বিষয় 4.5 — ডেটা, বিশ্লেষণ ও জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা

এক বাক্যে: স্বাস্থ্য ও পরিচর্যায় বিশ্লেষণ গড়ার যোগ্য কেবল তখনই যখন তা একটি সিদ্ধান্ত, একটি পথ বা একটি জীবন বদলায়, ডেটাকে অন্তর্দৃষ্টিতে রূপান্তর করে যা সবচেয়ে বেশি প্রয়োজনের মানুষদের কাছে পৌঁছায়, এবং এমনভাবে যা জনগণ বিশ্বাস করতে পারে।

স্বাস্থ্য ও পরিচর্যায় কেন এটি গুরুত্বপূর্ণ#

বিষয় 4.3 — আন্তঃকার্যক্ষমতা ও ডেটা মান হলো সিস্টেমগুলোর মধ্যে ডেটা নিরাপদে সরানো নিয়ে যাতে তা যেখানে দরকার সেখানে পৌঁছায়। এই বিষয় পরে কী ঘটে তা নিয়ে: সেই ডেটাকে অন্তর্দৃষ্টিতে এবং অন্তর্দৃষ্টিকে ব্যবস্থায় রূপান্তর করা। দুটি গুলিয়ে ফেলা সহজ এবং বিভ্রান্ত করা ব্যয়বহুল। আপনার নিখুঁত আন্তঃকার্যক্ষমতা থাকতে পারে এবং তবু খারাপ সিদ্ধান্ত নিতে পারেন, এবং সমৃদ্ধ বিশ্লেষণ থাকতে পারে যা কখনো একজন রোগীর পরিচর্যা স্পর্শ করে না।

স্বাস্থ্য ও পরিচর্যায় বিশ্লেষণ এমন ওজন বহন করে যা খুচরা বা লজিস্টিকসে বিশ্লেষণ করে না। যখন আপনি একটি জনসংখ্যাকে ভাগ করেন এবং একটি হস্তক্ষেপকে লক্ষ্য করেন, আপনি সিদ্ধান্ত নিচ্ছেন কার হাঁপানি পর্যালোচনা প্রথমে হবে, কোন দুর্বল বয়স্ক মানুষরা শীতের সংকটের আগে একটি সক্রিয় ফোন পাবেন, এবং একটি টানাপোড়েনে-থাকা কমিউনিটি দল তার সীমিত ঘণ্টা কোথায় ব্যয় করবে। বিশ্লেষণ ভুল করুন, একটি পক্ষপাতদুষ্ট ঝুঁকি মডেল, একটি ডেটা-মান ফাঁক যা একটি বঞ্চিত এলাকাকে কম গোনে, একটি ড্যাশবোর্ড যা কর্মক্ষমতাকে তোষামোদ করে, এবং আপনি ঠিক সেই অসমতা বাড়াতে পারেন যা আপনি বন্ধ করতে চেয়েছিলেন। পরিণতি ক্লিনিক্যাল ও নৈতিক, নিছক বাণিজ্যিক নয়।

জনআস্থা হলো অন্য সীমাবদ্ধতা যা এই ক্ষেত্রকে স্বতন্ত্র করে। মানুষ সাধারণভাবে তাদের ডেটা পরিচর্যা উন্নত করতে ও গবেষণা সমর্থন করতে ইচ্ছুক, কিন্তু কেবল যখন তারা দেখতে পায় এটি নিরাপদে, আইনসম্মতভাবে এবং বৈধ উদ্দেশ্যে পরিচালিত হচ্ছে। ২০১৪ সালে ইংল্যান্ডে care.data কর্মসূচির ব্যর্থতা, ডেটা কীভাবে নিষ্কাশিত ও ব্যবহৃত হবে সে বিষয়ে জনগণ ও চিকিৎসকরা আস্থা হারানোর পরে পরিত্যক্ত, প্রতিটি স্বাস্থ্য বিশ্লেষণ নেতার জানা উচিত এমন সতর্কতামূলক গল্প। আস্থা একবার হারালে পুনর্গঠন ধীর ও ব্যয়বহুল, এবং তা বছরের পর বছর আপনি কী করতে পারেন তা সীমিত করে। তাই বিশ্লেষণের "কীভাবে", প্ল্যাটফর্ম, অ্যাক্সেস পথ, গভর্ন্যান্স, স্বচ্ছতা, ব্যাক-অফিসের নল-ব্যবস্থা নয়। এটি সেই ক্লিনিক্যাল-নিরাপত্তা, ন্যায্যতা ও জনআস্থার নিষ্পত্তির অংশ যা এই পুরো বই জুড়ে চলে।

মূল ধারণা#

ব্যবসায়িক বুদ্ধিমত্তা হলো সিদ্ধান্তে তথ্য জোগাতে ডেটা বিশ্লেষণ করার চর্চা ও প্রযুক্তির সেট, ড্যাশবোর্ড, রিপোর্ট এবং তাদের পেছনে থাকা কোয়েরি। এটি ভালো ডেটা ভিজ্যুয়ালাইজেশন-এর মাধ্যমে উপস্থাপিত ডেটা বিশ্লেষণ-এর ওপর দাঁড়িয়ে, কারণ একটি চার্ট যা একজন ব্যস্ত চিকিৎসক বা পরিচালক সেকেন্ডে পড়তে পারেন তা এমন একটি টেবিলের চেয়ে ভালো যা কেউ খোলে না।

বিশ্লেষণাত্মক উচ্চাকাঙ্ক্ষা বর্ণনার একটি কাজের উপায় হলো পরিপক্বতা মই: বর্ণনামূলক বিশ্লেষণ (কী ঘটেছে), রোগনির্ণয়মূলক বিশ্লেষণ (কেন ঘটেছে), পূর্বাভাসমূলক বিশ্লেষণ (পরবর্তীতে কী ঘটার সম্ভাবনা), এবং নির্দেশমূলক বিশ্লেষণ (এ বিষয়ে আপনার কী করা উচিত)। বেশির ভাগ প্রতিষ্ঠান বেশির ভাগ সময় প্রথম ধাপে ব্যয় করে, এবং সেটি প্রায়ই সঠিক জায়গা, একটি নির্ভরযোগ্য বর্ণনামূলক চিত্র, বিশ্বস্ত ও ব্যবস্থা-নেওয়া, একটি ভঙ্গুর পূর্বাভাসমূলক মডেলের চেয়ে বেশি মূল্যবান যা কেউ ব্যবহার করে না।

এই সবকিছুর ভিত্তি একটি ডেটা প্ল্যাটফর্ম। একটি ডেটা ওয়্যারহাউস রিপোর্টিংয়ের জন্য কাঠামোবদ্ধ, মডেল-করা ডেটা সংরক্ষণ করে; একটি ডেটা লেক পরবর্তী প্রক্রিয়াকরণের জন্য যেকোনো আকারের কাঁচা ডেটা সংরক্ষণ করে; "লেকহাউস" প্যাটার্ন দুটি মেশায়। আপনি যেটিই বেছে নিন, প্ল্যাটফর্ম কেবল ততটুকু বিশ্বাসযোগ্য যতটা এর ডেটা মান, অন্তর্নিহিত রেকর্ডের সম্পূর্ণতা, নির্ভুলতা, সময়োপযোগিতা ও সামঞ্জস্য, এবং এর ডেটা গভর্ন্যান্স, মালিকানা, সংজ্ঞা ও অ্যাক্সেস সিদ্ধান্তের জবাবদিহিকারী কাঠামো যা ডেটাকে ব্যবহারযোগ্য রাখে। ঘনিষ্ঠভাবে সম্পর্কিত মাস্টার ডেটা ব্যবস্থাপনা, রোগী, কর্মী ও প্রতিষ্ঠানের মতো মূল রেফারেন্স ডেটার একটি একক, প্রামাণিক সংস্করণ রক্ষণাবেক্ষণ, যাতে বিশ্লেষণ অসামঞ্জস্যপূর্ণ শনাক্তকারীর ওপর ভেঙে না যায়।

জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা এই বিষয়ের কেন্দ্রের প্রয়োগকৃত শৃঙ্খলা: একটি সংজ্ঞায়িত জনসংখ্যার স্বাস্থ্য বুঝতে সংযুক্ত ডেটা ব্যবহার করা, এটিকে একই রকম প্রয়োজনের গোষ্ঠীতে ভাগ করা, ঝুঁকি স্তরবদ্ধ করা, এবং যাঁরা সবচেয়ে বেশি উপকৃত হবেন তাঁদের লক্ষ্য করে হস্তক্ষেপ করা। ভালোভাবে করলে, এটি স্বাস্থ্য ন্যায্যতা মোকাবিলার সবচেয়ে ধারালো সরঞ্জামগুলোর একটি, সংকটে উপস্থিত হওয়ার অপেক্ষা না করে সেবা-বঞ্চিত গোষ্ঠীর দিকে সক্রিয় পরিচর্যা নির্দেশ করে। ডেটা সাক্ষরতা, নেতা, চিকিৎসক ও বিশ্লেষক সবার ডেটা সততার সঙ্গে পড়ার, প্রশ্ন করার ও ব্যবস্থা নেওয়ার সামর্থ্য, ছাড়া এর কিছুই কাজ করে না।

সবশেষে, একটি সিকিউর ডেটা এনভায়রনমেন্ট (SDE), আন্তর্জাতিকভাবে একটি ট্রাস্টেড রিসার্চ এনভায়রনমেন্ট (TRE), হলো নিয়ন্ত্রিত পথ যার মাধ্যমে গবেষক ও পরিকল্পনাকারীরা সংবেদনশীল ডেটা বিশ্লেষণ করেন। বিশ্লেষকের কাছে ডেটা কপি করে পাঠানোর বদলে, বিশ্লেষককে একটি নিরাপদ, নিরীক্ষিত পরিবেশের ভেতরে ডেটার কাছে আনা হয়, এবং কেবল সমষ্টিগত, অ-শনাক্তকারী ফলাফল বের হয়। এটিই সেই মডেল যা বিষয় 1.8 — ডেটা নৈতিকতা, সম্মতি ও জনআস্থায় আলোচিত জনআস্থার সঙ্গে বিশ্লেষণাত্মক উচ্চাকাঙ্ক্ষার মিলন ঘটায়।

শ্রেষ্ঠ চর্চা#

1. ডেটা নয়, সিদ্ধান্ত থেকে শুরু করুন। একটি ড্যাশবোর্ড বা মডেল কমিশন করার আগে, এটি যে সিদ্ধান্ত বদলাবে, সেই সিদ্ধান্তের মালিক কে, এবং অন্তর্দৃষ্টি দেখার পরে তাঁরা ভিন্নভাবে কী করবেন তা নাম দিন। সেই প্রশ্নগুলোর উত্তর না দিতে পারলে, আপনি এমন একটি রিপোর্ট গড়ছেন যার ওপর কেউ ব্যবস্থা নেবে না। এই শৃঙ্খলা, অভিপ্রেত ব্যবস্থা থেকে পেছনের দিকে কাজ করা, অব্যবহৃত বিশ্লেষণের ছড়িয়ে পড়ার বিরুদ্ধে একক সবচেয়ে নির্ভরযোগ্য প্রতিরক্ষা, এবং এটি সরাসরি বিষয় 1.3 — প্রমাণ-চালিত সিদ্ধান্তের প্রমাণ-থেকে-ব্যবস্থা অভ্যাসের সঙ্গে যুক্ত।

2. বিশ্লেষণ মই সুচিন্তিতভাবে চড়ুন, প্রতিবর্তভাবে নয়। বর্ণনামূলক ও রোগনির্ণয়মূলক বিশ্লেষণ বেশির ভাগ পরিচালনগত প্রশ্নের উত্তর দেয় এবং পূর্বাভাসমূলক বা নির্দেশমূলক কাজের চেয়ে সস্তা, বেশি ব্যাখ্যাযোগ্য ও বেশি বিশ্বস্ত। একটি পূর্বাভাসমূলক মডেলের দিকে হাত বাড়ান কেবল যখন একটি সিদ্ধান্তের সত্যিই দূরদর্শিতা দরকার এবং আপনি কার্যকর হওয়ার মতো সময়ে পূর্বাভাসের ওপর ব্যবস্থা নিতে পারেন। একটি ঝুঁকি স্কোর যা এমন রোগীদের শনাক্ত করে যাঁদের সাহায্য করার সামর্থ্য আপনার নেই তা একটি একাডেমিক অনুশীলন, জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা নয়।

3. ডেটা মানকে একটি প্রথম শ্রেণির পণ্য হিসেবে দেখুন, পরিষ্কারের পরে-ভাবা বিষয় নয়। আপনার মূল ডেটা প্রবাহের সম্পূর্ণতা, নির্ভুলতা ও সময়োপযোগিতা মাপুন, সেই পরিমাপ প্রকাশ করুন, এবং নামধারী মালিকদের এর জন্য জবাবদিহিকারী করুন। জাতিগততা, বঞ্চনা বা প্রতিবন্ধিতার দুর্বল কোডিং একটি প্রযুক্তিগত পাদটীকা নয়, এটি পদ্ধতিগতভাবে সেই জনসংখ্যা লুকায় যাঁদের আপনার সবচেয়ে বেশি দেখা দরকার, তাই মানের ফাঁক ন্যায্যতার ফাঁক হয়ে ওঠে। যেখানে পারেন সেখানে পরিচালনগত সিস্টেমে উৎসে ডেটা মান ঠিক করুন, কারণ ডাউনস্ট্রিম সংশোধন অন্তহীন ও ক্ষতিকর।

4. একটি স্পষ্ট বিশ্লেষক ও ডেটা-প্রকৌশল অপারেটিং মডেল চালান। নির্ভরযোগ্য, ভালো-মডেল-করা ডেটা পাইপলাইন প্রকৌশল করার কাজ বিশ্লেষণ ও ব্যাখ্যা করার কাজ থেকে আলাদা করুন। ভাগ-করা সংজ্ঞা, ভার্সন নিয়ন্ত্রণ, বিশ্লেষণাত্মক কোডের পিয়ার রিভিউ এবং পুনরুৎপাদনযোগ্য পদ্ধতি গ্রহণ করুন যাতে একটি সংখ্যা সবার কাছে একই অর্থ বহন করে এবং চাহিদা অনুযায়ী পুনরুৎপন্ন করা যায়। সরকারি খাতে ইংরেজি "Reproducible Analytical Pipelines" আন্দোলন একটি ব্যবহারিক মডেল যা ধার করার যোগ্য।

5. স্ব-সেবা সক্ষম করুন, কিন্তু সংজ্ঞা কেন্দ্রীয়ভাবে শাসন করুন। দলগুলোকে ডেটা অন্বেষণ করতে ও নিজেদের দৃশ্য গড়তে দিন, কারণ একটি কেন্দ্রীয় দল কখনো প্রতিটি প্রশ্নের দ্রুত যথেষ্ট উত্তর দিতে পারে না। একটি শাসিত অর্থগত স্তর, প্রত্যয়িত ডেটাসেট এবং "অপেক্ষা তালিকা" বা "এড়ানো-যায় এমন ভর্তি"-র মতো মেট্রিকের সম্মত সংজ্ঞা, কিউরেট করে খণ্ডনের বিরুদ্ধে সতর্ক থাকুন, যাতে স্ব-সেবা সংখ্যাগুলোর অর্থ নিয়ে মতভেদ গুণ করার বদলে অন্তর্দৃষ্টি গুণ করে।

6. ন্যায্যতা লক্ষ্য করতে জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা ব্যবহার করুন, এবং পক্ষপাত যাচাই করুন। আপনার জনসংখ্যা ভাগ করুন এবং ঝুঁকি স্তরবদ্ধ করুন যাতে যাঁরা সবচেয়ে বেশি উপকৃত হবেন তাঁদের দিকে সক্রিয় পরিচর্যা নির্দেশিত হয়, ঐতিহাসিকভাবে দেরিতে বা মোটেই উপস্থিত হয় না এমন গোষ্ঠীকে সুচিন্তিতভাবে অন্তর্ভুক্ত করে। প্রতিটি মডেল পক্ষপাতের জন্য জেরা করুন: একটি ঝুঁকি স্তরবিন্যাস সরঞ্জাম যদি একটি বঞ্চিত বা সংখ্যালঘু-জাতিগত গোষ্ঠীকে কম স্কোর করে কারণ তাদের ডেটা কম, তবে তা নীরবে তাদের থেকে সম্পদ সরিয়ে দেবে। কেবল সামগ্রিকভাবে নয়, সুরক্ষিত বৈশিষ্ট্য ও বঞ্চনা অনুযায়ী ফলাফল নিরীক্ষা করুন।

7. সংবেদনশীল ডেটায় সিকিউর ডেটা এনভায়রনমেন্টকে ডিফল্ট পথ করুন। গবেষণা, পরিকল্পনা ও গৌণ ব্যবহারের জন্য, কপি নিষ্কাশনের বদলে বিশ্লেষকদের একটি SDE বা TRE-র ভেতরে ডেটার কাছে আনুন। এটি আপনার আক্রমণ পৃষ্ঠ সংকুচিত করে, একটি পূর্ণ নিরীক্ষা ট্রেইল তৈরি করে, এবং তাদের ডেটা কীভাবে ব্যবহৃত হয় সে সম্পর্কে জনগণকে একটি রক্ষণীয়, স্বচ্ছ গল্প দেয়। কার অ্যাক্সেস আছে, কী উদ্দেশ্যে, এবং কার অনুমোদনে তা প্রকাশ করুন, আপনার পদ্ধতিকে বিষয় 1.7 — তথ্য গভর্ন্যান্স, ডেটা সুরক্ষা ও সাইবার নিরাপত্তায় আলোচিত গভর্ন্যান্সের সঙ্গে যুক্ত করে।

8. বিশ্লেষণ থেকে ফলাফল ও মূল্য পর্যন্ত চক্র বন্ধ করুন। প্রতিটি উল্লেখযোগ্য বিশ্লেষণ পণ্যের জন্য, কেবল ড্যাশবোর্ড দেখা হয়েছে কি না নয়, অভিপ্রেত ব্যবস্থা ঘটেছে কি না এবং ফলাফল উন্নত হয়েছে কি না ট্র্যাক করুন। যে পণ্য আর সিদ্ধান্ত বদলায় না তা অবসর দিন। যেখানে পারেন, বিষয় 6.1 — স্বাস্থ্য অর্থনীতির পদ্ধতি ব্যবহার করে বিশ্লেষণাত্মক অন্তর্দৃষ্টিকে মাপা মূল্যের সঙ্গে যুক্ত করুন, যাতে ডেটা প্ল্যাটফর্মে বিনিয়োগ কার্যক্রম নয়, ফলাফল দ্বারা ন্যায্য হয়।

9. ডেটা মানকে একটি মাপা শৃঙ্খলা হিসেবে পরিচালনা করুন, কারণ বিশ্লেষণ ও AI তাদের নিচের প্রতিটি ত্রুটি উত্তরাধিকারসূত্রে পায়। আপনার সংকটপূর্ণ ডেটা প্রবাহের জন্য সম্পূর্ণতা, নির্ভুলতা, সময়োপযোগিতা ও বৈধতা সংজ্ঞায়িত ও পর্যবেক্ষণ করুন, সীমা নির্ধারণ করুন, এবং একটি বোর্ড রিপোর্টে ফাঁক আবিষ্কারের বদলে ফসকালে ব্যবস্থা নিন। একটি মডেল বা ড্যাশবোর্ড যে রেকর্ড তাকে খাওয়ায় তার ওপরে উঠতে পারে না, তাই মানকে একটি প্রকল্পের আগে একবারের পরিষ্কারের বদলে নামধারী মালিকসহ একটি চলমান পরিচালনগত ফাংশন হিসেবে দেখুন। যে ক্ষেত্রগুলো ন্যায্যতা বহন করে, জাতিগততা, বঞ্চনা, প্রতিবন্ধিতা, সেখানে এটি সবচেয়ে বেশি গুরুত্বপূর্ণ, যেখানে কম বা অসামঞ্জস্যপূর্ণ কোডিং নীরবে প্রতিটি ডাউনস্ট্রিম সিদ্ধান্ত বিকৃত করে।

10. আপনার মূল রেফারেন্স ডেটার জন্য মাস্টার ডেটা ব্যবস্থাপনা প্রতিষ্ঠা করুন। যে সত্তাগুলোর সঙ্গে বাকি সবকিছু জোড়া লাগে তার একটি একক, প্রামাণিক সংস্করণ রক্ষণাবেক্ষণ করুন, NHS Number-এ চাবিবদ্ধ রোগী, কর্মী ও প্রতিষ্ঠান, প্রতিটি কীভাবে তৈরি, মেলানো ও অবসরে যায় সে সম্পর্কে স্পষ্ট তত্ত্বাবধানসহ। এটি ছাড়া, একই রোগী একাধিক শনাক্তকারীর অধীনে এবং একই সেবা একাধিক নামের অধীনে দেখা দেয়, তাই বিশ্লেষণ ভাঙে এবং মোট কখনো মেলে না। বিশ্বস্ত মাস্টার ডেটায় বিনিয়োগ অগৌরবের, কিন্তু মাপে একটি একক অস্পষ্ট শনাক্তকারী একটি পুরো ব্যবস্থা জুড়ে পরিচর্যা বিপথে নিতে ও কর্মক্ষমতা ভুল বর্ণনা করতে পারে।

দলের সঙ্গে আলোচনার প্রশ্ন#

1. আমাদের কোন ড্যাশবোর্ড ও রিপোর্ট আগামীকাল বন্ধ করে দিলে কেউ কি লক্ষ্য করত, এবং উত্তর আমাদের কী বলে? বেশির ভাগ বিশ্লেষণ এস্টেট বছরের পর বছর জমে, এবং তারা যা তৈরি করে তার একটি বড় অংশ কদাচিৎ বা কখনো দেখা হয় না। এই প্রশ্ন একটি সৎ তালিকা বাধ্য করে: প্রতিটি উল্লেখযোগ্য পণ্যের জন্য, আপনি কি সেই সিদ্ধান্তের নাম বলতে পারেন যা এটি জানায়, সেই সিদ্ধান্তের মালিক ব্যক্তি, এবং শেষবার কবে এটি একটি বদলেছিল? বন্ধ করা, বা বন্ধ করার প্রস্তাব, একটি দ্রুত রোগনির্ণয়, প্রকৃত চিৎকার প্রকাশ করে কী গুরুত্বপূর্ণ, নীরবতা প্রকাশ করে কী নয়। যে দলগুলো সফল হয় তারা অব্যবহৃতকে অবসর দিতে নির্মম, কারণ প্রতিটি মৃত ড্যাশবোর্ড তবু রক্ষণাবেক্ষণ খরচ করে, সংখ্যা সরে গেলে আস্থা ক্ষয় করে, এবং যে রিপোর্ট গুরুত্বপূর্ণ তা চাপা দেয়। সেই মুক্ত প্রচেষ্টা মুষ্টিমেয় ভালো-ব্যবহৃত, ভালো-শাসিত পণ্যের দিকে পুনঃবরাদ্দ করা প্রায় সবসময়ই পুরো এস্টেটের মূল্য বাড়ায়। "কখনো দরকার হলে" বলে সবকিছু রেখে দেওয়ার প্রতিবর্ত থেকে সতর্ক থাকুন, ঠিক সেই প্রতিবর্তই আপনাকে এমন বিশ্লেষণে পৌঁছায় যার ওপর কেউ ব্যবস্থা নেয় না।

2. আমাদের বিশ্লেষণ কি স্বাস্থ্য অসমতাকে আরও দৃশ্যমান করে, নাকি লুকায়? সামগ্রিক মেট্রিক, একটি একক ট্রাস্ট-জুড়ে অপেক্ষার সময়, একটি সামগ্রিক টিকাদান হার, নিচে তীক্ষ্ণ বৈষম্য লুকিয়ে আশ্বাসদায়ক দেখাতে পারে। পরীক্ষা হলো আপনার মান পণ্য বঞ্চনা, জাতিগততা, প্রতিবন্ধিতা ও অন্যান্য প্রাসঙ্গিক বৈশিষ্ট্য অনুযায়ী ফলাফল ভাঙে কি না, এবং আপনার ডেটা সততার সঙ্গে তা করার জন্য যথেষ্ট ভালো কি না। জাতিগততা দুর্বলভাবে কোডকৃত হলে বা বঞ্চনা সংযুক্ত না থাকলে, আপনার বিশ্লেষণ কাঠামোগতভাবে সেই জনসংখ্যার প্রতি অন্ধ যাদের কাছে আপনার সবচেয়ে বেশি পৌঁছানো দরকার, এবং সেই অন্ধত্ব সম্পদ কোথায় প্রবাহিত হবে তা আকার দেবে। আলোচনা করুন আপনার বর্তমান ডেটা মান কোথায় ন্যায্যতা বিশ্লেষণকে ব্যর্থ করে, এবং উৎসে তা ঠিক করতে কী লাগবে। এও বিবেচনা করুন আপনার পূর্বাভাসমূলক মডেল সেবা-বঞ্চিত গোষ্ঠীর বিরুদ্ধে পক্ষপাতের জন্য যাচাই করা হয়েছে কি না। এই কথোপকথন আপনার বিশ্লেষণকে সরাসরি বইয়ের ন্যায্যতা মেরুদণ্ড এবং বিষয় 1.8 — ডেটা নৈতিকতা, সম্মতি ও জনআস্থার নৈতিকতার সঙ্গে যুক্ত করে।

3. একজন সাংবাদিক যদি জিজ্ঞাসা করেন আমরা বিশ্লেষণ ও গবেষণার জন্য রোগীদের ডেটা কীভাবে ব্যবহার করি, আমরা কি আজ একটি স্পষ্ট, সৎ, আশ্বাসদায়ক উত্তর দিতে পারতাম? জনআস্থা হলো সেই লাইসেন্স যার ওপর স্বাস্থ্য ডেটার সমস্ত গৌণ ব্যবহার নির্ভর করে, এবং এটি অর্জনের চেয়ে হারানো সহজ। প্রকৃত উত্তরটি ধরে এগোন: ডেটা কোথায় বসে, কে অ্যাক্সেস করতে পারে, কোন অনুমোদনের মাধ্যমে, কী উদ্দেশ্যে, এবং একজন সাধারণ মানুষ তা কীভাবে খুঁজে পাবেন। সৎ উত্তরে যদি স্প্রেডশিট ও শেয়ার্ড ড্রাইভ জুড়ে ছড়ানো শনাক্তযোগ্য ডেটার কপি জড়িত থাকে, আপনার একটি নিরাপত্তা সমস্যা ও একটি আস্থা সমস্যা দুটিই আছে। তার বিপরীতে একটি সিকিউর ডেটা এনভায়রনমেন্ট পদ্ধতি দেখুন, যেখানে অ্যাক্সেস নিয়ন্ত্রিত, নিরীক্ষিত ও প্রকাশযোগ্য। আলোচনা করুন একটি ঘটনা প্রশ্নটি বাধ্য করার আগেই জনসাধারণের যাচাইয়ে সত্যিই স্বচ্ছন্দ হতে আপনার প্রতিষ্ঠানকে কী বদলাতে হবে। care.data মনে রাখুন: প্রযুক্তি ব্যর্থতার বিন্দু ছিল না; ব্যর্থতা ছিল ডেটা কীভাবে ব্যবহৃত হবে সে বিষয়ে জনআস্থা।

4. আমরা যখন একটি পূর্বাভাসমূলক মডেলের দিকে হাত বাড়াই, তা যা বলে আমরা কি তার ওপর আসলে ব্যবস্থা নিতে পারি, এবং এর নিচের বর্ণনামূলক স্তরে বিশ্বাস করার অধিকার কি আমরা অর্জন করেছি? বিশ্লেষণাত্মক পরিপক্বতাকে পরিশীলনের সঙ্গে সমীকরণ করা এবং "AI-চালিত" বা পূর্বাভাসমূলক কাজকে গন্তব্য হিসেবে দেখা প্রলুব্ধকর। কিন্তু একটি ঝুঁকি স্কোর যা এমন রোগীদের শনাক্ত করে যাঁদের সঙ্গে যোগাযোগের সামর্থ্য আপনার নেই তা একটি একাডেমিক অনুশীলন, এবং একটি নড়বড়ে বর্ণনামূলক ভিত্তির ওপর গড়া একটি পূর্বাভাসমূলক মডেল কেবল বিদ্যমান ত্রুটি গতিতে স্বয়ংক্রিয় করে। প্রতিটি প্রস্তাবিত মডেলকে দুটি পরীক্ষায় জেরা করুন: একটি নির্ভরযোগ্য পেছন-দৃশ্য চিত্রের বদলে এমন একটি প্রকৃত সিদ্ধান্ত আছে কি যার সত্যিই দূরদর্শিতা দরকার, এবং একটি ফলাফল বদলানোর মতো সময়ে পূর্বাভাসের ওপর ব্যবস্থা নেওয়ার পরিচালনগত সামর্থ্য আছে কি? একটি সৎ উত্তর নির্দিষ্ট হস্তক্ষেপের নাম বলে যা পূর্বাভাস ট্রিগার করবে এবং যে দল তা সরবরাহ করবে, এবং বর্ণনামূলক ও রোগনির্ণয়মূলক ধাপ কি তার ওপর গড়ার জন্য যথেষ্ট বিশ্বস্ত সে সম্পর্কে অকপট। মইটি সুচিন্তিতভাবে, ধাপে ধাপে চড়া সাধারণত শীর্ষে লাফিয়ে উঠে কিছুই পতন ধরে না আবিষ্কার করার চেয়ে বেশি মূল্য দেয়।

5. আমাদের মূল সংখ্যাগুলো আসলে কী বোঝায় তাতে কি আমরা একমত, এবং কোথায় দুটি দল একই প্রশ্নের ভিন্ন উত্তর দেবে? স্ব-সেবা বিশ্লেষণ ছড়ানোর সঙ্গে সঙ্গে ঝুঁকি স্থানান্তরিত হয়, খুব কম সংখ্যা থেকে প্রতিটির অনেক বেশি সংস্করণে: "অপেক্ষা তালিকা", "এড়ানো-যায় এমন ভর্তি", "সক্রিয় রোগী" ড্যাশবোর্ড জুড়ে নীরবে বিচ্যুত হয় যতক্ষণ না বৈঠকগুলো কী করবেন নয়, কার সংখ্যা সঠিক তা নিয়ে তর্ক করে। দুটি দলকে স্বাধীনভাবে একই শিরোনাম মেট্রিক তৈরি করতে বলে মূর্তভাবে এটি পরীক্ষা করুন এবং কেবল উত্তর নয়, সংজ্ঞা ও পেছনের কোয়েরি তুলনা করুন। সৎ কথোপকথন সামনে আনে যেখানে একটি শাসিত অর্থগত স্তর ও প্রত্যয়িত ডেটাসেট অনুপস্থিত, এবং যেখানে কেন্দ্রীয় সংজ্ঞা স্থানীয় উদ্ভাবনের সঙ্গে তাল রাখতে ব্যর্থ হয়েছে। বিনিময় বাস্তব, অতি কঠোরভাবে চাপলে আপনি সেই অন্বেষণ শ্বাসরোধ করেন যা স্ব-সেবাকে মূল্যবান করে; অশাসিত ছেড়ে দিলে অন্তর্দৃষ্টি মতভেদে ভেঙে পড়ে। একটি পরিণত উত্তর বর্ণনা করে কোন মেট্রিক কেন্দ্রীয়ভাবে প্রত্যয়িত ও মালিকানাধীন এবং কোনগুলো স্থানীয় অন্বেষণের জন্য সুচিন্তিতভাবে খোলা রাখা, ভান না করে যে পুরো এস্টেট একটি বা অন্যটি হতে পারে।

6. আমরা কি ডেটা মান সেখানে ঠিক করছি যেখানে তা তৈরি হয়, নাকি অন্তহীনভাবে ডাউনস্ট্রিমে সংশোধন করছি? প্রতিটি ড্যাশবোর্ড ও মডেল তার নিচের পরিচালনগত রেকর্ডের ত্রুটি উত্তরাধিকারসূত্রে পায়, তাই সবচেয়ে পরিণতিময় বিশ্লেষণ সিদ্ধান্ত প্রায়ই অনেক উজানে নেওয়া হয়, পরিচর্যার মুহূর্তে একটি অবস্থা কীভাবে কোডকৃত হয়, বা একই রোগী ও সেবা একটি একক শনাক্তকারীতে মিলে কি না। আলোচনা করুন আপনার প্রতিষ্ঠান বর্তমানে রিপোর্টিং স্তরে কোথায় মান প্যাচ করে, এবং সেই সমস্যাগুলো বরং উৎসে ঠিক করতে কী লাগবে, স্বীকার করে যে ডাউনস্ট্রিম সংশোধন অন্তহীন ও ক্ষতিকর। এটি মাস্টার ডেটা ব্যবস্থাপনা থেকে অবিচ্ছেদ্য: রোগী, কর্মী ও প্রতিষ্ঠানের একটি একক প্রামাণিক সংস্করণ ছাড়া, মোট কখনো মেলে না এবং একই ব্যক্তি রেকর্ড জুড়ে ভেঙে যায়। যে ক্ষেত্রগুলো ভালোভাবে কোড করা সবচেয়ে কঠিন, জাতিগততা, বঞ্চনা, প্রতিবন্ধিতা, সেগুলোর জন্য ন্যায্যতার ঝুঁকি সর্বোচ্চ, যেখানে কম বা অসামঞ্জস্যপূর্ণ ধরা নীরবে প্রতিটি ডাউনস্ট্রিম সিদ্ধান্ত বিকৃত করে। একটি সৎ উত্তর প্রতিটি সংকটপূর্ণ প্রবাহের মানের মালিকের নাম বলে, সেই মালিকানা পরিচালনগত সিস্টেমে পৌঁছায় কি না, এবং বিশ্বস্ত রেফারেন্স ডেটার অনুপস্থিতি কোথায় নীরবে সংখ্যাকে ক্ষয় করছে।

বাস্তবে: স্বাস্থ্য ও পরিচর্যার একটি উদাহরণ#

একটি মিশ্র শহুরে ও উপকূলীয় অঞ্চলের একটি Integrated Care Board (ICB) দুর্বলতা (frailty) নিয়ে বসবাসকারী মানুষের মধ্যে অপরিকল্পিত ভর্তি কমাতে চায়, এবং তা করতে চায় তার সচ্ছল বাজার-শহর ও বঞ্চিত উপকূলীয় ওয়ার্ডের মধ্যকার ব্যবধান না বাড়িয়ে।

জনসংখ্যা স্বাস্থ্য দল প্রাইমারি কেয়ার, কমিউনিটি সেবা ও হাসপাতাল রেকর্ড থেকে টানা একটি সংযুক্ত ডেটাসেট দিয়ে শুরু করে, অঞ্চলের সিকিউর ডেটা এনভায়রনমেন্টের ভেতরে বিশ্লেষিত যাতে কোনো শনাক্তযোগ্য নিষ্কাশন নিয়ন্ত্রিত পরিবেশ ছাড়ে না। তারা ৬৫-এর বেশি জনসংখ্যা ভাগ করে ও দুর্বলতা ঝুঁকি স্তরবদ্ধ করে, কিন্তু কাউকে লক্ষ্য করার আগে একটি ন্যায্যতা যাচাই চালায়। এটি প্রকাশ করে মডেলটি উপকূলীয় ওয়ার্ডের বাসিন্দাদের কম স্কোর করছে, কারণ সেই প্র্যাকটিসগুলো ঐতিহাসিকভাবে দীর্ঘমেয়াদি অবস্থা কম সম্পূর্ণভাবে কোড করেছে, একটি ডেটা-মান ফাঁক যা কম প্রয়োজনের ছদ্মবেশ নিয়েছে। একটি পক্ষপাতদুষ্ট স্কোরে এগোনোর বদলে, দল আক্রান্ত প্র্যাকটিসে একটি কেন্দ্রীভূত কোডিং-উন্নয়ন ধাক্কা কমিশন করে এবং মডেল সমন্বয় করে, ডেটা-মান সংশোধনকে হস্তক্ষেপেরই অংশ হিসেবে দেখে।

একটি ন্যায্যতর ঝুঁকি স্তরবিন্যাস থাকায়, তারা প্রায় ১,৪০০ জন উচ্চ-ঝুঁকির মানুষ শনাক্ত করে যাঁরা এখনো কমিউনিটি সেবায় পরিচিত নন। একটি বহুশাস্ত্রীয় দল সক্রিয় পর্যালোচনা দেয়, সুচিন্তিতভাবে উপকূলীয় ওয়ার্ড দিয়ে শুরু করে। গুরুত্বপূর্ণভাবে, বিশ্লেষণ লক্ষ্য নির্ধারণে থামে না। একটি সরল বর্ণনামূলক ড্যাশবোর্ড ওয়ার্ড ও বঞ্চনা দশমক অনুযায়ী ট্র্যাক করে কতগুলো সক্রিয় পর্যালোচনা হয়েছে এবং পরবর্তী ছয় মাসে ভর্তি কীভাবে সরেছে, অন্তর্দৃষ্টি থেকে ব্যবস্থা থেকে ফলাফল পর্যন্ত চক্র বন্ধ করে। একটি এলাকায় পর্যালোচনা থেমে গেলে, ড্যাশবোর্ড তা আগেভাগে সামনে আনে, এবং দল বছর-শেষ প্রতিবেদনের অপেক্ষা না করে তদন্ত করে। ICB-র অর্থ ও স্বাস্থ্য-অর্থনীতি সহকর্মীদের সঙ্গে কাজ করে, তারা এড়ানো ভর্তিকে একটি মূল্য কেসে অনুবাদ করে যা কর্মসূচি চালিয়ে যাওয়ার ন্যায্যতা দেয়। একটি ভালো-শাসিত ঝুঁকি স্কোরের বাইরে কোনো পূর্বাভাসমূলক যাদুর দরকার ছিল না; মূল্য এসেছে ডেটা মান, ন্যায্যতা শৃঙ্খলা, একটি বিশ্বস্ত অ্যাক্সেস পথ এবং নিরলস অনুসরণ থেকে।

খাতভিত্তিক দৃষ্টিকোণ#

স্টার্ট-আপ#

একটি স্বাস্থ্য-প্রযুক্তি স্টার্ট-আপ সাধারণত একটি সংকীর্ণ বিশ্লেষণাত্মক দাবির ওপর বাঁচে বা মরে, যে এর সরঞ্জাম সঠিক রোগীদের শনাক্ত করে বা একটি ফলাফল উন্নত করে, তাই এর অগ্রাধিকার প্রমাণ, বিস্তৃতি নয়। একটি পাতলা, পুনরুৎপাদনযোগ্য পাইপলাইন গড়ুন এবং আপনার পণ্য ইনস্ট্রুমেন্ট করুন এটি সিদ্ধান্ত ও ফলাফল বদলায় কি না মাপতে, কারণ সেই প্রমাণই গ্রাহক ও নিয়ন্ত্রকরা দাবি করবেন। বর্ণনামূলক ভিত্তি ও ডেটা মান ঠিক হওয়ার আগে পূর্বাভাসমূলক বা "AI-চালিত" সামর্থ্য অতি-প্রতিশ্রুতি দেওয়ার প্রলোভন প্রতিরোধ করুন। আপনি NHS বা পরিচর্যা ডেটা সামলালে, গ্রাহকের সিকিউর ডেটা এনভায়রনমেন্টের ভেতরে কাজ করতে বা সমতুল্য গভর্ন্যান্স পূরণ করতে আশা করুন; এটিকে একটি দেরির বিস্ময়ের বদলে একটি প্রথম শ্রেণির নকশা সীমাবদ্ধতা হিসেবে দেখা প্রায়ই সেই স্টার্ট-আপগুলোকে আলাদা করে যা বাড়ে এবং যা থেমে যায়।

ক্ষুদ্র ব্যবসা#

একটি প্রতিষ্ঠিত ছোট প্রদানকারী, একটি জিপি প্র্যাকটিস, কমিউনিটি ফার্মেসি, কেয়ার হোম, একক-স্থানের ক্লিনিক, সাধারণত প্রকৃত রোগী ও বিধিবদ্ধ দায়িত্ব আছে কিন্তু কোনো নিবেদিত বিশ্লেষক বা ডেটা দল নেই, তাই ব্যবহারিক লক্ষ্য একটি বিশ্বস্ত বর্ণনামূলক চিত্র, একটি পরিপক্বতা মই নয়। আপনি যে সিস্টেম ইতোমধ্যে চালান তাতে অন্তর্নির্মিত বিশ্লেষণ এবং আপনি রক্ষণাবেক্ষণ করতে পারেন না এমন একটি প্ল্যাটফর্ম দাঁড় করানোর বদলে বিশ্বস্ত জাতীয় বা ICB-প্রদত্ত ডেটাসেট ও ড্যাশবোর্ডের ওপর ভর দিন। আপনার নিজস্ব পরিচালনগত কোডিংয়ে উৎসে ডেটা মান ঠিক করুন, কারণ এটিই একমাত্র লিভার যা সম্পূর্ণ আপনার নিয়ন্ত্রণে এবং এটিই আপনার জনসংখ্যার প্রতিটি আঞ্চলিক মডেলকে খাওয়ায়। জনসংখ্যা স্বাস্থ্য বা গবেষণার জন্য ডেটা ভাগ করতে হলে, নিষ্কাশন ইমেল করার বদলে ICB-র বা একটি জাতীয় সিকিউর ডেটা এনভায়রনমেন্ট ব্যবহার করুন, যা আপনাকে বড় প্রতিষ্ঠানের সম্পদ ছাড়াই তাদের সমান দায়িত্বে সম্মত রাখে। একটি সুবাছাই করা মেট্রিক যার ওপর আপনি আসলে ব্যবস্থা নেন, একটি পর্যালোচনায় পিছিয়ে-পড়া রোগীদের তালিকা, কেউ খোলার সময় পায় না এমন রিপোর্টের একটি স্যুটের চেয়ে ভালো।

বৃহৎ প্রতিষ্ঠান#

একটি বড় প্রদানকারী বা সিস্টেম ইন্টিগ্রেটর সাধারণত বিপরীত সমস্যা বহন করে: অনেক বেশি প্ল্যাটফর্ম, অনেক বেশি পরস্পরবিরোধী সংজ্ঞা, এবং লিগ্যাসি রিপোর্টের একটি দীর্ঘ লেজ। এন্টারপ্রাইজের কাজ হলো একীভূতকরণ ও গভর্ন্যান্স, একটি কিউরেট করা অর্থগত স্তর, প্রত্যয়িত ডেটাসেট এবং একটি স্পষ্ট বিশ্লেষক ও ডেটা-প্রকৌশল অপারেটিং মডেল, যাতে স্ব-সেবা মতভেদ গুণ করার বদলে অন্তর্দৃষ্টি গুণ করে। ডেটা মান ও মাস্টার সংজ্ঞার অগৌরবের কাজে বিনিয়োগ করুন, কারণ এন্টারপ্রাইজ মাপে একটি একক অস্পষ্ট মেট্রিক লক্ষ লক্ষ পাউন্ড বিপথে নিতে পারে। ব্যবহার মেপে ও অব্যবহৃত অবসর দিয়ে ড্যাশবোর্ডের সাম্রাজ্যের বিরুদ্ধে সতর্ক থাকুন। কেন্দ্রীয় মান ও স্থানীয় স্বায়ত্তশাসনের ভারসাম্য করুন, নয়তো আপনি উদ্ভাবন শ্বাসরোধ করবেন বা সংখ্যার ওপর নিয়ন্ত্রণ হারাবেন।

সরকার#

জাতীয় ও আঞ্চলিক সংস্থা এমন একটি তত্ত্বাবধানের ভূমিকা বহন করে যা বেসরকারি প্রতিষ্ঠান করে না: তারা মান নির্ধারণ করে, বৃহত্তম সিকিউর ডেটা এনভায়রনমেন্ট চালায়, এবং জনসংখ্যা ডেটা কীভাবে ব্যবহৃত হয় সে বিষয়ে জনগণের কাছে উত্তর দেয়। অগ্রাধিকার হলো বৈধতা ও ন্যায্যতা, স্বচ্ছ অ্যাক্সেস নিয়ম, প্রকাশিত ডেটা-মান মান, এবং বিশ্লেষণ যা সক্রিয়ভাবে সমগ্র জনসংখ্যা জুড়ে অসমতা সামনে আনে। সরকার ডুপ্লিকেশন কমাতেও একটি অনন্য অবস্থানে, বিশ্বস্ত জাতীয় ডেটাসেট ও পুনরুৎপাদনযোগ্য পাইপলাইন দিয়ে যার ওপর প্রতিটি স্থানীয় দল পুনরাবিষ্কার না করে গড়তে পারে। care.data থেকে সর্বোপরি শিক্ষা হলো জনসম্পৃক্ততা যোগাযোগের পরে-ভাবা নয়, একটি নকশা ইনপুট; আস্থার অনুমতির চেয়ে দ্রুত চলুন এবং আপনি পুরো এজেন্ডা বছরের পর বছর পিছিয়ে দেন।

ব্যর্থতার সাধারণ ধরন#

• ড্যাশবোর্ড যার ওপর কেউ ব্যবস্থা নেয় না। একটি সিদ্ধান্ত বদলানোর বদলে ডেটা প্রদর্শন করতে গড়া বিশ্লেষণ, যতক্ষণ না কাজের জিনিস উপেক্ষিতর নিচে চাপা পড়ে ততক্ষণ বাড়ে।
• প্রশ্ন নয়, সরঞ্জামের জন্য সমাধান। কোন সিদ্ধান্ত উন্নত করতে হবে তা জানার আগে একটি প্ল্যাটফর্ম বা মেশিন-লার্নিং সামর্থ্য কেনা।
• ডেটা-মান অন্ধত্ব। অসম্পূর্ণ বা পক্ষপাতদুষ্ট ডেটার ওপর গড়া আত্মবিশ্বাসী সংখ্যা উপস্থাপন, বিশেষত যেখানে জাতিগততা বা বঞ্চনার দুর্বল কোডিং সেবা-বঞ্চিত গোষ্ঠী লুকায়।
• নিষ্কাশন ছড়িয়ে পড়া। সংবেদনশীল ডেটার কপি স্প্রেডশিট ও ড্রাইভ জুড়ে ছড়ায়, একটি নিরাপত্তা ঝুঁকি ও জনআস্থা দায় দুটিই তৈরি করে যা একটি সিকিউর ডেটা এনভায়রনমেন্ট এড়াত।
• সংজ্ঞা সরণ। একই মেট্রিক ভিন্ন রিপোর্টে ভিন্ন অর্থ বহন করে, তাই বৈঠকগুলো কী করবেন নয়, কার সংখ্যা সঠিক তা নিয়ে তর্ক করে।
• পূর্বাভাসমূলক নাট্য। পরিশীলিত মডেল গড়া যার ওপর ব্যবস্থা নেওয়ার সামর্থ্য প্রতিষ্ঠানের নেই, বা যা নীরবে সবচেয়ে প্রয়োজনের জনসংখ্যার বিরুদ্ধে পক্ষপাত এনকোড করে।
• আস্থার চেয়ে দ্রুত চলা। জনসম্পৃক্ততা ছাড়া বিশ্লেষণাত্মক উচ্চাকাঙ্ক্ষা অনুসরণ করা, এবং সেই সামাজিক লাইসেন্স হারানো যার ওপর সমস্ত গৌণ ডেটা ব্যবহার নির্ভর করে।
• চক্র ছাড়া অন্তর্দৃষ্টি। অভিপ্রেত ব্যবস্থা ঘটেছে বা ফলাফল উন্নত হয়েছে কখনো যাচাই না করা, তাই কেউ শেখে না এবং কিছুই অবসরে যায় না।

পরিপক্বতা মডেল#

চেকলিস্ট#

• প্রতিটি উল্লেখযোগ্য বিশ্লেষণ পণ্য এটি যে সিদ্ধান্ত বদলায় এবং সেই সিদ্ধান্তের মালিক কে তার নাম বলে।
• ডেটা-মান মেট্রিক (সম্পূর্ণতা, নির্ভুলতা, সময়োপযোগিতা) মূল প্রবাহের জন্য মাপা, মালিকানাধীন ও প্রকাশিত।
• জাতিগততা, বঞ্চনা ও প্রতিবন্ধিতা কোডিং সৎ ন্যায্যতা বিশ্লেষণ সমর্থন করার জন্য যথেষ্ট ভালো, এবং যেখানে নয় সেখানে উন্নত।
• একটি শাসিত অর্থগত স্তর স্ব-সেবা সরঞ্জাম জুড়ে মূল মেট্রিক সামঞ্জস্যপূর্ণভাবে সংজ্ঞায়িত করে।
• বিশ্লেষণাত্মক কোড ভার্সন-নিয়ন্ত্রিত, পিয়ার-রিভিউ করা ও পুনরুৎপাদনযোগ্য।
• গবেষণা ও পরিকল্পনার জন্য সংবেদনশীল ডেটা একটি সিকিউর ডেটা এনভায়রনমেন্টের মাধ্যমে অ্যাক্সেস করা হয়, কপি করে বের করা হয় না।
• ঝুঁকি স্তরবিন্যাস ও পূর্বাভাসমূলক মডেল সেবা-বঞ্চিত গোষ্ঠীর বিরুদ্ধে পক্ষপাতের জন্য নিরীক্ষিত।
• মান রিপোর্ট বঞ্চনা ও প্রাসঙ্গিক সুরক্ষিত বৈশিষ্ট্য অনুযায়ী ফলাফল ভাঙে।
• প্রতিটি পণ্য ট্র্যাক করে অভিপ্রেত ব্যবস্থা ঘটেছে কি না এবং ফলাফল উন্নত হয়েছে কি না।
• অব্যবহৃত ড্যাশবোর্ড ও রিপোর্ট নিয়মিত চক্রে পর্যালোচিত ও অবসরপ্রাপ্ত।
• বিশ্লেষণের জন্য রোগীর ডেটা কীভাবে ব্যবহৃত হয় তার একটি জনমুখী ব্যাখ্যা আছে এবং তা সৎ।
• একটি ডেটা-সাক্ষরতা কর্মসূচি কেবল বিশ্লেষক নয়, নেতা ও চিকিৎসকদের সমর্থন করে।

মূল উৎস#

• NHS England — Population Health Management সম্পদ এবং Population Health Management Development Programme।
• NHS England — Secure Data Environment for NHS Health and Social Care নীতি নির্দেশিকা।
• Office for National Statistics / UK Government Analysis Function — Reproducible Analytical Pipelines (RAP) কৌশল ও নির্দেশিকা।
• The Health Foundation ও The King's Fund — জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা ও স্বাস্থ্য অসমতার বিশ্লেষণ।
• Understanding Patient Data — ট্রাস্টেড রিসার্চ এনভায়রনমেন্ট ও care.data-র শিক্ষা সংক্রান্ত জনসম্পদ।
• Data Saves Lives — স্বাস্থ্য ও সামাজিক পরিচর্যার জন্য ইংল্যান্ডের ডেটা কৌশল।

তথ্যসূত্র#

1. Business intelligence — Wikipedia — https://en.wikipedia.org/wiki/Business_intelligence
2. Data and information visualization — Wikipedia — https://en.wikipedia.org/wiki/Data_and_information_visualization
3. Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
4. Prescriptive analytics — Wikipedia — https://en.wikipedia.org/wiki/Prescriptive_analytics
5. Data warehouse — Wikipedia — https://en.wikipedia.org/wiki/Data_warehouse
6. Data lake — Wikipedia — https://en.wikipedia.org/wiki/Data_lake
7. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
8. Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
9. Population health — Wikipedia — https://en.wikipedia.org/wiki/Population_health
10. Health equity — Wikipedia — https://en.wikipedia.org/wiki/Health_equity
11. Data literacy — Wikipedia — https://en.wikipedia.org/wiki/Data_literacy
12. Population Health Management — NHS England — https://www.england.nhs.uk/integratedcare/what-is-integrated-care/phm/
13. Secure Data Environment for NHS Health and Social Care policy guidelines — NHS England — https://www.gov.uk/government/publications/secure-data-environment-policy-guidelines
14. Reproducible Analytical Pipelines (RAP) — UK Government Analysis Function — https://analysisfunction.civilservice.gov.uk/support/reproducible-analytical-pipelines/
15. Data saves lives: reshaping health and social care with data — Department of Health and Social Care — https://www.gov.uk/government/publications/data-saves-lives-reshaping-health-and-social-care-with-data
16. The care.data programme and lessons for data trust — Understanding Patient Data — https://understandingpatientdata.org.uk/
17. Master data management — Wikipedia — https://en.wikipedia.org/wiki/Master_data_management