早在2021年2月,当有一个有限的疫苗,一个年轻的英国人没有潜在的健康状况感到惊讶当他收到报价COVID-19疫苗过度BMI的高危人群。当进一步探索,他的身高是6.2厘米而不是6英尺2英寸,导致错误的身体质量指数计算。一个典型的例子的数据异常或一个范围的值导致扭曲的结果。
另一个例子发生在英格兰当一个技术故障近16000 COVID-19情况下未被报道和华盛顿卫生部门必须回滚数据发布在仪表板由于错误发现。和西班牙的孩子COVID-19死亡率被误报是54%而不是7%,引起不必要的恐慌。
的理由在医疗数据质量不能比这更突出报道的故事。我们都纠结于大流行,“正确”的获得数据在日常情况下和病床变得绝对重要计划的响应。
如何在医疗数据质量是至关重要的
布莱恩·布拉德伯里观察研究中心的强大的情况下使用数据和分析的能力推进的理解疾病、治疗性干预和临床结果。好处包括以下:
- 改善病人护理的反应
- 整理病人的总结
- 预防警报
- 高效的病人服务
- 优化供应链管理
- 先进的风险和疾病管理
- 研究和创新的解决方案manbetx1.0下载
你会发现数据质量对任何行业至关重要,甚至更多的医疗保健,生命岌岌可危的地方。”坏数据的直接后果,”托马斯·c·瑞德曼说,医生的数据。曼研究所的一项调查显示,不匹配的患者数据可预防的死亡的第三大原因在美国,还负责35%的否认保险索赔。
挑战在医疗质量差数据
医疗数据可以来自不同来源,可以是任何类型的。有资料的患者、护理提供者和制药公司和列表的疾病,诊断测试,和治疗选择每天都变长了。也有视觉形式的数据扫描,图像和图表。数据库得到充满入学、诊断、治疗和出院记录。在所有不同类型的数据,您所使用的复杂的数据需要符合不断变化的监管要求。
医院必须考虑,如果这个数据不完整,不准确,和不一致的?如果没有更新呢?你怎么知道如果它是有效的吗?如何自信你能做出决定基于吗?你的病人信任你能做出最好的决定?
在《哈佛商业评论》进行的评估研究,DQ平均分数在医疗行业仅为55%,这是非常低的考虑提供基本服务。这是因为在医疗数据质量有一些独特的挑战:
- 临时修复:直到使用,数据可以不像一个病人的高度。经常在那个阶段一个快速修复数据,这样您就可以立即使用它,但这也意味着在源数据问题得不到纠正,从而影响了数据驱动的分析。
- 没有问责:虽然自动化改变了医疗保健,这仍然是一个以人为中心的产业。数据录入、管理、解释和分享在紧急情况下可以手动和容易出错。除非你明确责任,这些继续建立。最常见的数据质量问题的原因往往既不报告也不纠正大多数人整个企业数据质量的旁观者。
- 数据漂移:概念漂移、环境漂移或上游数据变化主要导致数据漂移。增加寿命影响手术需求预测或性别记录不再二进制概念漂移的例子。在医疗环境漂移非常常见,季节性疾病的暴发。国际疾病分类ICD的修正()代码是一个典型的上游数据变化,从而影响历史或流媒体数据的处理。预测数据质量解决方案帮助健康专家适应新的分类法,manbetx1.0下载检测数据漂移和做出正确的医疗干预措施。
在医疗数据质量的特征
在医疗、信任是关键。可信的分析,你需要可信的数据。如何克服挑战的组织中大量数据质量提供可信的数据?你怎么能保证兼容数据维护和改善质量随着时间的吗?
一个source-agnostic预测DQ解决方案是正确的解决方案让你所有的数据上。自适应规则,解决方案可以识别隐藏的关系和质量问题在任何源数据提供连续的数据质量。
在恒定的数据漂移检测和健壮的质量评估框架,你可以自信地启用有效的病人护理和更好的风险管理。自助服务访问所有涉众可以确保没有旁观者的,每个人都对数据质量。利用基于机器学习连续DQ提供最好的响应问题。
改善医疗数据质量的方法
有许多方法,你可以使用在医疗保健、提高数据质量等综合数据分析,使用工具来量化和合格数据,准确、及时的数据在一个正确的格式。
1。综合数据分析
一个集成的数据分析系统有助于自动化工作流的数据,提高数据治理和减少错误。在医疗保健中,这个过程通常有三个阶段。在捕获阶段,数据传送到电子健康记录,或电子健康档案。在构造阶段,获取的数据是正确格式化和存储。在转移阶段,数据从存储中提取到后端数据库。
2。使用工具来量化和数据
决定正确的工具和指标的第一步是正确理解和评估你的数据集。本质上,你选择你的方法的整体结构的数据,当你决定你想评估它的工具。没有一个明确的、更全面的方法,你根本不会得到最出你的数据。
3所示。准确和及时正确格式的数据
再一次,这可以归结为准确性、及时性、一致性。强调准确的数据是很重要的,但是提高医疗保健的方法,数据也需要按时交付和适当的格式的,这将使它更容易使用。换句话说,这一步可以归结为有效地处理数据。
额外的方法来改善医疗数据质量包括:
- 确保数据字段可用来记录一个关键数据值和数据创造者进入正确的数据在正确的地方(例如捕捉全科医生或患者的近亲地位的电话号码,这样可以联系在紧急事件或不良事件)
- 确保数据的创造者坚持数据政策同时也欣赏数据用户需求
- 确保综合分类的数据(如掌握供应商、付款人、病人和计划数据)来满足病人的需求
开车更好的和兼容的医疗保健
更好的质量数据可以更好的医疗质量并降低成本。连续的质量可以解锁你的数据的价值,保证其符合使用:
1。没有更多的猜测
正确连接病人数据跨组织是一个关键元素的价值关怀,患者安全,护理协调。重复的记录或不匹配的记录可能导致拒绝索赔,不必要的诊断测试,隐私风险和报告错误。新万博移动客户端Collibra数据质量连接所有组织和可信、及时,和有意义的病人数据,同时减少,70%的费用,和精力。它提供了可预测的数据质量,你需要交付高质量的病人护理。您可以利用预测DQ检测异常并生成一个预警探测系统对患者重要器官。
在一个案例中,一群病人遭受了近乎致命的事件是可以避免的。十分钟之内,Collibra数据质量是能新万博移动客户端够找到异常和牧师一个视觉显示的热图和时间序列的趋势来说明问题了。
2。没有任何质量损失
预测DQ的解决方案创建基线漂移发现数据并生成监控漂移自治规则。自适应规则不断学习新与格式化数据和预测问题,离群值,模式和关系。自动数据漂移检测确保精确的病人记录,相关治疗的细节,和一致的信息系统提供可信的数据。
3所示。在数据迁移没有质量下降
医疗与新技术不断得到改变。有些时候你需要移动数据到其他系统,担心失踪的记录,缺失值,跨表或系统和破碎的关系。连续DQ检查每个记录在每一个细胞都拷贝之间的比赛,除了检查标准的行数,列和整合。上游和下游系统的类型并不重要,因为连续DQ兼容任何源和目标。
4所示。可伸缩的合规
工作在一个高度监管的行业像医疗保健意味着你需要透明的报告和审计。医疗合规涵盖众多联邦和州医疗法律、HIPAA(1996年健康保险携带和责任法案)。遵守数据隐私保护法规要求管理病人请求查看和更新他们的个人资料。
当你使用手册规则或支离破碎的工具,你需要配合任何小变化。自适应DQ简化了流程,让业务用户和合规人员加快透明的报告。很容易的可伸缩的DQ结合所有的信息到一个简单的仪表板,记分卡,每个数据集不同的排名。
考虑补充连续数据质量与一个健壮的医疗保健数据治理的基础。把它与一个完整的一步数据情报解决方案帮助您利用元数据,与共享定义和优化质量流程。这个解决方案确保相结合在医疗数据质量将得到解决的来源,提供更好的和兼容的医疗保健。
