Blog

Qualité des données dans les soins de santé – Défis, limites et mesures à prendre pour améliorer la qualité

L’accès à des données précises, complètes et opportunes est essentiel dans le secteur des soins de santé. Il a un impact sur les soins aux patients ainsi que sur les budgets gouvernementaux pour le maintien des services de santé.

Malheureusement, ma plupart des établissements de soins de santé sont confrontés à une mauvaise qualité des données et à d’importants arriérés de dossiers médicaux qui doivent être améliorés pour être accessibles. et utilisable. Les systèmes obsolètes, la mauvaise culture des données et la réticence à adopter les nouvelles technologies sont quelques-uns des principaux obstacles à l’intégration des données dans les systèmes de gestion de l’information.la qualité des soins de santé.

La règle est simple : si les autorités sanitaires veulent maintenir et améliorer les soins de santé à un niveau optimal, elles doivent veiller au respect des normes de qualité des données.

Dans ce bref article, nous allons expliquer ce que signifie la qualité des données pour les soins de santé, ses défis, ses limites et les mesures immédiates que les leaders du secteur peuvent prendre pour améliorer la qualité des données.

Que signifie la qualité des données pour les soins de santé ?

Les données de santé organisées, agrégées et transformées dans un format significatif fournissent
informations sur la santé
qui peuvent être utilisées pour:

  • Optimiser les soins aux patients avec des données précises
  • Consolider les données pour obtenir une vue d’ensemble précise des patients
  • Permettre la confiance dans la fiabilité des données
  • Créer des rapports avec des statistiques fiables
  • Donner aux employés et au personnel les moyens de prendre des décisions cruciales sur la base de données précises.

Les enjeux étant très élevés, il est de la plus haute importance que les données sur les soins de santé soient
factuelles, organisées, valides, précises et accessibles.

.

Comment la qualité des données est-elle déterminée ?

Dans le domaine de la santé, la qualité des données se réfère à des utilisateurs niveau de confiance dans le site données. Cette confiance est maximale si les normes suivantes sont respectées.

Exactitude et validité : La source originale des données n’est pas trompeuse ou corrompue.

Exemple d’exactitude et de validité :

  • Les données d’identification et l’adresse du patient sont valides.
  • Les signes vitaux sont enregistrés dans des paramètres de valeurs acceptables
  • Les codes utilisés dans les hôpitaux pour classer les maladies et les procédures sont conformes à des normes prédéfinies.


Fiabilité et cohérence :
Les informations suivent une norme établie dans toute l’organisation

Exemples de fiabilité et de cohérence :

  • L’âge du patient enregistré dans un dossier est le même dans tous les autres dossiers.
  • Le nom, le sexe et l’état civil corrects sont les mêmes dans tous les dossiers.
  • Le format correct du numéro de téléphone et de l’adresse est le même dans tous les enregistrements.


Complétude :
Tous les champs de données obligatoires sont présents

Exemples d’exhaustivité :

  • Les notes infirmières, y compris le plan de soins infirmiers, les notes d’évolution, la pression artérielle, la température et les autres tableaux sont complets avec les signatures et la date d’entrée.
  • Pour tous les dossiers médicaux/de santé, les formulaires pertinents sont complets, avec les signatures et les dates de présence.
  • Pour les patients hospitalisés, le dossier médical contient un enregistrement précis de l’état principal et des autres diagnostics et procédures pertinents, ainsi que la signature du médecin traitant.


Monnaie et actualité :
les données sont à jour

Exemples de respect des délais :

  • Les informations d’identification d’un patient sont enregistrées au moment de la première consultation et sont facilement disponibles pour identifier le patient à tout moment.
  • Les antécédents médicaux du patient, l’historique de la maladie ou du problème actuel tel que détaillé par le patient, et les résultats de l’examen physique, sont enregistrés lors de la première visite dans une clinique ou de l’admission à l’hôpital.
  • Les rapports statistiques sont prêts dans un délai déterminé, après avoir été contrôlés et vérifiés.


Accessibilité :
Les données sont disponibles pour les personnes autorisées selon les besoins.

Exemples d’accessibilité :

  • Les dossiers médicaux/de santé sont disponibles à tout moment, au moment et à l’endroit voulus.
  • Les données résumées sont disponibles pour examen quand et où cela est nécessaire.
  • Dans un système de dossier électronique du patient, les informations cliniques sont facilement accessibles en cas de besoin.

La qualité des données dans le domaine des soins de santé est d’une importance cruciale, non seulement pour les soins aux patients, mais aussi pour le suivi des performances des services de santé et des employés. Les données collectées et présentées doivent répondre à ces normes. Le problème ? En s’appuyant sur des méthodes traditionnelles de gestion des données, les hôpitaux et les échanges d’informations (HIE) sont confrontés à des problèmes de correspondance entre les patients, à des algorithmes médiocres, à des processus chaotiques, à l’inefficacité opérationnelle, à une mauvaise connaissance des données et à une mauvaise qualité des données.

Les données de haute qualité reflètent ces normes internationales.tandardsCependant, les limites actuelles en termes de technologie, de ressources et de processus font que les établissements de santé ont du mal à atteindre ces objectifs.

Te COVID-19 est un parfait exemple de la façon dont les problèmes de qualité des données affectent le traitement des pandémies. Les organisations qui ont répondu rapidement par des applications, des analyses prédictives et des modèles de soins aux patients qui ont aidé le monde à faire face à la situation.. Ceux qui précédemment transformations numériques ignorées ont pris conscience de la nécessité de s’adapter aux technologies ML/AI (dont les données précises constituent le fondement).

Comment le COVID-19 a mis en évidence les défis et les limites de l’industrie des soins de santé en matière de qualité des données

Les pandémies ont toujours mis au défi l’infrastructure du secteur de la santé, mais le COVID-19 a ajouté un nouveau défi – celui de la transformation numérique et de la nécessité de disposer de données améliorées et agrégées.

Les établissements de santé sont à bout de souffle d’essayer de tirer parti temps réel des informations fondées sur des données pour prendre des décisions cruciales. Ce défi est en partie dû à l’infrastructure de données actuelle, qui est dépassée et repose encore sur des méthodes manuelles pour la saisie et l’agrégation des données. Le stockage complexe des données, associé à des sources de données disparates et à un personnel manquant de formation en matière de données, rend difficile la collecte, le traitement et la consolidation des données afin de fournir le site image complète d’un patient – les implications de ce qui se traduit par des analyses faussées et des données corrigées qui donnent une vision loin d’être exacte de la pandémie.

Dans un article brillant sur l’impact de la mauvaise qualité des données sur la réponse à COVID-19,
Datan
ami
rapporte que les données sur les nouveaux cas et les lits d’hospitalisation sont déclarées manuellement par les hôpitaux et que crée un défi pour obtenir une confiance élevée dans les données actuelles « têtes et lits ».

Le volume et la variété des données générées pendant cette pandémie sont inimaginables. Les établissements de soins de santé sont pressés de donner un sens à ces données rapidement pour relever les défis, mais le recours à des processus manuels, une approche généralement lente des initiatives technologiques et l’utilisation actuelle de systèmes hérités ont rendu difficile la prise de décision en temps réel.

Heureusement, tout n’est pas condamné. La pandémie a déclenché une accélération des efforts en faveur de l’utilisation d’outils et de technologies permettant aux hôpitaux, aux établissements de soins, aux gouvernements, aux entreprises pharmaceutiques et aux organismes de recherche d’agréger et d’analyser une multitude d’ensembles de données pour produire des solutions (telles que des applications mobiles permettant de prédire les risques), des directives de soins aux patients et la création de vaccins en un temps record.

Quelles mesures immédiates l’industrie peut-elle prendre pour atteindre les objectifs de qualité des données ?

Leadership, formation, changement de culture est l’un des conseils les plus courants donnés par les expertsmais ces étapes nécessitent long terme une refonte à long terme. À l’heure où les dirigeants sont pressés de donner la priorité à la qualité des données, ils doivent prendre des mesures concrètes et immédiates. Il s’agit notamment de :

Réaliser un audit de la qualité des données :

Les solutions ne peuvent être trouvées que si vous connaissez exactement le problème auquel votre organisation est confrontée. Par exemple:

  • Aos équipes ont-elles du mal à consolider les données sur les patients provenant de plusieurs ressources pour établir un rapport ?
  • IVotre établissement est confronté à des erreurs lors de la saisie des données ?
  • Avez-vous mis en place des contrôles de données insuffisants ?
  • Quelles sont les erreurs les plus courantes trouvées dans vos dossiers ?

Ces questions et bien d’autres encore doivent être posées. Les dossiers doivent être extraits et évalués pour voir s’ils répondent aux normes de qualité définies.

Investir dans un outil de qualité des données en libre-service :

Il y a de fortes chances que votre équipe s’appuie encore sur un outil ETL pour nettoyer et transformer les données. Les méthodes manuelles ne peuvent pas être utilisées pour traiter des données dont le volume et la variété sont exponentiels. volume et la variété. C’est là que les outils de qualité des données en libre-service basés sur le ML se révèlent utiles. Ils replacmanuel nettoyage ou normalisation des données s avec des processus rapides et automatisés. Par exemple, la normalisation des données hospitalières demande des mois d’efforts et implique des processus complexes comme la garantie des bons formats [name] [date] [phone number] . Avec un outil en libre-service, il prend quelques minutes seulementpour mettre les noms en majuscules, supprimer les espaces blancs, les fautes de frappe et bien d’autres choses encore. pour un million de lignes.

Avec le bon outil de qualité des données, vous pouvez effectuer le nettoyage des données, la déduplication des données, la mise en correspondance des données et la consolidation des données, le tout sur une seule plateforme, sans code, en utilisant une interface de type pointer-cliquer.

Automatiser la préparation des données:

L’automatisation est l’avenir. Pour le secteur des soins de santé, l’automatisation est une nécessité qui peut avoir un impact positif sur les soins aux patients, la gestion des ressources, la gestion des systèmes, les statistiques, le financement et bien plus encore. Les vieilles croyances et le recours à des processus dépassés doivent être remplacés par l’innovation et l’automatisation, l’objectif fondamental étant de permettre aux ressources humaines de se concentrer davantage sur l’analyse et la prise de décision.

Définir des normes de qualité des données :

Les données doivent être mesurées pour refléter les dimensions des normes de qualité des données. Pour commencer, les organisations doivent s’assurer que leurs données actuelles sont exactes, complètes et valides.

Faites de la qualité des données une habitude organisationnelle :

Les fonctions de qualité des données, telles que le nettoyage des données et la normalisation des données, ne doivent pas être exécutées uniquement en cas de besoin. Les organisations doivent développer une routine pour nettoyer et mettre à jour les données. Les employés ayant accès à ces données doivent être formés pour comprendre la qualité des données et les implications qu’elle a sur les applications en aval. Cette étape particulière ne nécessite pas de changement organisationnel. Elle peut être accomplie tout simplement en créant un calendrier, en affectant une ressource et en dotant cette dernière du bon outil pour accomplir le travail.

Comment Data Ladder vous aide-t-il ?

Data Ladder DataMatch Enterprise est une solution de premier ordre conçue pour aider le secteur des soins de santé à gérer la qualité des données. Avec Data Ladder, votre équipe peut traiter des téraoctets de données, consolider des sources de données multiples, nettoyer et transformer des millions de lignes de données en un temps record. seulement 45 minutes.

DME est l’outil de choix des organismes de soins de santé en raison de son interface facile à utiliser, de sa capacité à relier les dossiers à 100%. lien entre les enregistrements et sa capacité à effectuer des transformations de données CODE-FREE.

Les DME peuvent aider les systèmes de santé dans les domaines suivants :

Couplage d’enregistrements pour les études longitudinales

La liaison de données est le processus qui consiste à relier/combiner/constituer plusieurs sources d’information sur un individu ou une entité. La combinaison des informations présente plusieurs avantages :

  • Des études longitudinales portant sur des populations entières peuvent être menées afin de comprendre les tendances des maladies et les défis qui y sont liés.
  • Mettre en œuvre des changements ou élaborer de nouvelles politiques de santé à la lumière des données disponibles.
  • Les experts peuvent découvrir ou résoudre des questions pour obtenir des réponses qu’un seul ensemble de données ne peut fournir.
  • Les informations historiques telles que les données administratives, les données sur les événements vitaux, etc., recueillies au cours de la vie d’une population sont précieuses pour étudier les maladies et identifier les populations sensibles.
  • La combinaison de plusieurs ensembles de données permet aux organisations d’évaluer l’état de la qualité de leurs données à un niveau plus profond et d’identifier les lacunes potentielles à combler.
  • Des modèles de simulation peuvent être développés pour étudier différentes populations.

Également connu sous le nom de « couplage d’enregistrements« , le couplage de données a été proposé pour la première fois par Halbert L. Dunn en 1946 dans son article intitulé  » Record Linkage  » (couplage d’enregistrements) publié dans l’American Journal of Public Health.

American Journal of Public Health,

où il a suggéré la création d’un « livre de vie » pour chaque individu, de la naissance à la mort, intégrant les principaux événements sanitaires et sociaux. Ce livre serait une compilation de tous les dossiers existants afin de créer un dossier unique à utiliser pour la planification des services de santé.

Depuis lors, les établissements de soins de santé du monde entier, y compris les États-Unis, le Canada, l’Angleterre, le Danemark et l’Australie, se sont efforcés de créer des systèmes de liaison des données. Ces systèmes contiennent des ensembles de données sur les naissances, les décès, les admissions à l’hôpital, les visites aux urgences, et bien plus encore. Certains pays disposent même de dossiers complets sur la santé mentale, l’éducation, la généalogie et des données de recherche spécifiques.

Aux États-Unis, les préoccupations concernant le respect de la vie privée, la confidentialité et la sécurité des informations relatives aux patients ont conduit à des politiques et des réglementations de plus en plus strictes , l’HIPAA étant la politique la plus connue en la matière. Avec ces politiques en place, les organisations n’ont pas accès à des identifiants uniques qui peuvent facilement être utilisés pour relier les enregistrements. Lorsque cela se produit, d’autres composants de la source de données sont utilisés pour identifier les enregistrements. Dans ce cas, le couplage d’enregistrements implique plusieurs étapes et l’utilisation d’une correspondance probabiliste pour apparier les données.

Il existe un large fossé entre le système de données idéal et le système fédéral actuel de données sur les soins de santé. En raison de la mauvaise qualité des données stockées dans des systèmes fragmentés et de l’absence de contrôle de la qualité, les établissements de soins de santé sont confrontés à des défis importants pour fournir des soins de santé de grande qualité.

En outre, l’expansion sans précédent des données sur les patients provenant de sources telles que l’internet et le mobile a augmenté le volume et la variété des données de manière exponentielle, ce qui rend difficile pour les organisations de relier les dossiers de santé électroniques (DSE) entre les systèmes et à travers ceux-ci – une activité nécessaire pour une série d’objectifs, notamment la recherche sur les soins de santé, les études longitudinales des populations, la prévention et le contrôle des maladies, les soins aux patients et bien plus encore.

Analyse, nettoyage et normalisation des données sans code

DME permet un nettoyage des données facile, par pointer-cliquer. Contrairement aux outils ETL ou à Excel, aucun effort manuel n’est nécessaire. Avec DME, les utilisateurs peuvent :

  • Transformez les données pauvres en cliquant simplement sur les cases à cocher.
  • Normaliser le style du texte.
  • Supprimer les caractères indésirables
  • Supprimez les fautes de frappe accidentelles lors de la saisie des données (elles sont difficiles à repérer !).
  • Nettoyer les espaces entre les lettres/mots
  • Transformer les surnoms en noms réels (John au lieu de Johnny)


DME permet d’uniformiser facilement les données en laissant l’utilisateur choisir parmi plus d’une douzaine d’options de normalisation qui peuvent être appliquées à


des centaines de millions d’enregistrements à la fois (testé avec plus de 2 milliards d’enregistrements).



+ d’enregistrements).

Permettre la mise en œuvre d’un cadre de qualité des données

La plateforme de DME est un cadre qui permet aux organisations de trouver un point de départ à leurs objectifs d’amélioration de la qualité des données. Non seulement ils peuvent nettoyer et préparer leurs données, mais ils peuvent aussi en faire une partie intégrante de leur routine quotidienne, et ce à moitié prix. Les données relatives aux soins de santé doivent répondre aux normes de qualité des données décrites ci-dessus, ce qui signifie que les établissements de soins de santé doivent mettre en œuvre un cadre de qualité des données qui garantit l’uniformité, l’exactitude et la cohérence. Et ils doivent répondre à ces normes rapidement.

DME, qui est une solution de gestion de la qualité des données, permet aux utilisateurs de profiler, normaliser et nettoyer des milliards d’enregistrements provenant de sources de données multiples à une vitesse et une précision record. En outre, grâce à la possibilité d’intégrer plus de 500 sources de données, les utilisateurs peuvent directement mettre à jour et modifier leurs sources de données sans avoir à recourir à des outils tiers.

Conclusion – Aidez votre organisation à obtenir des données précises et fiables pour améliorer la qualité des soins aux patients

Pour être utiles, les données doivent être correctes, complètes, fiables et précises. Les données erronées entraînent des erreurs dans la prise de décision, des erreurs fatales dans les soins aux patients (comme le diagnostic du mauvais patient), des chiffres faussés dans la recherche et d’autres problèmes critiques.

Si de nombreux établissements de soins de santé ont collecté des données sur les patients, ils doivent encore développer des systèmes actualisés pour maintenir la qualité des services fournis. Un outil de qualité des données en libre-service tel que DataMatch Enterprise permet aux utilisateurs autorisés de préparer les données en vue de leurs multiples utilisations sans avoir à recourir à l’informatique ou à une expertise SQL spécifique.

Plus important encore, cela donne aux organisations une tête commencer dans le parcours d’amélioration des données. Une fois que l’organisation a compris les problèmes affectant la qualité des données, elle est mieux à même d’apporter les modifications nécessaires et d’élaborer un plan de gestion des données plus solide.

Téléchargez notre version d’essai gratuite pour voir comment vous pouvez nettoyer et relier les dossiers de votre organisation de manière simple et sans code.

Télécharger l’essai gratuit

In this blog, you will find:

Try data matching today

No credit card required

« * » indique les champs nécessaires

Hidden
Ce champ n’est utilisé qu’à des fins de validation et devrait rester inchangé.

Want to know more?

Check out DME resources

Merging Data from Multiple Sources – Challenges and Solutions

Aïe ! Nous n’avons pas retrouvé votre formulaire.