Datenqualität im Gesundheitswesen – Herausforderungen, Beschränkungen und Schritte zur Qualitätsverbesserung

Der Zugang zu genauen, vollständigen und zeitnahen Daten ist in der Gesundheitsbranche entscheidend. Es Auswirkungen auf die Patientenversorgung wie auch den Staatshaushalt für die Aufrechterhaltung der Gesundheitsdienste.

Leider ist mie meisten Einrichtungen des Gesundheitswesens leiden unter einer schlechten Datenqualität und großen Rückständen bei den Krankenakten, die verbessert werden müssen, damit sie zugänglich sind. & brauchbar. Veraltete Systeme, eine unzureichende Datenkultur und die mangelnde Bereitschaft, neue Technologien einzuführen, sind einige der größten Hindernisse für dieta Qualität im Gesundheitswesen.

Die Regel ist einfach: Wenn die Gesundheitsbehörden die Gesundheitsversorgung auf einem optimalen Niveau halten und verbessern wollen, müssen sie die Einhaltung von Datenqualitätsstandards sicherstellen.

In diesem kurzen Beitrag erfahren Sie, was Datenqualität für das Gesundheitswesen bedeutet, welche Herausforderungen und Einschränkungen sie mit sich bringt und welche Maßnahmen Branchenführer zur Verbesserung der Datenqualität ergreifen können.

Welche Bedeutung hat Datenqualität für das Gesundheitswesen?

Organisierte, aggregierte und in ein aussagekräftiges Format umgewandelte Gesundheitsdaten liefern
Gesundheitsinformationen
die genutzt werden können, um:

• Optimieren Sie die Patientenversorgung mit genauen Daten
• CDaten konsolidieren, um einen genauen Überblick über die Patienten zu erhalten
• Vertrauen schaffen in die Zuverlässigkeit der Daten
• Berichte mit zuverlässigen Statistiken erstellen
• Mitarbeiter und Personal in die Lage versetzen, wichtige Entscheidungen auf der Grundlage genauer Daten zu treffen

Da so viel auf dem Spiel steht, ist es von äußerster Wichtigkeit, dass die Daten im Gesundheitswesen
sachlich, organisiert, gültig, genau und zugänglich sind

.

Wie wird die Datenqualität bestimmt?

Im Gesundheitswesen bezieht sich die Datenqualität bezieht sich auf die Benutzer Grad des Vertrauen in die Daten. Dieses Vertrauen ist am höchsten, wenn die folgenden Standards eingehalten werden.

Korrektheit und Gültigkeit: Die ursprüngliche Datenquelle ist nicht irreführend oder fehlerhaft

Beispiel für Genauigkeit und Gültigkeit:

• Die Ausweisdaten und die Adresse des Patienten sind gültig
• Vitalparameter werden innerhalb akzeptabler Werte aufgezeichnet
• Die in Krankenhäusern verwendeten Codes zur Klassifizierung von Krankheiten und Verfahren entsprechen vordefinierten Standards

Verlässlichkeit und Konsistenz:
Die Informationen folgen in der gesamten Organisation einem bestimmten Standard

Beispiele für Zuverlässigkeit und Konsistenz:

• Das in einem Datensatz erfasste Alter des Patienten ist in allen anderen Datensätzen identisch
• Korrekter Name/Geschlecht/Familienstand ist in allen Datensätzen identisch
• Das korrekte Format der Telefonnummer/Adresse ist in allen Datensätzen gleich.

Vollständig:
Alle erforderlichen Datenfelder sind vorhanden

Beispiele für Vollständigkeit:

• Pflegedokumente, einschließlich Pflegeplan, Verlaufsnotizen, Blutdruck- und Fieberkurven und andere Aufzeichnungen sind vollständig mit Unterschriften und Eintragungsdatum versehen
• Für alle medizinischen/gesundheitlichen Unterlagen sind die entsprechenden Formulare vollständig, mit Unterschriften und Anwesenheitsdaten.
• Bei stationären Patienten enthält die Krankenakte eine genaue Aufzeichnung der Hauptkrankheit und anderer relevanter Diagnosen und Verfahren sowie die Unterschrift des behandelnden Arztes.

Aktualität und Rechtzeitigkeit:
Daten sind auf dem neuesten Stand

Beispiele für Rechtzeitigkeit:

• Die Identifizierungsdaten eines Patienten werden bei der ersten Behandlung erfasst und sind jederzeit verfügbar, um den Patienten zu identifizieren.
• Bei der ersten Vorstellung in einer Klinik oder bei der Aufnahme ins Krankenhaus werden die Vorgeschichte des Patienten, die vom Patienten geschilderte aktuelle Erkrankung/Problem und die Ergebnisse der körperlichen Untersuchung erfasst.
• Die statistischen Berichte werden innerhalb eines bestimmten Zeitraums fertiggestellt, nachdem sie kontrolliert und überprüft wurden.

Zugänglichkeit:
Daten sind bei Bedarf für autorisierte Personen verfügbar

Beispiele für Barrierefreiheit:

• Medizinische/gesundheitliche Unterlagen sind jederzeit verfügbar, wenn und wo sie benötigt werden.
• Die abstrahierten Daten stehen bei Bedarf zur Überprüfung zur Verfügung.
• In einem elektronischen Patientendatensystem sind die klinischen Informationen bei Bedarf sofort verfügbar.

Die Datenqualität im Gesundheitswesen ist nicht nur für die Patientenversorgung von entscheidender Bedeutung, sondern auch für die Überwachung der Leistung von Gesundheitsdiensten und Mitarbeitern. Die gesammelten und präsentierten Daten müssen diesen Standards entsprechen. Das Problem? Die Abhängigkeit von traditionellen Methoden der Datenverwaltung führt dazu, dass Krankenhäuser und Informationsaustauschstellen (HIEs) mit Problemen beim Patientenabgleich, schlechten Algorithmen, chaotischen Prozessen, betrieblicher Ineffizienz, mangelnder Datenkompetenz und schlechter Datenqualität zu kämpfen haben.

Hochwertige Daten verkörpern diese international befolgten standardsAufgrund der derzeitigen Beschränkungen in Bezug auf Technologie, Ressourcen und Verfahren ist es für die Gesundheitseinrichtungen jedoch eine Herausforderung, diese Ziele zu erreichen.

Tas COVID-19 ist ein perfektes Beispiel dafür, wie sich Herausforderungen bei der Datenqualität auf den Umgang mit Pandemien auswirken. Organisationen, die datengesteuert waren, reagierten schnell mit Apps, prädiktiven Analysen und Modellen für die Patientenversorgung, die der Welt halfen, mit den Problemen fertig zu werden.. Diejenigen, die bisher ignorierte digitale Umwälzungen wurden aufgerüttelt und erkannten die Notwendigkeit, sich an ML/AI-Technologien anzupassen (für die genaue Daten die Grundlage sind).

Wie die COVID-19 die Herausforderungen und Grenzen der Datenqualität im Gesundheitswesen aufgedeckt hat

Pandemien waren schon immer eine Herausforderung für die Infrastruktur des Gesundheitswesens, aber das COVID-19 ist eine neue Herausforderung hinzugekommen – die digitale Transformation und der Bedarf an verbesserten, aggregierten Daten.

Gesundheitseinrichtungen stehen vor einem Rätsel‚ dem Versuch, die Vorteile von Echtzeit datengestützte Erkenntnisse, um wichtige Entscheidungen zu treffen. Dies ist unter anderem deshalb so schwierig, weil die derzeitige Dateninfrastruktur veraltet ist und noch immer auf manuelle Methoden für die Dateneingabe und -aggregation angewiesen ist. Eine komplexe Datenspeicherung, gepaart mit unterschiedlichen Datenquellen, und ein Personal, dem es an Datenschulung mangelt, machen es schwierig, Daten zu sammeln, zu verarbeiten und zu konsolidieren, um die vollständiges Bild eines Patienten – die Auswirkungen von Dies führt zu verzerrten Analysen und gefälschten Daten, die kein genaues Bild der Pandemie vermitteln.

In einem brillanten Artikel über die Auswirkungen einer schlechten Datenqualität auf die COVID-19-Reaktion, Datanami berichtet Datan ami, dass neue Fallzahlen und Krankenhausbetten von den Krankenhäusern manuell gemeldet werden und dass stellt eine Herausforderung dar, wenn es darum geht, das hohe Vertrauen in die aktuellen „Kopf- und Bettdaten“ zu erhalten.

Die Menge und Vielfalt der Daten, die während dieser Pandemie erzeugt werden, ist unvorstellbar. Die Einrichtungen des Gesundheitswesens stehen unter dem Druck, diese Daten schnell zu nutzen, um die Herausforderungen zu meistern, aber die Abhängigkeit von manuellen Prozessen, eine allgemein langsame Herangehensweise an technologiegesteuerte Initiativen und die Verwendung von Altsystemen haben die Entscheidungsfindung in Echtzeit erschwert.

Glücklicherweise ist nicht alles dem Untergang geweiht. Die Pandemie hat die Bemühungen um den Einsatz von Instrumenten und Technologien beschleunigt, die es Krankenhäusern, Gesundheitseinrichtungen, Regierungen, Pharmaunternehmen und Forschungseinrichtungen ermöglichen, eine Vielzahl von Datensätzen zu sammeln und zu analysieren, um in Rekordzeit Lösungen (z. B. mobile Apps zur Risikovorhersage), Richtlinien für die Patientenversorgung und die Entwicklung von Impfstoffen zu entwickeln.

Welche unmittelbaren Schritte kann die Branche unternehmen, um die Ziele der Datenqualität zu erreichen?

Führung, Ausbildung, Kulturwandel ist einer der häufigsten Ratschläge, die Experten gebenaber diese Schritte erfordern langfristige Überholung. In einer Zeit, in der Führungskräfte unter Druck stehen, der Datenqualität Priorität einzuräumen, müssen sie sofort umsetzbare Maßnahmen ergreifen. Dazu gehören:

Durchführung eines Datenqualitätsaudits:

Lösungen lassen sich nur dann ableiten, wenn Sie das Problem, mit dem Ihr Unternehmen konfrontiert ist, genau kennen. Zum Beispiel:

• AHaben Ihre Teams Schwierigkeiten, Patientendaten aus verschiedenen Quellen für einen Bericht zu konsolidieren?
• Ist Ihre Einrichtung mit Fehlern bei der Dateneingabe konfrontiert?
• Haben Sie unzureichende Datenkontrollen eingerichtet?
• Was sind die häufigsten Fehler, die in Ihren Unterlagen gefunden werden?

Diese und viele weitere Fragen müssen gestellt werden. Die Aufzeichnungen müssen abgerufen und bewertet werden, um zu sehen, ob sie den festgelegten Qualitätsstandards entsprechen.

Investition in ein Self-Service-Tool für Datenqualität:

Wahrscheinlich verlässt sich Ihr Team immer noch auf ein ETL Werkzeugum Daten zu bereinigen und umzuwandeln. Manuelle Methoden können nicht verwendet werden, um Daten mit exponentiellem Volumen und Vielfalt. Hier kommen ML-basierte Self-Service-Tools für die Datenqualität ins Spiel. Sie ersetzenmanuelle Datenbereinigung oder Standardisierung Aufwands mit schnellen, automatisierten Prozessen. Die Normalisierung von Krankenhausdaten beispielsweise erfordert monatelange Bemühungen und komplexe Prozesse wie die Sicherstellung der richtigen [name] [date] [phone number] Formate. Mit einem Self-Service-Tool kann es dauert nur wenige Minutendie Großschreibung von Namen, das Entfernen von Leerzeichen, Fettfingerfehler und vieles mehr für eine Million Zeilen.

Mit dem richtigen Datenqualitätstool können Sie Datenbereinigung, Datendeduplizierung, Datenabgleich und Datenkonsolidierung auf einer einzigen Plattform durchführen, ohne Code, mit einer Point-and-Click-Schnittstelle.

Automatisieren Sie die Datenaufbereitung:

Der Automatisierung gehört die Zukunft. Für das Gesundheitswesen ist die Automatisierung eine Notwendigkeit, die sich positiv auf die Patientenversorgung, das Ressourcenmanagement, die Systemverwaltung, Statistiken, die Finanzierung und vieles mehr auswirken kann. Altbewährte Überzeugungen und das Vertrauen auf veraltete Prozesse müssen durch Innovation und Automatisierung ersetzt werden, mit dem grundlegenden Ziel, dass sich die Mitarbeiter stärker auf Analysen und Entscheidungen konzentrieren können.

Definition von Datenqualitätsstandards:

Die Daten müssen so gemessen werden, dass sie die Dimensionen der Datenqualitätsstandards widerspiegeln. Zunächst einmal müssen die Unternehmen sicherstellen, dass ihre aktuellen Daten korrekt, vollständig und gültig sind.

Machen Sie Datenqualität zu einer organisatorischen Gewohnheit:

Funktionen der Datenqualität wie Datenbereinigung und Datenstandardisierung sollten nicht nur bei Bedarf durchgeführt werden. Unternehmen müssen eine Routine entwickeln, um Daten zu bereinigen und auf dem neuesten Stand zu halten. Mitarbeiter, die Zugang zu diesen Daten haben, müssen geschult werden, um die Datenqualität und ihre Auswirkungen auf nachgelagerte Anwendungen zu verstehen. Dieser Schritt erfordert keine organisatorische Veränderung, sondern kann ganz einfach durch die Erstellung eines Zeitplans, die Zuweisung einer Ressource und die Ausstattung der Ressource mit dem richtigen Werkzeug für die Erledigung der Aufgabe erfolgen.

Wie hilft die Data Ladder?

Data Ladder’s DataMatch Enterprise ist eine erstklassige Lösung, die das Gesundheitswesen beim Datenqualitätsmanagement unterstützt. Mit Data Ladder kann Ihr Team Terabytes an Daten verarbeiten, mehrere Datenquellen konsolidieren, Millionen von Datenzeilen bereinigen und umwandeln. nur 45 Minuten.

DME ist das Tool der Wahl für Organisationen im Gesundheitswesen aufgrund seiner benutzerfreundlichen Oberfläche, der 100%igen Datensatzverknüpfung und seiner Fähigkeit, Datentransformationen durchzuführen CODE-FREE.

DME kann den Gesundheitssystemen dabei helfen:

Datensatzverknüpfung für Längsschnittstudien

Datenverknüpfung ist der Prozess der Verknüpfung/Kombination/Zusammenführung mehrerer Informationsquellen zu einer Person oder Einheit. Die Kombination von Informationen hat mehrere Vorteile:

• Längsschnittstudien für ganze Bevölkerungsgruppen können durchgeführt werden, um Krankheitstrends und damit zusammenhängende Herausforderungen zu verstehen.
• Durchführung von Änderungen oder Entwicklung neuer gesundheitspolitischer Maßnahmen im Lichte der verfügbaren Daten.
• Experten können Fragen entdecken oder lösen, auf die ein einzelner Datensatz keine Antwort geben kann.
• Historische Informationen wie Verwaltungsdaten, Daten zu lebenswichtigen Ereignissen usw., die über die gesamte Lebenszeit einer Bevölkerung gesammelt werden, sind für die Untersuchung von Krankheiten und die Identifizierung anfälliger Bevölkerungsgruppen sehr wertvoll.
• Die Kombination mehrerer Datensätze ermöglicht es Unternehmen, den Zustand ihrer Datenqualität auf einer tieferen Ebene zu bewerten und potenzielle Lücken zu erkennen, die es zu schließen gilt.
• Es können Simulationsmodelle entwickelt werden, um verschiedene Populationen zu untersuchen

Die auch als „Record Linkage“ bezeichnete Datenverknüpfung wurde erstmals 1946 von Halbert L. Dunn in seinem Artikel „Record Linkage“ in der Zeitschrift

American Journal of Public Health,

in dem er vorschlug, ein „Buch des Lebens“ für jeden Menschen von der Geburt bis zum Tod zu erstellen, das die wichtigsten gesundheitlichen und sozialen Ereignisse enthält. Dieses Buch wäre eine Zusammenstellung aller vorhandenen Datensätze, um eine einzigartige Datei zur Verwendung bei der Planung von Gesundheitsdiensten zu erstellen.

Seitdem haben sich Gesundheitseinrichtungen in der ganzen Welt, darunter in den USA, Kanada, England, Dänemark und Australien, um die Einrichtung von Datenverknüpfungssystemen bemüht. Diese Systeme enthalten Datensätze über Geburten, Sterbefälle, Krankenhauseinweisungen, Notfalleinsätze und vieles mehr. In einigen Ländern gibt es sogar umfangreiche Aufzeichnungen über psychische Gesundheit, Bildung, Genealogie und spezifische Forschungsdaten.

In den Vereinigten Staaten hat die Sorge um den Schutz der Privatsphäre, die Vertraulichkeit und die Sicherheit von Patientendaten zu immer strengeren Richtlinien und Vorschriften geführt , wobei HIPAA die bekannteste Datenschutzrichtlinie für Patienten ist. Mit diesen Richtlinien haben Organisationen keinen Zugang zu eindeutigen Identifikatoren, die leicht zur Verknüpfung von Datensätzen verwendet werden können. In diesem Fall werden andere Komponenten in der Datenquelle verwendet, um Datensätze zu identifizieren. In diesem Fall umfasst die Verknüpfung von Datensätzen mehrere Stufen und die Verwendung eines probabilistischen Abgleichs, um Daten abzugleichen.

Zwischen dem idealen Datensystem und dem derzeitigen föderalen Gesundheitsdatensystem besteht eine große Kluft. Die schlechte Qualität der in fragmentierten Systemen gespeicherten Daten und das Fehlen einer Qualitätsüberwachung stellen die Gesundheitseinrichtungen vor große Herausforderungen bei der Bereitstellung einer hochwertigen Gesundheitsversorgung.

Darüber hinaus hat die beispiellose Zunahme von Patientendaten aus Quellen wie dem Internet und dem Mobilfunk das Volumen und die Vielfalt der Daten exponentiell erhöht, so dass es für Organisationen schwierig ist, elektronische Gesundheitsdatensätze (EHR) systemübergreifend miteinander zu verknüpfen – ein Vorgang, der für eine Reihe von Zwecken wie Gesundheitsforschung, Längsschnittstudien über Bevölkerungsgruppen, Krankheitsvorbeugung und -bekämpfung, Patientenversorgung und vieles mehr erforderlich ist.

Codefreies Parsen, Bereinigen und Standardisieren von Daten

DME ermöglicht eine einfache Datenbereinigung per Mausklick. Im Gegensatz zu ETL-Tools oder Excel ist kein manueller Aufwand erforderlich. Mit DME können Benutzer:

• Transformieren Sie schlechte Daten durch einfaches Anklicken von Kontrollkästchen.
• Textstil normalisieren.
• Unerwünschte Zeichen entfernen
• Beseitigung versehentlicher Tippfehler bei der Dateneingabe (diese sind schwer zu erkennen!)
• Leerzeichen zwischen Buchstaben/Wörtern bereinigen
• Spitznamen in richtige Namen umwandeln (John statt Johnny)

DME ermöglicht eine einfache Vereinheitlichung der Daten, indem der Benutzer aus mehr als einem Dutzend Standardisierungsoptionen wählen kann, die sich auf


Hunderte von Millionen von Datensätzen gleichzeitig angewendet werden können (getestet mit 2 Milliarden + Datensätze).

Ermöglichen Sie die Implementierung eines Datenqualitätsrahmens

Die DME-Plattform ist ein Rahmenwerk, das es Unternehmen ermöglicht, einen Ausgangspunkt für ihre Ziele zur Verbesserung der Datenqualität zu finden. Sie können ihre Daten nicht nur bereinigen und aufbereiten, sondern dies auch zu einem festen Bestandteil ihrer täglichen Routine machen – und das zur Hälfte der Kosten. Gesundheitsdaten müssen den oben beschriebenen Datenqualitätsstandards entsprechen, was bedeutet, dass Gesundheitseinrichtungen einen Datenqualitätsrahmen einführen müssen, der Einheitlichkeit, Genauigkeit und Konsistenz gewährleistet. Und sie müssen diese Standards schnell erfüllen .

DME ist eine Lösung für das Datenqualitätsmanagement, die es den Anwendern ermöglicht, Milliarden von Datensätzen aus verschiedenen Datenquellen in Rekordgeschwindigkeit und mit hoher Genauigkeit zu profilieren, zu standardisieren und zu bereinigen. Dank der Möglichkeit, über 500 Datenquellen zu integrieren, können die Nutzer ihre Datenquellen direkt aktualisieren und ändern, ohne dass sie sich mit Tools von Drittanbietern herumschlagen müssen.

Fazit – Helfen Sie Ihrer Organisation, genaue und zuverlässige Daten zu erhalten, um die Qualität der Patientenversorgung zu verbessern

Um nützlich zu sein, müssen die Daten korrekt, vollständig, zuverlässig und genau sein. Fehlerhafte Daten führen zu Fehlern bei der Entscheidungsfindung, tödlichen Fehlern bei der Patientenversorgung (z. B. Diagnose des falschen Patienten), verzerrten Zahlen in der Forschung und anderen kritischen Problemen.

Viele Einrichtungen des Gesundheitswesens haben zwar Daten über Patienten gesammelt, müssen aber noch aktuelle Systeme entwickeln, um die Qualität der erbrachten Leistungen zu gewährleisten. Ein Self-Service-Datenqualitäts-Tool wie DataMatch Enterprise ermöglicht es autorisierten Anwendern, Daten für ihre vielfältigen Verwendungszwecke vorzubereiten, ohne sich auf die IT-Abteilung oder spezielle SQL-Kenntnisse verlassen zu müssen.

Noch wichtiger ist, dass sie den Organisationen einen Kopf Start auf dem Weg zur Datenverbesserung. Sobald die Organisation die Probleme, die die Datenqualität beeinträchtigen, versteht, ist sie in einer besseren Position, um die notwendigen Änderungen vorzunehmen und einen robusteren Datenverwaltungsplan zu erstellen.

Laden Sie unsere kostenlose Testversion herunter und erfahren Sie, wie Sie die Datensätze Ihres Unternehmens einfach und ohne Code bereinigen und verknüpfen können.

Kostenlose Testversion herunterladen