早在疫苗供应有限的2021年2月，一名没有基础健康问题的英国年轻男子收到了为BMI过高的高危人群接种新冠病毒疫苗的邀请，他感到非常惊讶。当进一步探索时，他的身高为6.2厘米而不是6英尺2英寸，导致BMI计算错误。一个关于数据异常或超出范围值如何导致倾斜结果的经典示例。
另一个例子发生在英国，当时一个技术故障让近1.6万例COVID-19病例未报告华盛顿卫生部门不得不回滚仪表盘上发布的数据，因为错误发现．西班牙的孩子COVID-19的死亡率被错误报道为54%，而不是7%，造成不必要的恐慌。
理由是医疗保健中的数据质量没有比这些报道更突出的了。当我们都在与大流行作斗争时，获得日常病例和医院病床的“正确”数据对于规划应对工作至关重要。
医疗保健中的数据质量如何至关重要
观察研究中心的布莱恩·布拉德伯里为使用数据和分析的力量促进对疾病、治疗干预和临床结果的理解。好处包括:
- 改善患者护理反应
- 患者综合总结
- 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
- 研究和创新解决方案亚愽体育app下载
您会发现数据质量对任何行业都至关重要，在生命攸关的医疗保健行业更是如此。”糟糕的数据会产生直接后果。”数据医生托马斯·c·雷德曼说。波内曼研究所进行的一项调查显示，不匹配的患者数据是最重要的这是可预防死亡的第三大原因这也是35%的保险索赔被拒绝的原因。
医疗保健领域低质量数据的挑战
医疗保健数据可以来自不同的来源，可以是任何类型。上面有病人、护理人员和制药公司的简介，还有疾病、诊断测试和治疗方案的列表，这些列表每天都在变长。还有扫描、图像和图表形式的可视数据。数据库被入院、诊断、治疗和出院记录填满。除了所有不同类型的数据之外，您使用的复杂数据还需要符合不断变化的监管要求。
医院必须考虑，如果这些数据不完整、不准确和不一致怎么办?如果没有更新该怎么办?你怎么知道它是否有效?你能有多自信地在此基础上做出决定?你的病人相信你能为他们做出最好的决定吗?
在哈佛商业评论进行的一项评估研究中医疗保健行业的平均DQ得分仅为55%考虑到它提供的基本服务，这个价格非常低。这是因为医疗保健中的数据质量面临一些独特的挑战:
- 临时修复:数据可以在使用点之前不加检查，比如病人的身高。通常数据在这个阶段会得到快速修复，以便您可以立即使用它，但这也意味着数据问题不会在源头得到纠正，这可能会影响数据驱动的分析。
- 没有问责:虽然自动化已经改变了医疗保健，但它仍然是以人为中心的行业。在紧急情况下，数据输入、管理、解释和共享可能是手动的，而且容易出错。除非你建立明确的问责制，否则这些失误会继续累积。数据质量问题通常既不报告也不纠正的最常见原因是整个企业中的大多数人都报告了数据质量问题数据质量旁观者．
- 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。预期寿命的增加影响手术需求预测或性别记录不再是二元的，这些都是概念漂移的例子。环境漂移在医疗保健中很常见，疾病会季节性爆发。ICD(国际疾病分类)代码的修订是上游数据更改的一个经典案例，它会影响历史数据或流数据的处理。预测性数据质量解决方案可帮助卫生专家适应新的分类亚愽体育app下载，检测数据漂移并做出正确的医疗保健干预措施。
医疗保健中的数据质量特征
在医疗保健领域，信任是关键。对于可信的分析，你需要可信的数据。如何克服数据质量的挑战，在整个组织中交付可信的数据?如何确保合规的数据随着时间的推移保持和提高质量?
一个source-agnostic预测DQ解决方案是正确的解决方案，以获得您的所有数据。通过自适应规则，该解决方案可以跨任何源识别数据中的隐藏关系和质量问题，以交付持续的数据质量。
通过持续的数据漂移检测和强大的质量评估框架，您可以自信地实现有效的患者护理和更好的风险管理。对所有涉众的自助服务访问确保没有旁观者，每个人都为数据质量做出贡献。利用基于机器学习的连续DQ在重要的地方提供最好的响应。
提高医疗保健数据质量的方法
您可以使用许多方法来提高医疗保健中的数据质量，包括集成数据分析、使用工具来量化和限定数据，以及以正确的格式获得准确和及时的数据。
1.集成数据分析
集成的数据分析系统有助于自动化数据工作流程，改善数据治理并减少错误。在医疗保健领域，这个过程通常分为三个阶段。在捕获阶段，数据被传送到电子健康记录(EHR)。在结构阶段，捕获的数据被正确格式化和存储。在传输阶段，将数据从存储中提取到后端数据库。
2.使用工具来量化和限定数据
选择正确的工具和指标是正确理解和评估数据集的第一步。从本质上讲，当您决定要评估数据的工具时，您正在选择处理数据的方法的整体结构。如果没有一个清晰而全面的方法，您就无法最大限度地利用数据。
3.拥有准确、及时、格式正确的数据
再次强调，这取决于准确性、及时性和一致性。强调准确的数据很重要，但要改进您的医疗保健方法，还需要以适当的格式及时交付数据，这将使其更易于使用。换句话说，这个步骤归结为有效地处理数据。
提高医疗保健数据质量的其他方法包括:
- 确保有数据字段可用于记录关键数据值，并且数据创建者在正确的位置输入正确的数据(例如，捕获全科医生或近亲的电话号码，以便在发生紧急情况或不良事件时可以联系患者)
- 确保数据创建者遵守数据策略，同时了解数据用户的需求
- 确保对数据进行全面分类(例如掌握提供者、付款人、患者和计划数据)，以满足患者的需求
推动更好和合规的医疗保健
更高质量的数据可以推动更高质量的医疗保健，还可以降低成本。持续的质量可以释放数据的价值，并确保数据的合规使用:
1.别再瞎猜了
跨组织正确连接患者数据是基于价值的护理、患者安全和护理协调的关键要素。重复记录或不匹配的记录可能导致索赔被拒、不必要的诊断测试、隐私风险和报告错误。亚愽视频Collibra Data Quality将所有组织与可信、及时和有意义的患者数据连接起来，同时将所需的时间、费用和精力减少70%。它提供了提供高质量患者护理所需的可预测的数据质量。您可以利用预测DQ来检测异常，并为患者的生命体征生成早期预警检测系统。
在一个案例中，一群病人遭遇了本来可以避免的近乎致命的事故。在十分钟内，Collibra Data 亚愽视频Quality能够发现异常，并创建一个可视化的热图和时间序列趋势，以说明何时出现问题。
2.没有质量损失随着时间的推移
预测性DQ解决方案创建基线来发现数据漂移，并生成自主规则来监控漂移。自适应规则不断地从新数据中学习，并预测格式、异常值、模式和关系方面的问题。自动数据漂移检测确保了准确的患者记录、相关的治疗细节和跨系统的一致信息，以交付可信的数据。
3.数据迁移的质量没有下降
医疗保健正在不断地随着新技术而发生变化。有时需要将数据移动到其他系统，并担心丢失记录、丢失值以及跨表或系统的关系破裂。连续DQ除了检查标准行数、列和一致性之外，还检查每个单元格中的每个记录在副本之间是否匹配。上游和下游系统的类型无关紧要，因为连续DQ与任何源和目标兼容。
4.可伸缩的合规
在医疗保健等高度监管的行业工作，意味着你需要透明的报告和审计。医疗保健合规涉及众多联邦和州医疗保健法律和HIPAA(1996年健康保险可携带和责任法案)．遵守数据隐私保护法规需要管理患者查看和更新其个人数据的请求。
当您使用手动规则或碎片化工具时，您需要与IT协调任何小的更改。自适应DQ简化了流程，使业务用户和合规专业人员能够加快透明的报告。很容易的可伸缩的DQ将所有信息统一到一个简单的仪表板中，并使用记分卡对每个数据集进行不同的排名。
考虑使用稳健的数据治理的基础。用一个完整的数据情报帮助您利用元数据、使用共享定义和优化质量过程的解决方案。这种组合解决方案确保医疗保健中的数据质量将从源头得到解决，为所有人提供更好、合规的医疗保健。
