliniske data. En pasients brutte arm ser ut som et bilde i journalen, men vises SOM ICD – 9 kode 813.8 i skadedataene.og det ser ut til at fremtiden har enda flere kilder til data, som pasientgenerert sporing fra enheter som treningsmonitorer og blodtrykkssensorer.

dataene er strukturert og ustrukturert.

Elektronisk medisinsk journalprogramvare har gitt en plattform for konsekvent datafangst, men virkeligheten er datafangst er alt annet enn konsistent. I årevis har dokumentasjon av kliniske fakta og funn på papir trent en bransje til å fange data på den måten som er mest praktisk for omsorgsleverandøren med lite hensyn til hvordan disse dataene til slutt kan aggregeres og analyseres. EMRs forsøker å standardisere datafangstprosessen, men omsorgsleverandører er motvillige til å vedta en tilnærming til dokumentasjon. Dermed er ustrukturert datafangst ofte tillatt å appease de frustrerte EPJ-brukerne og unngå å hindre omsorgsleveringsprosessen. Som et resultat er mye av dataene som er fanget på denne måten vanskelig å aggregere og analysere på en konsistent måte. ETTER HVERT som EPJ-produktene blir bedre, etter hvert som brukerne blir opplært til standard arbeidsflyter, og etter hvert som omsorgsleverandører blir vant til å legge inn data i strukturerte felt som utformet, vil vi ha flere og bedre data for analyse.et eksempel på det ovennevnte fenomenet er funnet i et nylig initiativ for å redusere unødvendige C-seksjoner ved et stort helsesystem I Nordvest. Den første oppgaven for laget var å forstå hvordan indikasjonene på C-delen ble dokumentert i EPJ. Det viste seg at det bare var to alternativer å velge mellom: 1) fosterindikasjon og 2) maternell indikasjon. Fordi disse var de eneste to alternativene, ville levere klinikere ofte velge å dokumentere den sanne indikasjonen For C-delen i en fri tekstform, mens andre ikke dokumenterte det i det hele tatt. Vel, dette var ikke bidrar til å forstå årsaken til unødvendige C-seksjoner. Så teamet jobbet med en analytiker for å endre listen over tilgjengelige alternativer i EPJ, slik at flere detaljer kunne legges til. Etter å ha gjort denne lille endringen i datafangstprosessen, fikk teamet enorm innsikt og identifiserte muligheter til å standardisere omsorgstjenester og redusere unødvendige C-seksjoner.

Inkonsekvente / variable definisjoner; Evidensbasert praksis og ny forskning kommer ut hver dag.

ofte kan helsedata ha inkonsekvente eller variable definisjoner. For eksempel kan en gruppe klinikere definere en kohort av astmatiske pasienter annerledes enn en annen gruppe klinikere. Spør to klinikere hvilke kriterier som er nødvendige for å identifisere noen som diabetiker, og du kan få tre forskjellige svar. Det kan bare ikke være et konsensusnivå om en bestemt behandling eller kohortdefinisjon.

også, selv når det er konsensus, er samtykkende eksperter stadig oppdager nylig avtalt kunnskap. Når vi lærer mer om hvordan kroppen fungerer, fortsetter vår forståelse å endre hva som er viktig, hva som skal måles, hvordan og når man skal måle det, og målene som skal måles. For eksempel, i år er de fleste klinikere enige om at en diabetesdiagnose er En Hg A1c-verdi over 7, men neste år er det mulig at avtalen vil være noe annerledes.

det er beste praksis etablert i bransjen, men det er alltid pågående diskusjon i måten disse tingene er definert på. Det betyr at du prøver å skape orden ut av kaos og treffe et mål som ikke bare beveger seg, men ser ut til å bevege seg på en måte du ikke kan forutsi.