geplaatst in data: quality, management, governance en enterprise data warehouse/data operating system .
klik op infographic om de 5 manieren te zien waarop gezondheidszorggegevens anders zijn
Download PDF
degenen onder ons die met gegevens werken hebben de neiging om in zeer gestructureerde, lineaire termen te denken. We houden van B Om a te volgen en C Om B te volgen, niet slechts een deel van de tijd, maar de hele tijd. Gezondheidsgegevens zijn niet die kant op. Het is zowel divers als complex waardoor lineaire analyse nutteloos is.
Er zijn verschillende kenmerken van gezondheidsgegevens die het uniek maken. Hier zijn er vijf, met name
veel van de gegevens bevinden zich op meerdere plaatsen.
gezondheidsgegevens bevinden zich meestal op meerdere plaatsen. Van verschillende bronsystemen, zoals EMRs of HR-software, tot verschillende afdelingen, zoals radiologie of farmacie. De gegevens komen uit de hele organisatie. Het samenvoegen van deze gegevens in één centraal systeem, zoals een enterprise data warehouse (EDW), maakt deze gegevens toegankelijk en uitvoerbaar.
gezondheidsgegevens komen ook voor in verschillende formaten (bijv., tekst, numeriek, papier, digitaal, foto’ s, video ‘ s, multimedia, enz.). Radiologie maakt gebruik van beelden, oude medische dossiers bestaan in papieren formaat, en de huidige EMR ‘ s kunnen honderden rijen tekstuele en numerieke gegevens bevatten.
soms bestaan dezelfde gegevens in verschillende systemen en in verschillende formaten. Dit is het geval met claimgegevens versus klinische gegevens. De gebroken arm van een patiënt ziet eruit als een afbeelding in het medisch dossier, maar verschijnt als ICD-9 code 813.8 in de claims gegevens.
en het ziet ernaar uit dat de toekomst nog meer gegevensbronnen bevat, zoals patiëntgegenereerde tracking van apparaten zoals fitnessmonitoren en bloeddruksensoren.
de gegevens zijn gestructureerd en ongestructureerd.
Electronic medical record software biedt een platform voor consistente data capture, maar de realiteit is dat data capture allesbehalve consistent is. Jarenlang heeft het documenteren van klinische feiten en bevindingen op papier een industrie getraind om gegevens vast te leggen op de manier die het meest geschikt is voor de zorgverlener, met weinig aandacht voor hoe deze gegevens uiteindelijk zouden kunnen worden samengevoegd en geanalyseerd. EMR ‘ s proberen het proces van gegevensregistratie te standaardiseren, maar zorgverleners zijn terughoudend om een one-size-fits-all benadering van documentatie te kiezen. Zo, ongestructureerde data capture is vaak toegestaan om de gefrustreerde EMR-gebruikers te sussen en te voorkomen dat het proces van zorgverlening belemmeren. Als gevolg daarvan, veel van de gegevens die op deze manier is moeilijk te aggregeren en te analyseren op een consistente manier. Naarmate EMR-producten verbeteren, gebruikers worden getraind in standaardworkflows en zorgverleners meer gewend raken aan het invoeren van gegevens in gestructureerde velden zoals deze zijn ontworpen, zullen we meer en betere gegevens voor analyse hebben.
een voorbeeld van het bovenstaande fenomeen is te vinden in een recent initiatief om onnodige C-secties in een groot gezondheidsstelsel in het noordwesten te verminderen. De eerste taak voor het team was om te begrijpen hoe de indicaties voor C-sectie werden gedocumenteerd in de EMR. Het bleek dat er slechts twee opties waren om uit te kiezen: 1) foetale indicatie en 2) maternale indicatie. Omdat dit de enige twee opties waren, zou het leveren van clinici er vaak voor kiezen om de ware indicatie voor C-sectie in een vrije tekstvorm te documenteren, terwijl anderen het helemaal niet documenteerden. Dit was niet bevorderlijk voor het begrijpen van de oorzaak van onnodige keizersneden. Zo, het team werkte met een analist om de lijst van beschikbare opties in de EMR te wijzigen, zodat meer detail kon worden toegevoegd. Na het maken van deze kleine wijziging in het data capture proces, het team kreeg een enorm inzicht, en identificeerde mogelijkheden om de zorg te standaardiseren en onnodige C-secties te verminderen.
inconsistente / variabele definities; Evidence-based praktijk en nieuw onderzoek komt elke dag uit.
vaak kunnen gezondheidsgegevens inconsistente of variabele definities hebben. Bijvoorbeeld, kan een groep van clinici een cohort van astmatische patiënten anders dan een andere groep van clinici definiëren. Vraag twee artsen welke criteria nodig zijn om iemand als diabeticus te identificeren en u kunt drie verschillende antwoorden krijgen. Er kan gewoon niet een niveau van consensus over een bepaalde behandeling of cohort definitie.
ook, zelfs als er consensus is, ontdekken de instemmende deskundigen voortdurend nieuw overeengekomen kennis. Naarmate we meer leren over hoe het lichaam werkt, blijft ons begrip veranderen van wat belangrijk is, wat te meten, hoe en wanneer het te meten, en de doelen te richten. Bijvoorbeeld, dit jaar de meeste artsen het erover eens dat een diabetes diagnose is een Hg A1c waarde boven 7, maar volgend jaar is het mogelijk dat de Overeenkomst zal iets anders.
Er zijn best practices vastgesteld in de industrie, maar er is altijd voortdurende discussie over de manier waarop deze dingen worden gedefinieerd. Wat betekent dat je orde probeert te creëren uit chaos en een doel raakt dat niet alleen beweegt, maar ook lijkt te bewegen op een manier die je niet kunt voorspellen.