El acceso a datos precisos, completos y oportunos es fundamental en el sector sanitario. Es afecta a la atención de los pacientes así como los presupuestos gubernamentales para el mantenimiento de los servicios sanitarios.
Por desgracia, ma mayoría de los centros sanitarios se ven acosados por la mala calidad de los datos y el gran retraso de las historias clínicas, que deben mejorarse para que sean accesibles y utilizable. Los sistemas anticuados, la escasa cultura de datos y la reticencia a incorporar nuevas tecnologías son algunos de los mayores obstáculos para data calidad en la asistencia sanitaria.
La regla es sencilla: si las autoridades sanitarias quieren mantener y mejorar la asistencia sanitaria a un nivel óptimo, deben garantizar el cumplimiento de las normas de calidad de los datos.
En este rápido post, trataremos lo que significa la calidad de los datos para la sanidad, sus retos, limitaciones y los pasos inmediatos que pueden dar los líderes del sector para mejorar la calidad de los datos.
¿Qué significa la calidad de los datos para la sanidad?
Los datos sanitarios organizados, agregados y transformados en un formato significativo proporcionan
información sanitaria
que puede utilizarse para:
- Oomentar la atención al paciente con datos precisos
- Consolidar los datos para obtener una visión precisa de los pacientes
- Permitir la confianza en la fiabilidad de los datos
- Crear informes con estadísticas fiables
- Permitir a los empleados y al personal tomar decisiones críticas basadas en datos precisos
Dado que es mucho lo que está en juego, es de suma importancia que los datos sanitarios sean
organizados, válidos, precisos y accesibles.
.
¿Cómo se determina la calidad de los datos?
En el ámbito sanitario, la calidad de los datos se refiere a de los usuarios nivel de confianza en los datos. Esta confianza es máxima si se mantienen las siguientes normas.
Exactitud y validez: La fuente de datos original no es engañosa ni está corrupta
Ejemplo de precisión y validez:
- Los datos de identificación y la dirección del paciente son válidos
- Los signos vitales se registran dentro de los parámetros de valores aceptables
- Los códigos utilizados en los hospitales para clasificar las enfermedades y los procedimientos se ajustan a normas predefinidas
Fiabilidad y coherencia:
La información sigue una norma establecida en toda la organización
Ejemplos de fiabilidad y coherencia:
- La edad del paciente registrada en un registro es la misma en todos los demás registros
- El nombre/sexo/estado civil correcto es el mismo en todos los registros
- El formato correcto del número de teléfono/dirección es el mismo en todos los registros
Exhaustividad:
Todos los campos de datos requeridos están presentes
Ejemplos de exhaustividad:
- Las notas de enfermería, incluyendo el plan de enfermería, las notas de progreso, la presión arterial, la temperatura y otros gráficos están completos con las firmas y la fecha de entrada
- Para todos los registros médicos/sanitarios, los formularios pertinentes están completos, con firmas y fechas de asistencia.
- En el caso de los pacientes ingresados, la historia clínica contiene un registro preciso de la enfermedad principal y otros diagnósticos y procedimientos relevantes, así como la firma del médico que los atiende.
Actualidad y oportunidad:
los datos están actualizados
Ejemplos de puntualidad:
- Los datos de identificación del paciente se registran en el momento de la primera asistencia y están fácilmente disponibles para identificar al paciente en cualquier momento.
- El historial médico del paciente, la historia de la enfermedad/problema actual detallada por el paciente y los resultados de la exploración física se registran en la primera asistencia a una clínica o ingreso en el hospital.
- Los informes estadísticos están listos en un plazo determinado, tras haber sido comprobados y verificados.
Accesibilidad:
Los datos están disponibles para las personas autorizadas como y cuando sea necesario
Ejemplos de accesibilidad:
- Los registros médicos/sanitarios están disponibles cuando y donde se necesiten en todo momento.
- Los datos extraídos están disponibles para su revisión cuando y donde sea necesario.
- En un sistema de registro electrónico de pacientes, la información clínica está fácilmente disponible cuando se necesita.
La calidad de los datos en la sanidad es de vital importancia no sólo para la atención a los pacientes, sino también para controlar el rendimiento de los servicios sanitarios y los empleados. Los datos recogidos y presentados deben cumplir estas normas. ¿El problema? La dependencia de los métodos tradicionales de gestión de datos hace que los hospitales y los intercambios de información (HIE) tengan problemas de correspondencia con los pacientes, algoritmos deficientes, procesos caóticos, ineficacia operativa, escaso conocimiento de los datos y mala calidad de los mismos.
Los datos de alta calidad incorporan estos estándares internacionalesnormas internacionalmente seguidasSin embargo, las limitaciones actuales en términos de tecnología, recursos y procesos han hecho que los centros sanitarios tengan dificultades para alcanzar estos objetivos.
Tl COVID-19 es un ejemplo perfecto de cómo los retos en la calidad de los datos afectan a la gestión de la pandemia. Organizaciones que fueron impulsados por los datos respondieron rápidamente con aplicaciones, análisis predictivos y modelos de atención al paciente que ayudaron al mundo a hacer frente. Los que anteriormente transformaciones digitales ignoradas fueron sacudidas para que se dieran cuenta de la necesidad de adaptarse a las tecnologías ML/AI (para las que los datos precisos son la base).
Cómo el COVID-19 ha puesto de manifiesto los retos y limitaciones de la calidad de los datos en el sector sanitario
Las pandemias siempre han supuesto un reto para la infraestructura del sector sanitario, pero el COVID-19 ha añadido un nuevo reto: el de la transformación digital y la necesidad de mejorar los datos agregados.
Los centros de salud están en el punto de mira‘ de la cabeza tratando de aprovechar el en tiempo real de datos para tomar decisiones críticas. Parte de lo que hace que esto sea tan difícil es la actual infraestructura de datos anticuada que todavía depende de métodos manuales para la entrada y agregación de datos. El complejo almacenamiento de datos, unido a la disparidad de las fuentes de datos y a la falta de formación del personal en materia de datos, dificulta la recopilación, el tratamiento y la consolidación de los datos para ofrecer el imagen completa de un paciente – las implicaciones de lo que da lugar a análisis sesgados y datos parcheados que proporcionan una visión nada precisa de la pandemia.
En un brillante artículo sobre el impacto de la mala calidad de los datos en la respuesta de COVID-19,
Datanami
informa de que los recuentos de nuevos casos y los datos de las camas de hospitalización son manualmente por los hospitales y que crea un reto para conseguir la alta confianza en esos datos actuales de «cabezas y camas».
El volumen y la variedad de datos generados durante esta pandemia son inimaginables. Los centros sanitarios se ven presionados a dar sentido a estos datos con rapidez para hacer frente a los retos, pero la dependencia de los procesos manuales, un enfoque generalmente lento de las iniciativas impulsadas por la tecnología y el uso existente de sistemas heredados han dificultado la toma de decisiones en tiempo real.
Afortunadamente, no todo está condenado. La pandemia ha acelerado el uso de herramientas y tecnologías que permiten a hospitales, centros sanitarios, gobiernos, empresas farmacéuticas y organizaciones de investigación agregar y analizar una multitud de conjuntos de datos diversos para producir soluciones (como aplicaciones móviles que predicen los riesgos), directrices de atención al paciente y la creación de vacunas en un tiempo récord.
¿Qué medidas inmediatas puede tomar el sector para alcanzar los objetivos de calidad de los datos?
Liderazgo, formación, cambio de cultura son algunos de los consejos más comunes que dan los expertospero estos pasos requieren a largo plazo a largo plazo. En un momento en el que los líderes se ven presionados para dar prioridad a la calidad de los datos, necesitan tomar medidas inmediatas y procesables. Entre ellas se encuentran:
Realización de una auditoría de calidad de datos:
Las soluciones sólo pueden derivarse si se conoce exactamente el problema al que se enfrenta la organización. Por ejemplo:
- A¿Sus equipos tienen dificultades para consolidar los datos de los pacientes procedentes de varios recursos para la elaboración de un informe?
- I¿tiene su centro problemas con los errores al introducir los datos?
- ¿Tiene controles de datos deficientes?
- ¿Cuáles son los errores más comunes que se encuentran en sus registros?
Hay que plantearse estas y otras muchas preguntas. Los registros deben ser extraídos y evaluados para ver si cumplen con los estándares de calidad definidos.
Invertir en una herramienta de calidad de datos de autoservicio:
Lo más probable es que su equipo siga confiando en la herramienta ETL para limpiar y transformar los datos. Los métodos manuales no pueden utilizarse para procesar datos con un volumen y una variedad exponenciales. volumen y variedad. Aquí es donde las herramientas de calidad de datos de autoservicio basadas en ML resultan útiles. Ellos reemplazarmanual la limpieza de datos o la estandarización esfuerzos con procesos rápidos y automatizados. Por ejemplo, la normalización de los datos hospitalarios lleva meses de esfuerzo e implica procesos complejos como garantizar los formatos correctos de [name] [date] [phone number] . Con una herramienta de autoservicio, se lleva a sólo unos minutos parapara poner los nombres en mayúsculas, eliminar los espacios en blanco, los errores de dedo gordo y mucho más para un millón de filas.
Con la herramienta de calidad de datos adecuada, puede realizar la limpieza de datos, la deduplicación de datos, la correspondencia de datos y la consolidación de datos, todo dentro de una plataforma, sin código, utilizando una interfaz de apuntar y hacer clic.
Automatice la preparación de los datos:
La automatización es el futuro. Para el sector sanitario, la automatización es una necesidad que puede repercutir positivamente en la atención al paciente, la gestión de recursos, la gestión de sistemas, las estadísticas, la financiación y mucho más. Las viejas creencias y la dependencia de procesos obsoletos deben ser sustituidas por la innovación y la automatización con el objetivo fundamental de permitir que los recursos humanos se centren más en el análisis y la toma de decisiones.
Definir las normas de calidad de los datos:
Los datos deben medirse para reflejar las dimensiones de las normas de calidad de los datos. Para empezar, las organizaciones deben asegurarse de que sus datos actuales son precisos, completos y válidos.
Haga de la calidad de los datos un hábito organizativo:
Las funciones de la calidad de los datos, como la limpieza de datos o la normalización de los mismos, no deben realizarse sólo cuando sean necesarias. Las organizaciones deben desarrollar una rutina para limpiar y mantener los datos actualizados. Los empleados con acceso a estos datos deben recibir formación para comprender la calidad de los datos y las implicaciones que tiene en las aplicaciones posteriores. Este paso en particular no requiere un cambio organizativo, sino que puede llevarse a cabo simplemente creando un calendario, asignando un recurso y dotándolo de la herramienta adecuada para realizar el trabajo.
¿Cómo ayuda Data Ladder?
Escalera de datos DataMatch Enterprise es la mejor solución de su clase diseñada para ayudar al sector sanitario en la gestión de la calidad de los datos. Con Data Ladder, su equipo puede procesar terabytes de datos, consolidar múltiples fuentes de datos, limpiar y transformar millones de filas de datos en sólo 45 minutos.
El ISD es la herramienta elegida por las organizaciones sanitarias debido a su interfaz fácil de usar, 100% de vinculación de registros y su capacidad para realizar transformaciones de datos. SIN CÓDIGO.
El ISD puede ayudar a los sistemas sanitarios con:
Vinculación de registros para estudios longitudinales
La vinculación de datos es el proceso de vincular/combinar/reunir múltiples fuentes de información sobre un individuo o entidad. La combinación de información tiene varias ventajas:
- Se pueden realizar estudios longitudinales de poblaciones enteras para comprender las tendencias de la enfermedad y los retos correlativos.
- Aplicar cambios o desarrollar nuevas políticas sanitarias a la luz de los datos disponibles.
- Los expertos pueden descubrir o resolver preguntas con respuestas que un solo conjunto de datos no puede proporcionar.
- La información histórica, como los datos administrativos, los datos de acontecimientos vitales, etc., recopilados a lo largo de la vida de una población, es valiosa para estudiar las enfermedades e identificar a las poblaciones susceptibles.
- La combinación de múltiples conjuntos de datos permite a las organizaciones evaluar el estado de la calidad de sus datos a un nivel más profundo e identificar las posibles lagunas que hay que cubrir.
- Se pueden desarrollar modelos de simulación para estudiar diferentes poblaciones
También conocida como «vinculación deregistros«, la vinculación de datos fue propuesta por primera vez por Halbert L. Dunn en 1946 en su artículo titulado «Record Linkage», en el
American Journal of Public Health,
donde sugirió la creación de un «libro de la vida» para cada individuo desde su nacimiento hasta su muerte, incorporando los principales acontecimientos sanitarios y sociales. Este libro sería una recopilación de todos los registros existentes para crear un archivo singular para su uso en la planificación de los servicios sanitarios.
Desde entonces, los centros sanitarios de todo el mundo, incluidos los de Estados Unidos, Canadá, Inglaterra, Dinamarca y Australia, se han esforzado por crear sistemas de vinculación de datos. Estos sistemas contienen conjuntos de datos sobre nacimientos, defunciones, ingresos hospitalarios, asistencias a urgencias y mucho más. Algunos países tienen incluso amplios registros sobre salud mental, educación, genealogía y datos de investigación específicos.
En Estados Unidos, la preocupación por la privacidad, la confidencialidad y la seguridad de la información de los pacientes ha dado lugar a políticas y normativas cada vez más estrictas , siendo la HIPAA la política de privacidad del paciente más conocida. Con estas políticas en vigor, las organizaciones no tienen acceso a identificadores únicos que puedan utilizarse fácilmente para vincular los registros. Cuando esto ocurre, se utilizan otros componentes de la fuente de datos para identificar los registros. En este caso, la vinculación de registros implica varias etapas y el uso de la concordancia probabilística para cotejar los datos.
Existe un gran abismo entre el sistema de datos ideal y el actual sistema federal de datos sanitarios. La escasa calidad de los datos almacenados en sistemas fragmentados y la ausencia de un control de la calidad hacen que los centros sanitarios se enfrenten a importantes retos a la hora de prestar una asistencia sanitaria de alto valor.
Además, la expansión sin precedentes de los datos de los pacientes procedentes de fuentes como Internet y los móviles ha aumentado el volumen y la variedad de los datos de forma exponencial, lo que dificulta a las organizaciones la vinculación de las historias clínicas electrónicas (HCE) a través de los sistemas y entre ellos, una actividad necesaria para una serie de fines que incluyen la investigación sanitaria, los estudios longitudinales de poblaciones, la prevención y el control de enfermedades, la atención al paciente y mucho más.
Análisis, limpieza y normalización de datos sin código
El ISD permite una limpieza de datos fácil y con un solo clic. A diferencia de las herramientas ETL o de Excel, no hay ningún esfuerzo manual. Con el ISD, los usuarios pueden:
- Transforme los datos deficientes simplemente haciendo clic en las casillas de verificación.
- Normalizar el estilo del texto.
- Eliminar los caracteres no deseados
- Eliminar las erratas accidentales durante la introducción de datos (¡son difíciles de detectar!)
- Limpiar los espacios entre letras/palabras
- Transformar los apodos en nombres reales (Juan en lugar de Johnny)
El ISD permite uniformar fácilmente los datos al permitir al usuario elegir entre más de una docena de opciones de normalización que pueden aplicarse a
cientos de millones de registros a la vez (probado con más de 2.000 millones de
+ registros).
Permitir la implantación de un marco de calidad de datos
La plataforma DME es un marco que permite a las organizaciones encontrar un punto de partida para sus objetivos de mejora de la calidad de los datos. No sólo pueden limpiar y preparar sus datos, sino que también pueden convertirlo en una parte consistente de su rutina diaria a la mitad del coste. Los datos sanitarios deben cumplir las normas de calidad de datos descritas anteriormente, lo que significa que las instituciones sanitarias deben aplicar un marco de calidad de datos que garantice la uniformidad, la precisión y la coherencia. Y deben cumplir estas normas rápidamente.
DME, al ser una solución de gestión de la calidad de los datos, permite a los usuarios perfilar, estandarizar y limpiar miles de millones de registros de múltiples fuentes de datos a una velocidad y precisión récord. Además, con la capacidad de integrar más de 500 fuentes de datos, los usuarios pueden actualizar y modificar directamente sus fuentes de datos sin la molestia de las herramientas de terceros.
Conclusión – Ayude a su organización a obtener datos precisos y fiables para mejorar la calidad de la atención al paciente
Para ser útiles, los datos deben ser correctos, completos, fiables y precisos. Los datos defectuosos conducen a errores en la toma de decisiones, errores letales en la atención al paciente (como diagnosticar al paciente equivocado), cifras sesgadas en la investigación y otros problemas críticos.
Aunque muchos centros sanitarios han recopilado datos sobre los pacientes, todavía no han desarrollado sistemas actualizados para mantener la calidad de los servicios prestados. Una herramienta de calidad de datos de autoservicio como DataMatch Enterprise permite a los usuarios autorizados preparar los datos para sus múltiples usos sin tener que depender de TI o de conocimientos específicos de SQL.
Y lo que es más importante, da a las organizaciones una cabeza iniciar en el viaje de mejora de los datos. Una vez que la organización entiende los problemas que afectan a la calidad de los datos, puede estar en mejor posición para hacer las modificaciones necesarias, elaborando un plan de gestión de datos más sólido.
Descargue nuestra prueba gratuita para ver cómo puede limpiar y vincular los registros de su organización de forma fácil y sin códigos.
