医疗数据质量:从COVID-19中学到的五个教训

2019冠状病毒病的发生出乎意料，在全球的迅速蔓延是前所未有的。医疗保健提供者知道这种疾病会对患者的健康构成威胁，但很少有人充分认识到它会在多大程度上影响他们业务的其他方面。

在大流行早期，提供者面临着covid -19引发的挑战，主要分为两类:分析菌株和资源限制。新的covid -19特定值集产生了分析压力，疫情推动了实验室代码的紧急更新，以及疾病控制中心(疾控中心)和其他公共卫生实体发布了不断发展的指导方针。使这些问题更加严重的是资源的限制，因为医疗机构不得不让员工因取消或推迟手术和就诊而休假。非休假工作人员往往不得不在新的偏远环境中工作，使通讯和报告结构紧张。

大流行病驱动的紧迫性、数据的多样性和资源的缺乏突出了数据质量作为任何分析用例的先决条件的极端重要性。2019冠状病毒病大流行不会是最后一次。组织必须通过致力于在所有组织级别生成准确数据的全系统数据质量战略，为下一次大规模紧急情况做好准备。

数据质量从基层做起

数据质量，即定性或定量信息的状态，在帮助用户做出快速和准确的决策时，属于“高”级别。医疗保健提供者必须培养或采用一种系统范围的方法来实现和保持该数据质量水平。例如，健康数据用户可以将其质量方法基于丰田全面质量管理方法，一个被广泛接受的框架，它将以客户为中心的数据质量集成到每个业务的各个方面。在卫生保健适应过程中，卫生系统的所有方面共同努力，以确保病毒的自由流动跨组织的数据所有公司都对数据的质量负责。

从COVID-19中学到的医疗保健数据质量的五个教训

COVID-19的快速和猛烈的特性突出了医疗保健数据质量需要改进的领域，组织必须解决这些问题，为未来的分析用例做准备。首先，医疗保健提供者可以遵循从COVID-19中学到的五个数据质量教训的指导。

1. 评估整个管道的数据质量

最终用户发现大多数数据质量问题的时间太晚了——在管道结束时。在此过程中，分析师或主题问题专家(SME)必须进行耗时的根本原因分析，以确定出错的地方，从而进一步延迟准确和可操作结果的交付。

报告作者、分析人员和sme可以通过评估他们的数据并在模型之上插入质量检查来提高管道的质量。例如，假设创建了一份列出COVID-19患者及其初级保健提供者的报告。当分析人员查看这份报告时，她看到每个患者都列出了他们曾经遇到的每一个PCP，而不仅仅是他们当前的PCP。

分析人员知道患者和PCP应该是1:1的关系，而不是一对多的关系，因此她开始进行根本原因分析，以确定错误进入模型的位置。她可能会发现，当病人和PCP表合并时，分析师没有包括时间成分。然后，她能够在模型之上构建一个数据质量检查，以确保如果1:1的关系被打破，就会触发警报。

2. 不要让分析师去交火

分析师不是消防员。当分析紧急情况出现时，组织不应该依赖他们快速解决，尽管这通常是事实。COVID-19的爆发造成了人力资源短缺，同时也增加了对指标和报告的要求。分析师需要一个框架，使他们能够专注于数据质量，但不应承担质量维护的全部负担。中小型企业和报告编写者在数据生命周期的后期阶段访问数据，必须从自己独特的角度分析数据，并根据需要实施质量检查，从而提高数据的质量。

3. 从组织的四面墙外看

在分析数据时，团队成员应该努力从他们的组织筒仓中跳出来，关注两个vs——验证和验证:

• 信息是否满足系统假设?本地知识是否表示在数据中?如果是，则验证数据。
• 另一方面，验证的目的是使数据值与相关的外部基准相一致。例如，在合并和收购期间，应该比较组织之间的数据质量，以确保没有明显的质量差异。

4. 数据上下文和目的很重要

在确定数据质量是否足以支持决策时，上下文和目的都很重要，但随着数据沿着框架向上移动，它们变得越来越重要。表1显示了一个四级数据质量框架。

	定义	上下文的依赖吗?	目的依赖?
第1级-结构	强制执行数据库约束，包括数据类型、null、主键和引用完整性。	没有	没有
第2级-内容:单一学科领域	值在域的上下文中是合理的。	没有	没有
三级-内容:多学科领域	跨多个域的值是合理的。	是的	没有
四级-实用	价值代表了支持更好决策的经验证明的信息。	是的	是的

表1:数据质量框架的四个级别。

数据质量框架建议提供者将数据视为一种产品，并在数据穿过系统时解决其质量问题。分析师和数据用户应该先解决结构性数据质量问题，然后再进行更复杂的挑战。然后，他们可以与使用数据的sme合作，定义单个主题领域和多主题领域的数据质量用例，从而形成跨组织的数据质量联盟。总体而言，该框架有助于提供者快速访问准确的数据，用于典型的日常业务或应对COVID-19等极端情况。

5. 使用单一视角来衡量医疗保健数据质量

组织中不同部门的团队成员可能只花很小一部分时间处理数据质量问题，导致对所有资源的投入和影响都很低。当这些团队成员采用单一的愿景和框架时，他们会汇集所有的资源，将这些小比例的数据转化为可伸缩的数据质量单一愿景，从而产生内聚的见解。

致力于数据质量

2019冠状病毒病凸显了采用系统化方法处理卫生保健数据质量的至关重要性。分析师和中小企业是拼图的必要组成部分，但他们不是解决方案，当生命处于危险之中时，即时数据简直太迟了。通过从COVID-19中吸取的这些教训，组织可以构建可靠的数据质量框架，以便在下一个紧急分析用例到来时挽救工作和生命。

更多的阅读

你想了解更多关于这个主题的信息吗?以下是我们推荐的一些文章:

1. 如何运行分析以获得更可操作、更及时的见解:医疗保健数据质量框架
2. 用现实世界的分析对抗COVID-19的六种已被证实的方法
3. 通过八个步骤实现数据知情的医疗保健
4. 卫生系统应对COVID-19金融复苏的六项策略
5. 通过八个步骤实现数据知情的医疗保健

---

幻灯片

您愿意使用或分享这些概念吗?下载突出重点的演示文稿。

请按此下载幻灯片

医疗数据质量:从COVID-19中学到的五个教训从世界杯葡萄牙vs加纳即时走地