বিষয় 4.9 — ডেটা মান ও মাস্টার ডেটা ব্যবস্থাপনা

এক বাক্যে: স্বাস্থ্য ও পরিচর্যায় একটি ভুল NHS নম্বর, একটি অনুপস্থিত অ্যালার্জি বা একটি নকল রোগী রেকর্ড ডেটা-পরিচ্ছন্নতার সমস্যা নয়, বরং একটি ক্লিনিক্যাল বিপদ, একটি পেমেন্ট ত্রুটি ও একটি গবেষণা ত্রুটি, তাই ডেটা মান ও মাস্টার ডেটা ব্যবস্থাপনাকে নামধারী মালিকসহ পরিচালিত শৃঙ্খলা হিসেবে চালাতে হবে, ধরার মুহূর্তে ভাগ্যের ওপর ছেড়ে দেওয়া যাবে না।

স্বাস্থ্য ও পরিচর্যায় কেন এটি গুরুত্বপূর্ণ#

প্রতিটি ক্লিনিক্যাল সিদ্ধান্ত এমন ডেটার ওপর দাঁড়ায় যা কেউ আগে রেকর্ড করেছেন: একটি চিহ্নিত অ্যালার্জি, একটি ফাইল করা ফলাফল, একটি মেলানো ওষুধ, একটি নিশ্চিত পরিচয়। যখন সেই ডেটা নির্ভুল, সম্পূর্ণ এবং সঠিক ব্যক্তির সঙ্গে সংযুক্ত, পরিচর্যা নিরাপদে প্রবাহিত হয়। যখন তা ভুল, অনুপস্থিত বা ভুল ব্যক্তির সঙ্গে সংযুক্ত, সিস্টেম ঠিক তাই করে যা তাকে বলা হয়েছে, এবং কারও ক্ষতি করে। একটি নকল রেকর্ড একটি সংকটপূর্ণ অ্যালার্জি সেই চার্টে লুকায় যেটি চিকিৎসক দেখছেন না; একটি ভুল-টাইপ করা NHS নম্বর একটি ফলাফল ভুল রোগীর ফাইলে পাঠায়; একটি পুরোনো ঠিকানার অর্থ একটি ক্যানসার স্ক্রিনিং আমন্ত্রণ কখনো পৌঁছায় না। এগুলো কাল্পনিক নয়: ভুল-শনাক্তকরণ ও রেকর্ড বিভ্রান্তি জড়িত রোগী-নিরাপত্তা ঘটনা জাতীয় নিরাপত্তা প্রতিবেদনে একটি পুনরাবৃত্ত বিষয়।

তাই ডেটা মান বিশ্লেষণাত্মক হওয়ার আগে একটি ক্লিনিক্যাল-নিরাপত্তা বিষয় (বিষয় 1.6 — ক্লিনিক্যাল নিরাপত্তা ও ঝুঁকি ব্যবস্থাপনা দেখুন)। এটি সরকারি অর্থ ও ন্যায্যতার প্রশ্নও। NHS প্রদানকারীদের অর্থ দেয়, সেবা পরিকল্পনা করে এবং তাদের জবাবদিহি করায় ডেটা যা ঘটেছে বলে তার ভিত্তিতে; কার্যক্রম কম-রেকর্ড বা ভুল-কোড হলে, ভুল প্রদানকারী ভুল পরিমাণ অর্থ পায় এবং কমিশনিং সিদ্ধান্ত একটি বিকৃত চিত্রের ওপর দাঁড়ায়। জনসংখ্যা স্বাস্থ্য বিশ্লেষণ, অপেক্ষা-তালিকা যাচাই এবং স্বাস্থ্য-অসমতার কাজ সবই অন্তর্নিহিত রেকর্ডের মান উত্তরাধিকারসূত্রে পায় (বিষয় 4.5 — ডেটা, বিশ্লেষণ ও জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা দেখুন)।

ডেটা পুনঃব্যবহৃত হলে ঝুঁকি তীব্রভাবে বাড়ে। একটি ব্যস্ত সামনের ডেস্কে একবার ধরা একটি রেকর্ড পরে একটি অ্যালগরিদম প্রশিক্ষণ দিতে পারে, একটি ব্যবসায়িক কেস ন্যায্য করতে পারে, একটি জাতীয় ডেটাসেট খাওয়াতে পারে এবং একটি পেমেন্ট বিরোধ মেটাতে পারে। পুরোনো প্রবাদ, গার্বেজ ইন, গার্বেজ আউট, হয়েছে গার্বেজ ইন, ক্ষতি আউট, কারণ দুর্বল ডেটা এখন স্বয়ংক্রিয়ভাবে ও মাপে কৃত্রিম-বুদ্ধিমত্তা মডেল ও স্বয়ংক্রিয় সিদ্ধান্তে ছড়ায় (বিষয় 8.4 — AI ও উদীয়মান প্রযুক্তি গভর্ন্যান্স দেখুন)। আর মাস্টার ডেটা, রোগী, কর্মী, প্রতিষ্ঠান ও ওষুধ কারা সে সম্পর্কে ভাগ-করা, ধীর-পরিবর্তনশীল তথ্য, হলো সেই সংযোগী টিস্যু যা কয়েক ডজন সিস্টেমকে একমত হতে দেয় যে তারা একই ব্যক্তি নিয়ে কথা বলছে। মাস্টার ডেটা ভুল করুন এবং প্রতিটি ডাউনস্ট্রিম সিস্টেম বিভ্রান্তি উত্তরাধিকারসূত্রে পায়।

মূল ধারণা#

ডেটা মান হলো পরিচালনা, সিদ্ধান্ত গ্রহণ ও পরিকল্পনায় ডেটা তার অভিপ্রেত ব্যবহারের জন্য কতটা উপযুক্ত। এটি প্রচলিতভাবে মাত্রার একটি সেট জুড়ে মূল্যায়িত হয়। নির্ভুলতা হলো ডেটা এটি যে বাস্তব-জগতের জিনিস উপস্থাপন করে তা সঠিকভাবে বর্ণনা করে কি না; সম্পূর্ণতা হলো প্রয়োজনীয় ডেটা উপস্থিত কি না; সময়োপযোগিতা হলো প্রয়োজনের সময় তা উপলব্ধ এবং বর্তমান অবস্থা প্রতিফলিত করে কি না; বৈধতা হলো তা সংজ্ঞায়িত ফরম্যাট, ধরন ও পরিসীমার সঙ্গে মেলে কি না; সামঞ্জস্য হলো তা নিজের সঙ্গে ও অন্য উৎসের সঙ্গে একমত কি না; এবং অনন্যতা হলো প্রতিটি বাস্তব-জগতের সত্তা একবার এবং কেবল একবার দেখা দেয় কি না। একটি রেকর্ড বৈধ (সঠিকভাবে ফরম্যাট করা) হয়েও ভুল (অনির্ভুল) হতে পারে, তাই মাত্রাগুলো পরিপূরক, বিনিময়যোগ্য নয়।

মাস্টার ডেটা ব্যবস্থাপনা (MDM) হলো সেই শৃঙ্খলা যার মাধ্যমে ব্যবসা ও প্রযুক্তি একসঙ্গে একটি প্রতিষ্ঠানের ভাগ-করা মাস্টার ডেটা, মূল সত্তা যা অনেক সিস্টেম উল্লেখ করে: রোগী, কর্মী, প্রতিষ্ঠান, সাইট ও ওষুধ, এর অভিন্নতা, নির্ভুলতা, তত্ত্বাবধান ও জবাবদিহিতা নিশ্চিত করে। MDM-এর আকাঙ্ক্ষা হলো একটি গোল্ডেন রেকর্ড: প্রতিটি সত্তার একটি একক, বিশ্বস্ত, মেলানো সংস্করণ, অনেক উৎস সিস্টেম থেকে জড়ো করা, যা প্রামাণিক রেফারেন্স হিসেবে কাজ করে। এটি একক সত্যের উৎস ধারণার সঙ্গে ঘনিষ্ঠভাবে সম্পর্কিত, প্রতিটি ডেটা উপাদান ঠিক একটি প্রামাণিক জায়গায় মাস্টার করার চর্চা যাতে বাকি সবকিছু নিজস্ব বিচ্যুত কপি না রেখে তার কাছে ফিরে আসে।

রেফারেন্স ডেটা একটি নির্দিষ্ট, গুরুত্বপূর্ণ উপ-প্রকার। রেফারেন্স ডেটা হলো অন্য ডেটা শ্রেণিবদ্ধ বা বিভাগ করতে ব্যবহৃত ডেটা, কোড তালিকা, মান-সেট, প্রতিষ্ঠান কোড, পরিমাপের একক, যা সাধারণত বাহ্যিকভাবে সংজ্ঞায়িত এবং ধীরে বদলায়। স্বাস্থ্য ও পরিচর্যায় এর মধ্যে আছে SNOMED CT-এর মতো ক্লিনিক্যাল পরিভাষা এবং জাতীয় প্রতিষ্ঠান ও সাইট কোড; এগুলোর মান জাতীয়ভাবে মালিকানাধীন এবং তথ্য মান হিসেবে বাধ্যতামূলক (আন্তঃকার্যক্ষমতা ও বিনিময় বিষয় 4.3 — আন্তঃকার্যক্ষমতা ও ডেটা মানে আলোচিত, যা এই বিষয় পুনরাবৃত্তি করে না)।

NHS নম্বর হলো ইংল্যান্ড, ওয়েলস ও আইল অফ ম্যানে প্রাথমিক অনন্য রোগী শনাক্তকারী, একটি চেকসামসহ দশ-অঙ্কের সংখ্যা যা সিস্টেমকে একটি ভুল-টাইপ করা অঙ্ক শনাক্ত করতে দেয়। এটি রোগী মাস্টার ডেটার নোঙর। সঠিক ব্যক্তির সঙ্গে সঠিক NHS নম্বর সংযুক্ত করা একটি রেকর্ড সংযোগ সমস্যা, একই সত্তা নির্দেশকারী ভিন্ন উৎস জুড়ে রেকর্ড খোঁজা, যা ইংল্যান্ডে জাতীয় জনতাত্ত্বিক সূচক Personal Demographics Service (PDS) এবং স্থানীয়ভাবে একটি Master Patient Index (MPI)-এর মাধ্যমে সমাধান করা হয়। সংযোগ ব্যর্থ হলে আপনি নকল (একজন ব্যক্তি, অনেক রেকর্ড) বা ওভারলে (দুজন মানুষ একটিতে মেশানো) পান, দুটিই বিপজ্জনক।

মান উঁচু রাখা পরিচালনগত শৃঙ্খলা হলো ডেটা গভর্ন্যান্স, ডেটার জন্য সিদ্ধান্ত-অধিকার ও জবাবদিহিতার কাঠামো, এবং ডেটা স্টুয়ার্ড, একটি সংজ্ঞায়িত ডেটা ডোমেইনের মান ও উপযুক্ততার জন্য দায়ী নামধারী ভূমিকা। দুটি কৌশল বারবার আসে: ডেটা প্রোফাইলিং, ডেটার প্রকৃত অবস্থা সম্পর্কে পরিসংখ্যান সংগ্রহ করতে তা পরীক্ষা করা, এবং ডেটা ক্লিনজিং, বিকৃত, ভুল বা নকল রেকর্ড শনাক্ত ও সংশোধন করা। প্রতিকারের চেয়ে প্রতিরোধ ভালো: ধরার মুহূর্তে ডেটা যাচাইকরণ, যাচাইকরণ নিয়ম ও সীমাবদ্ধতা যা খারাপ ইনপুট সিস্টেমে ঢোকার আগে প্রত্যাখ্যান বা প্রশ্ন করে, পরে পরিষ্কার করার চেয়ে সস্তা ও নিরাপদ।

শ্রেষ্ঠ চর্চা#

1. প্রতিটি ডেটাসেটের জন্য গুরুত্বপূর্ণ নির্দিষ্ট মাত্রায় ডেটা মান সংজ্ঞায়িত করুন, এবং সেগুলো মাপুন। "ডেটা মান উন্নত করুন" একটি উদ্দেশ্য নয়; "জরুরি ডেটাসেটে NHS নম্বর সম্পূর্ণতা জাতীয় সীমার ওপরে তুলুন" তা। প্রতিটি সংকটপূর্ণ ডেটাসেটের জন্য নির্ভুলতা, সম্পূর্ণতা, সময়োপযোগিতা, বৈধতা, সামঞ্জস্য ও অনন্যতার কোনগুলো সবচেয়ে গুরুত্বপূর্ণ তা সম্মত হন, পরিমাপযোগ্য লক্ষ্য নির্ধারণ করুন, এবং নিয়মিত তার বিপরীতে প্রতিবেদন করুন। NHS Data Quality Maturity Index (DQMI) অনেক জাতীয় ডেটাসেটের জন্য একটি তৈরি, তুলনীয় পরিমাপ দেয়; এটিকে বেসলাইন হিসেবে ব্যবহার করুন এবং চিকিৎসক ও অর্থ বিভাগ আসলে যে ক্ষেত্রের ওপর নির্ভর করে তার জন্য আপনার নিজস্ব স্থানীয় মেট্রিক ট্র্যাক করুন।

2. ডাউনস্ট্রিম পরিষ্কারে নয়, ধরার মুহূর্তে যাচাই করুন। ঠিক করার সবচেয়ে সস্তা ত্রুটি সেটি যা কখনো সিস্টেমে ঢোকে না, এবং একটি রেকর্ড সংশোধনে সবচেয়ে ভালো অবস্থানে থাকেন যিনি এটি তৈরি করছেন, রোগী তাঁর সামনে থাকাকালীন। কর্মীরা আসলে যে ফর্ম ও ইন্টারফেস ব্যবহার করেন তাতে যাচাইকরণ নিয়ম, বাধ্যতামূলক ক্ষেত্র, নিয়ন্ত্রিত বাছাই-তালিকা ও NHS-নম্বর চেকসাম যাচাইকরণ গড়ুন, এবং নিবন্ধনের সময় Personal Demographics Service-এর বিপরীতে পরিচয় নিশ্চিত করুন। ধরার সময় ধরা প্রতিটি ত্রুটি এমন একটি ত্রুটি যা ডাউনস্ট্রিমে খোঁজা, তদন্ত ও উল্টানোর দরকার হয় না, যখন এটি ইতোমধ্যে ক্ষতি করে থাকতে পারত।

3. NHS নম্বরকে একটি নিরাপত্তা-সংকটপূর্ণ নোঙর হিসেবে দেখুন এবং সর্বত্র যাচাই করুন। NHS নম্বর সিস্টেমের একক সবচেয়ে মূল্যবান শনাক্তকারী কারণ এটি সেই চাবি যা একজন ব্যক্তির রেকর্ড প্রতিষ্ঠান জুড়ে নিরাপদে সংযুক্ত করে। এটি Personal Demographics Service-এর বিপরীতে ট্রেস করুন, প্রবেশের সময় এর চেকসাম যাচাই করুন, এবং অমিল ডেটা প্রবাহিত হতে দেওয়ার বদলে যাচাইকৃত নম্বরের অভাবযুক্ত রেকর্ড চিহ্নিত করুন। ভুল নম্বরে সংযুক্ত একটি ফলাফল, রেফারাল বা প্রেসক্রিপশন একটি ক্লিনিক্যাল বিপদ, তাই NHS-নম্বর মানকে যেকোনো অন্য নিয়ন্ত্রণের মতো পর্যবেক্ষিত ও ঊর্ধ্বতনে-পাঠানো একটি রোগী-নিরাপত্তা নিয়ন্ত্রণ হিসেবে দেখুন।

4. প্রতিটি মূল সত্তার জন্য একটি গোল্ডেন রেকর্ডসহ মাস্টার ডেটা ব্যবস্থাপনা প্রতিষ্ঠা করুন। সুচিন্তিতভাবে ঠিক করুন কোন সিস্টেম প্রতিটি সত্তা, রোগী, কর্মী, প্রতিষ্ঠান, ওষুধ, মাস্টার করে, এবং উৎস সিস্টেম থেকে একটি একক মেলানো গোল্ডেন রেকর্ড কীভাবে জড়ো ও রক্ষণাবেক্ষণ করা হয়। জাতীয় জনতাত্ত্বিক সেবার বিপরীতে মেলানো একটি Master Patient Index চালান, এবং নকল একীভূত করা ও ভুল ওভারলে আলাদা করার জন্য একটি নিয়ন্ত্রিত, নিরীক্ষাযোগ্য প্রক্রিয়া পরিচালনা করুন, কারণ দুটি ক্রিয়াই লাইভ ক্লিনিক্যাল রেকর্ড স্পর্শ করে এবং অসতর্কভাবে করা হলে নিজেরাই ক্ষতি করতে পারে। কর্মী ও প্রতিষ্ঠান মাস্টার ডেটায় একই কঠোরতা প্রসারিত করুন, যা অ্যাক্সেস নিয়ন্ত্রণ, পেমেন্ট ও রিপোর্টিংয়ের ভিত্তি (বিষয় 4.2 — পরিচয় ও অ্যাক্সেস ব্যবস্থাপনা এবং বিষয় 5.4 — এন্টারপ্রাইজ রিসোর্স প্ল্যানিং (ERP) দেখুন, যা কর্পোরেট/অর্থ মাস্টার ডেটার মালিক)।

5. ডেটা মালিক ও ডেটা স্টুয়ার্ডদের নাম দিন, এবং তাঁদের প্রকৃত কর্তৃত্ব দিন। স্পষ্ট জবাবদিহিতা ছাড়া ডেটা মান ক্ষয় হয়, তাই প্রতিটি সংকটপূর্ণ ডেটা ডোমেইনে এর জন্য জবাবদিহিকারী একজন জ্যেষ্ঠ ডেটা মালিক এবং সংশোধন পর্যবেক্ষণ, তদন্ত ও চালানো একজন পরিচালনগত ডেটা স্টুয়ার্ড নিযুক্ত করুন। স্টুয়ার্ডদের মর্যাদা, সরঞ্জাম ও সময় দরকার, ইতোমধ্যে-পূর্ণ কাজে যোগ করা একটি লাইন নয়, এবং পদ্ধতিগত সমস্যা (একটি ভাঙা ফর্ম, একটি বিভ্রান্তিকর কর্মপ্রবাহ, ক্ষেত্র বাদ দেওয়া একটি ইন্টারফেস) যাঁরা কারণ ঠিক করতে পারেন তাঁদের কাছে ঊর্ধ্বতনে পাঠানোর একটি পথ। মালিকানা ডেটা মানকে সবার অস্পষ্ট উদ্বেগ থেকে কারও স্পষ্ট দায়িত্বে রূপান্তরিত করে।

6. পরিষ্কারের আগে প্রোফাইল করুন, এবং উৎসে পরিষ্কার করুন। যেকোনো উন্নতি বা স্থানান্তরের আগে, ডেটার প্রকৃত অবস্থা বুঝতে তা প্রোফাইল করুন, কতগুলো রেকর্ডে NHS নম্বর নেই, কতগুলো নকল আছে, কোন ক্ষেত্র পদ্ধতিগতভাবে ভুল-কোডকৃত, যাতে আপনি আন্দাজের বদলে যেখানে গুরুত্বপূর্ণ সেখানে প্রচেষ্টা লক্ষ্য করেন। পরিষ্কার করার সময়, যে সিস্টেম এটি মাস্টার করে সেখানে রেকর্ড ঠিক করুন এবং ত্রুটি তৈরি করা প্রক্রিয়া মোকাবিলা করুন, কেবল ডাউনস্ট্রিম ওয়্যারহাউসের কপি নয়, নইলে একই ত্রুটি ফিরে আসবে। কারণ উপেক্ষা করা একবারের পরিষ্কার একটি ট্রেডমিল; লক্ষ্য হলো কল বন্ধ করা, কেবল মেঝে মোছা নয়।

7. স্থানীয় কোড উদ্ভাবনের বদলে জাতীয় তথ্য মান ও রেফারেন্স ডেটা গ্রহণ করুন। প্রতিষ্ঠান জুড়ে সামঞ্জস্য কেবল তখনই সম্ভব যখন প্রত্যেকে একই উপায়ে বিশ্বকে শ্রেণিবদ্ধ করে, Data Alliance Partnership Board (DAPB) প্রক্রিয়ার (পূর্বে SCCI/ISB মান) মাধ্যমে বাধ্যতামূলক জাতীয়ভাবে-সংজ্ঞায়িত মান এবং SNOMED CT-এর মতো পরিভাষা ব্যবহার করে। একটি স্পষ্ট হালনাগাদ প্রক্রিয়াসহ ভার্সন নিয়ন্ত্রণে রেফারেন্স ডেটা ও কোড তালিকা পরিচালনা করুন, কারণ একটি নীরবে-বদলানো মান-সেট ট্রেন্ড বিশ্লেষণ ভাঙে এবং ডাউনস্ট্রিম যুক্তি বিকৃত করতে পারে। স্থানীয় সম্প্রসারণ বিরল, শাসিত ব্যতিক্রম হওয়া উচিত, জাতীয় মানে ফিরে মানচিত্রিত (বিষয় 4.3 — আন্তঃকার্যক্ষমতা ও ডেটা মান দেখুন)।

8. যাঁদের সিদ্ধান্ত ডেটা মানের ওপর নির্ভর করে তাঁদের কাছে ডেটা মান দৃশ্যমান করুন। ডেটা মান উন্নত হয় যখন তা দেখা যায়, ক্লিনিক্যাল, পরিচালনগত ও অর্থ দলের কাছে মান মেট্রিক প্রকাশ করুন যাতে দুর্বল ডেটার খরচ একটি ডেটা দলের মধ্যে চাপা না পড়ে যেখানে কাজ হয় সেখানে পড়ে। ডাউনস্ট্রিম ভোক্তাদের তাঁরা যে ডেটা ব্যবহার করছেন তার উৎস ও জানা সীমাবদ্ধতা দেখান, যাতে একজন বিশ্লেষক, একটি পেমেন্ট দল বা একজন মডেল-নির্মাতা বিচার করতে পারেন এটি তাঁদের উদ্দেশ্যের জন্য উপযুক্ত কি না (বিষয় 10.1 — মূল কর্মক্ষমতা সূচক (KPI) দেখুন)। মান সম্পর্কে স্বচ্ছতা সেই আস্থা গড়ে যা মানুষকে আদৌ ডেটা ব্যবহার করতে দেয়, এবং একটি দৃশ্যমান লাল মেট্রিকের অস্বস্তিই প্রায়ই অবশেষে সমাধানে অর্থায়ন করে।

দলের সঙ্গে আলোচনার প্রশ্ন#

1. আমাদের প্রতিষ্ঠানের কোন নির্দিষ্ট ডেটা ত্রুটি একজন রোগীর সবচেয়ে বিশ্বাসযোগ্যভাবে ক্ষতি করতে পারে, এবং সেগুলো ঘটছে কি না আমরা কীভাবে আদৌ জানব? এটি ডেটা মানকে একটি বিমূর্ত গুণ থেকে নামধারী বিপদসহ একটি নিরাপত্তা প্রশ্নে পুনঃকাঠামোবদ্ধ করে, যা একমাত্র সংস্করণ যা অগ্রাধিকার পায়। মূর্ত ব্যর্থতার পথ ধরে এগোন: একটি অ্যালার্জি লুকানো একটি নকল রেকর্ড, একটি ফলাফল ভুল পথে পাঠানো একটি ভুল-যাচাইকৃত NHS নম্বর, একটি পুরোনো যোগাযোগ বিবরণ যার অর্থ একটি দুই-সপ্তাহ-অপেক্ষার রেফারাল কখনো রোগীর কাছে পৌঁছায় না। কঠিন অংশ শনাক্তকরণ, বেশির ভাগ ডেটা ত্রুটি নীরব, কেবল ক্ষতি ঘটলে বা একটি নিরীক্ষা হোঁচট খেলে আবিষ্কৃত, তাই বিতর্ক করুন সেগুলো খোঁজার কোনো সক্রিয় উপায় আপনার আছে নাকি ভাগ্য ও অভিযোগের ওপর নির্ভর করছেন। একটি ভালো, সৎ উত্তর আপনার দুটি বা তিনটি সর্বোচ্চ-ক্ষতির ডেটা বিপদের নাম বলে, সরলভাবে জানায় আপনি বর্তমানে প্রতিটি শনাক্ত করতে পারতেন কি না, এবং ফাঁকগুলোকে পরে করার পরিচ্ছন্নতার বদলে লগ ও মালিকানাধীন ক্লিনিক্যাল-নিরাপত্তা ঝুঁকি হিসেবে দেখে (বিষয় 1.6 — ক্লিনিক্যাল নিরাপত্তা ও ঝুঁকি ব্যবস্থাপনা দেখুন)।

2. আমাদের মূল সত্তার, রোগী, কর্মী, প্রতিষ্ঠান, ওষুধ, একক সত্যের উৎস কোথায়, এবং আমাদের সিস্টেম কি আসলে তা সম্মান করে? অনেক প্রতিষ্ঠান দেখলে আবিষ্কার করে একই রোগী রোগী প্রশাসন সিস্টেম, জরুরি সিস্টেম, প্যাথলজি সিস্টেম ও তিনটি বিভাগীয় ডেটাবেসে ভিন্নভাবে আছে, কোনটি প্রামাণিক তা নিয়ে কোনো সম্মতি ছাড়া। সত্তা ধরে ধরে আলোচনা করুন কোন সিস্টেম এটি মাস্টার করার কথা, একটি গোল্ডেন রেকর্ড কীভাবে জড়ো হয়, এবং নকল ও ওভারলে কীভাবে পাওয়া ও সমাধান করা হয়, দুটি রেকর্ড একীভূত করার অনুমতি কার আছে সহ, কারণ সেই ক্রিয়া নিজেই ক্ষতি করতে পারে। স্থানীয় স্বায়ত্তশাসন (বিভাগ যারা নিজস্ব কপি চায় যা তারা নিয়ন্ত্রণ করতে পারে) ও ব্যবস্থা-জুড়ে নিরাপত্তা (একটি মেলানো সত্য)-র মধ্যকার টানাপোড়েন সামনে আনুন, এবং সৎ থাকুন যে মাস্টার ডেটা ব্যবস্থাপনা একবারের স্থানান্তর নয়, অবিরাম তত্ত্বাবধান। একটি শক্তিশালী উত্তর প্রতিটি সত্তার মাস্টারিং সিস্টেম চিহ্নিত করে, আজ কোথায় কোনো সম্মত সত্যের উৎস নেই তা স্বীকার করে, এবং আবার নীরবে পচবে এমন একটি ডেটাবেস পরিষ্কারের বদলে একজন নামধারী মালিক ও একটি মেলানো প্রক্রিয়ার প্রতিশ্রুতি দেয়।

3. যখন আমাদের ডেটা একটি পেমেন্ট, একটি জাতীয় রিটার্ন, একটি ব্যবসায়িক কেস বা একটি AI মডেলে ফিড করে, তখন এটি সেই উদ্দেশ্যের জন্য উপযুক্ত কি না জানা কার কাজ? একটি কারণে ধরা ডেটা নিয়ত অন্যদের জন্য পুনঃব্যবহৃত হয়, এবং একটি ক্লিনিক্যাল নোটের জন্য পর্যাপ্ত মান একটি অ্যালগরিদম বা একটি অর্থায়ন সূত্রে বিপজ্জনকভাবে বিভ্রান্তিকর হতে পারে। বিতর্ক করুন পুনঃব্যবহারের বিন্দুতে উপযুক্ততা বিচার করার জন্য কে জবাবদিহিকারী: বিশ্লেষক, অর্থ প্রধান বা মডেল-নির্মাতা কি তাঁরা যে ডেটার ওপর নির্ভর করছেন তার উৎস, সম্পূর্ণতা ও জানা ত্রুটি জানেন, নাকি ধরে নেন এটি পরিষ্কার কারণ এটি পরিপাটি দেখায়? মূর্ত ক্ষেত্র বিবেচনা করুন, একটি কোডিং ফাঁক যা নীরবে কার্যক্রম ও তাই আয় কম দেখায়, বা পক্ষপাতদুষ্ট অনুপস্থিতিসহ একটি জনতাত্ত্বিক ক্ষেত্র যা একটি AI মডেলকে একটি রোগী গোষ্ঠীর বিরুদ্ধে বাঁকায় (বিষয় 8.4 — AI ও উদীয়মান প্রযুক্তি গভর্ন্যান্স এবং বিষয় 1.8 — ডেটা নৈতিকতা, সম্মতি ও জনআস্থা দেখুন)। একটি ভালো উত্তর প্রতিষ্ঠিত করে যে উপযুক্ততা-উদ্দেশ্য পুনঃব্যবহারের প্রতিটি বিন্দুতে স্পষ্টভাবে মূল্যায়িত হয়, ডেটা দৃশ্যমান উৎস ও মান সতর্কতা বহন করে, এবং কেউ এমন সংখ্যায় নীরবে বিশ্বাস করছে না যার সীমাবদ্ধতা তারা কখনো দেখেনি।

4. আমরা কি ধরার মুহূর্তে ত্রুটি প্রতিরোধ করছি, নাকি নীরবে ডেটা মানের বোঝা ইতোমধ্যে-টানাপোড়েনে-থাকা চিকিৎসকদের ওপর ঠেলে দিচ্ছি? উৎসে প্রতিরোধ ডেটা মানের সবচেয়ে সস্তা ও নিরাপদ রূপ, কিন্তু এটি কর্মীরা চাপের মধ্যে আসলে যে ফর্ম ও কর্মপ্রবাহ ব্যবহার করেন তার নকশায় বাঁচে বা মরে। আলোচনা করুন আপনার ধরার স্ক্রিন সত্যিই সাহায্য করে, চেকসাম যাচাইকরণ, নিয়ন্ত্রিত বাছাই-তালিকা, PDS-যাচাইকৃত পরিচয়, বিচক্ষণ ডিফল্ট, নাকি তারা বরং একটি ব্যস্ত নিবন্ধন ডেস্কে বাধ্যতামূলক ক্ষেত্র ও সতর্কতা স্তূপ করে যতক্ষণ না মানুষ সেগুলো এড়িয়ে ক্লিক করতে শেখে। এখানে একটি প্রকৃত টানাপোড়েন আছে: খুব কম যাচাইকরণ খারাপ ডেটা প্রবাহিত হতে দেয়, কিন্তু আনাড়ি যাচাইকরণ সমাধান, ডামি মান ও অ্যালার্ট ক্লান্তি জন্ম দেয় যা সূক্ষ্মভাবে ডেটা বিকৃত করে। দেখুন কোথায় কর্মীরা "অজানা" লিখছেন, একটি ডিফল্ট পুনঃব্যবহার করছেন, বা একটি বেদনাদায়ক কর্মপ্রবাহ এড়াতে একটি ব্যক্তিগত স্প্রেডশিট রাখছেন, কারণ প্রতিটি একটি সংকেত যে সিস্টেম কাজকে সমর্থনের বদলে তার বিরুদ্ধে লড়ছে। একটি সৎ উত্তর ধরার নকশাকে একটি যৌথ ক্লিনিক্যাল, পরিচালনগত ও ডেটা সমস্যা হিসেবে দেখে, যারা এটি ব্যবহার করে তাদের সঙ্গে পরীক্ষা করে, এবং যাচাইকরণ আসলে ডাউনস্ট্রিম ত্রুটি কমায় কি না মাপে, কেবল সেগুলো স্থানান্তরিত করে নয়।

5. যাঁদের আমরা ডেটা মালিক ও স্টুয়ার্ড বলি তাঁদের কি কিছু বদলানোর মর্যাদা, সময় ও সরঞ্জাম আছে, নাকি স্টুয়ার্ডশিপ একটি ইতোমধ্যে-পূর্ণ কাজে জোড়া লাগানো একটি উপাধি? স্পষ্ট জবাবদিহিতা ছাড়া ডেটা মান ক্ষয় হয়, কিন্তু একটি স্লাইডে একজন মালিকের নাম দেওয়া একজনকে সম্পদ দেওয়ার সমান নয়, এবং নামধারী ব্যক্তির কর্তৃত্ব বা সামর্থ্য কোনোটিই না থাকলে স্টুয়ার্ডশিপ নীরবে ব্যর্থ হয়। বিতর্ক করুন আপনার স্টুয়ার্ডরা একটি পদ্ধতিগত সমস্যা, ক্ষেত্র বাদ দেওয়া একটি ভাঙা ইন্টারফেস, একটি বিভ্রান্তিকর ফর্ম, নকল তৈরি করা একটি কর্মপ্রবাহ, পেলে আসলে কী করতে পারেন: তাঁরা কি তা ঠিক করাতে পারেন, নাকি কেবল লগ করে আশা করতে পারেন? স্টুয়ার্ডশিপ অনেক মানুষের মধ্যে পাতলাভাবে ছড়ানো যাঁরা প্রত্যেকে প্রান্তে সামান্য করেন, এবং সময় খোদাই-করা ও সরঞ্জাম দেওয়া একটি ছোট সংখ্যক প্রকৃতপক্ষে-সম্পদপ্রাপ্ত ভূমিকায় এটি কেন্দ্রীভূত করার মধ্যকার বিনিময় সামনে আনুন। বিবেচনা করুন স্টুয়ার্ডদের কারণ-তৈরিকারী সিস্টেম ও প্রক্রিয়ার মালিকদের কাছে একটি প্রকৃত ঊর্ধ্বতন-প্রেরণ পথ আছে কি না, এবং জ্যেষ্ঠ ডেটা মালিকদের তাঁদের ডোমেইনের মানের জন্য জবাবদিহিতায় ধরা হয় কি না। একটি ভালো উত্তর স্টুয়ার্ডশিপ বর্তমানে প্রকৃত নাকি আনুষ্ঠানিক সে সম্পর্কে সৎ, এবং আরেকটি অ-অর্থায়িত দায়িত্বের বদলে কর্তৃত্ব, সময় ও সরঞ্জামের প্রতিশ্রুতি দেয়।

6. আমরা সময়ের সঙ্গে জাতীয় মান ও রেফারেন্স ডেটা কীভাবে পরিচালনা করি, এবং একটি কোড তালিকা বা পরিভাষা আমাদের নিচে বদলে গেলে কী হয়? রেফারেন্স ডেটা এবং SNOMED CT-এর মতো পরিভাষা বাহ্যিকভাবে সংজ্ঞায়িত এবং ধীরে কিন্তু নিরন্তর বদলায়, এবং একটি নীরবে-হালনাগাদ করা মান-সেট কেউ লক্ষ্য না করেই ট্রেন্ড বিশ্লেষণ ভাঙতে বা ডাউনস্ট্রিম যুক্তি বিকৃত করতে পারে। আলোচনা করুন আপনার কোড তালিকা ও ম্যাপিং একটি স্পষ্ট হালনাগাদ প্রক্রিয়াসহ ভার্সন নিয়ন্ত্রণে আছে কি না, নাকি কেউ জায়গায় সম্পাদনা করা অনথিভুক্ত লুকআপে বাস করে। জাতীয় মান আনাড়ি মনে হলে স্থানীয় কোড উদ্ভাবনের টান পরীক্ষা করুন, এবং দীর্ঘমেয়াদি খরচ সম্পর্কে সৎ থাকুন: স্থানীয় শ্রেণিবিন্যাস আপনার ডেটাকে অন্য কারও সঙ্গে তুলনা বা সমষ্টি করা অসম্ভব করে এবং একটি স্থায়ী ম্যাপিং বোঝা হয়ে ওঠে (বিষয় 4.3 — আন্তঃকার্যক্ষমতা ও ডেটা মান দেখুন)। বিবেচনা করুন একটি রেফারেন্স মান বদলেছে আপনি কীভাবে আদৌ শনাক্ত করতেন, এবং এর ওপর নির্ভরশীল বিশ্লেষণ, পেমেন্ট ও মডেলে প্রভাব কীভাবে মূল্যায়ন করতেন। একটি শক্তিশালী উত্তর রেফারেন্স ডেটাকে জাতীয় পরিবর্তন গ্রহণের একটি নামধারী প্রক্রিয়াসহ একটি শাসিত, সংস্করণযুক্ত সম্পদ হিসেবে দেখে, স্থানীয় সম্প্রসারণ বিরল ও মানে ফিরে মানচিত্রিত রাখে, এবং একটি পরিবর্তন কোন ডাউনস্ট্রিম ব্যবহার প্রভাবিত করবে তা ট্রেস করতে পারে।

বাস্তবে: স্বাস্থ্য ও পরিচর্যার একটি উদাহরণ#

Northmoor Integrated Care System দুটি অ্যাকিউট ট্রাস্ট, একটি মানসিক-স্বাস্থ্য ট্রাস্ট, কমিউনিটি সেবা এবং ৬০টি জিপি প্র্যাকটিস জুড়ে একটি শেয়ার্ড কেয়ার রেকর্ড চালায়। একটি গুরুতর ঘটনার পরে, একটি ট্রাস্টে রেকর্ড করা একজন রোগীর গুরুতর পেনিসিলিন অ্যালার্জি অন্যটিতে অদৃশ্য ছিল কারণ রেকর্ড সংযুক্ত হতে ব্যর্থ হয়েছিল, এবং রোগীকে ওষুধটি প্রেসক্রাইব করা হয়েছিল, বোর্ড ডেটা মানকে ব্যাক-অফিস উদ্বেগের বদলে একটি ক্লিনিক্যাল-নিরাপত্তা অগ্রাধিকার হিসেবে দেখে। একটি দ্রুত পর্যালোচনা মূল কারণ খুঁজে পায় মাস্টার ডেটা: একই রোগীরা সিস্টেম জুড়ে নকল হিসেবে আছে, এবং সামনের দরজায় NHS-নম্বর যাচাইকরণ অসঙ্গত।

ICS একটি ডেটা গভর্ন্যান্স ফোরাম প্রতিষ্ঠা করে, রোগী মাস্টার ডেটার জন্য একজন নামধারী জ্যেষ্ঠ ডেটা মালিক এবং প্রতিটি প্রদানকারীতে পরিচালনগত ডেটা স্টুয়ার্ডসহ। তাদের প্রথম কাজ এস্টেট প্রোফাইল করা: তারা আবিষ্কার করে Personal Demographics Service-এর বিপরীতে NHS-নম্বর যাচাইকরণ কিছু নিবন্ধন কর্মপ্রবাহে নির্ভরযোগ্যভাবে এবং অন্যগুলোতে নয় ঘটে, এবং শেয়ার্ড রেকর্ডে নকল ও অমিল রেকর্ডের একটি উল্লেখযোগ্য জনসংখ্যা আছে। একটি গণ পরিষ্কারের বদলে, তারা প্রথমে কারণ ঠিক করে, প্রতিটি ধরার বিন্দুতে PDS যাচাইকরণ ও চেকসাম যাচাইকরণ প্রয়োগ করে, যাতে ব্যাকলগে কাজ করার সময় নকল জনসংখ্যা বাড়া বন্ধ হয়।

তারা জাতীয় জনতাত্ত্বিক সেবার বিপরীতে মেলানো একটি Master Patient Index দাঁড় করায়, নকল একীভূত ও ভুল ওভারলে উল্টানোর জন্য একটি নিয়ন্ত্রিত, নিরীক্ষিত, ক্লিনিক্যালি-তত্ত্বাবধানকৃত প্রক্রিয়াসহ, স্বীকার করে যে দুটি ক্রিয়াই লাইভ রেকর্ড স্পর্শ করে। তারা তাদের জাতীয় ডেটাসেট জমার জন্য একটি বাহ্যিক বেসলাইন হিসেবে NHS Data Quality Maturity Index গ্রহণ করে এবং চিকিৎসকরা সবচেয়ে বেশি যে ক্ষেত্রের ওপর নির্ভর করেন, অ্যালার্জি, NHS-নম্বর সম্পূর্ণতা, মূল জনতাত্ত্বিক তথ্য, তার জন্য স্থানীয় মেট্রিক যোগ করে, সংখ্যাগুলো উপেক্ষা করা যায় না এমনভাবে প্রতিটি প্রদানকারীর ক্লিনিক্যাল ও পরিচালনগত নেতাদের কাছে প্রকাশ করে।

আঠারো মাস পরে পরিবর্তন কেবল ড্যাশবোর্ডে নয়, ফলাফলে দৃশ্যমান: ধরার সময় NHS-নম্বর যাচাইকরণ প্রায়-সার্বজনীন, নকল হার কমছে, এবং অ্যালার্জি তথ্য শেয়ার্ড রেকর্ড জুড়ে নির্ভরযোগ্যভাবে মেলে। ICS পরে যখন একটি জনসংখ্যা-স্বাস্থ্য ঝুঁকি-স্তরবিন্যাস মডেলের পরিধি নির্ধারণ করে, বিশ্লেষণ দল অন্তর্নিহিত ডেটার উৎস ও সম্পূর্ণতা বলতে এবং অনুপস্থিতি কোথায় মডেলে পক্ষপাত আনতে পারে তা চিহ্নিত করতে পারে, কারণ সেই বিচার সমর্থন করার জন্য মাস্টার ডেটা ও মান মেট্রিক এখন আছে (বিষয় 4.5 — ডেটা, বিশ্লেষণ ও জনসংখ্যা স্বাস্থ্য ব্যবস্থাপনা দেখুন)। অগৌরবের কাজ, একটি গভর্ন্যান্স ফোরাম, স্টুয়ার্ড, ধরার সময় যাচাইকরণ, একটি MPI, একটি অদৃশ্য, ক্ষতিকর ঝুঁকিকে একটি পরিচালিত ঝুঁকিতে রূপান্তরিত করেছে।

খাতভিত্তিক দৃষ্টিকোণ#

স্টার্ট-আপ#

একটি ডিজিটাল-স্বাস্থ্য স্টার্ট-আপ প্রায়ই ডেটা মানকে ভবিষ্যতের সমস্যা হিসেবে দেখে, দ্রুত চলতে অগোছালো ডেটা মেনে নিয়ে ফিচারে মনোনিবেশ করে। স্বাস্থ্য ডেটার ক্ষেত্রে এটি একটি ভুল, যেখানে একটি ভুল-মেলানো রোগী বা একটি অযাচাইকৃত NHS নম্বর হাজারতম নয়, প্রথম লাইভ রোগী থেকেই একটি নিরাপত্তা বিষয়। প্রথম থেকেই আপনার ধরার প্রবাহে যাচাইকরণ, NHS-নম্বর চেকসাম যাচাইকরণ এবং, যেখানে অ্যাক্সেস পাওয়া যায়, Personal Demographics Service মেলানো গড়ুন, কারণ অমিল রেকর্ডের একটি বড় সংগ্রহ হওয়ার পরে পরিচয় শৃঙ্খলা পুনঃযোজন বেদনাদায়ক ও ঝুঁকিপূর্ণ। NHS ক্রেতাদের কাছে আপনার বিশ্বাসযোগ্যতা নির্ভর করে দেখাতে পারার ওপর যে আপনার ডেটা বিশ্বস্ত, এর উৎস স্পষ্ট, এবং আপনি সংহত হলে তাদের মাস্টার ডেটা দূষিত করবেন না।

ক্ষুদ্র ব্যবসা#

একটি প্রতিষ্ঠিত ছোট প্রদানকারী, একটি জিপি প্র্যাকটিস, কমিউনিটি ফার্মেসি, কেয়ার হোম বা একক-স্থানের ক্লিনিক, পরিচয় ও অ্যালার্জি ঠিক করার একটি বড় ট্রাস্টের সমান দায়িত্ব বহন করে, কিন্তু কোনো ডেটা দল ছাড়া এবং প্রায়ই কোনো নিবেদিত IT ছাড়া। এখানে মাস্টার ডেটা ব্যবস্থাপনা একটি প্ল্যাটফর্ম প্রকল্প নয়; এটি আপনার ইতোমধ্যে থাকা সরঞ্জামের শৃঙ্খলাবদ্ধ ব্যবহার: নিবন্ধনের সময় Personal Demographics Service-এর বিপরীতে NHS নম্বর যাচাই করা, জনতাত্ত্বিক তথ্য হালনাগাদ রাখা, এবং আপনার ক্লিনিক্যাল সিস্টেমে নকল রেকর্ড জমতে না দেওয়া। আপনার জন্য দেওয়া জাতীয় অবকাঠামোতে ভর দিন, PDS, SNOMED CT, জাতীয় প্রতিষ্ঠান কোড, স্থানীয় শর্টকাট উদ্ভাবনের বদলে, কারণ এটি সেই ভারী কাজ করে যা একটি ছোট প্রতিষ্ঠান পারে না। ডেটা মানের ব্যবহারিক মালিক হিসেবে একজন ব্যক্তির নাম দিন যদিও এটি একটি বৃহত্তর ভূমিকার অংশ, এবং "আমরা এটি নিয়ে ভাবার জন্য খুব ছোট" বলে অগোছালো ডেটা সহ্য করার বদলে আপনার সিস্টেম সরবরাহকারীর যাচাইকরণ, মেলানো ও ডি-ডুপ্লিকেশন ফিচার ব্যবহার করুন, একটি ভুল রেকর্ডের ক্ষতি প্রতিষ্ঠান যাই হোক সমান আকারের।

বৃহৎ প্রতিষ্ঠান#

একটি বড় NHS ট্রাস্ট বা ICS কয়েক ডজন সিস্টেম চালায় যার প্রতিটি রোগী, কর্মী ও প্রতিষ্ঠানের নিজস্ব সংস্করণ ধরে, তাই এর কেন্দ্রীয় চ্যালেঞ্জ মাপে মেলানো ও তত্ত্বাবধান। বাস্তবসম্মত লক্ষ্য একটি শাসিত Master Patient Index এবং অল্প সংখ্যক প্রামাণিক গোল্ডেন রেকর্ড, ইন্টারফেস ও যাচাইকরণের মাধ্যমে প্রয়োগকৃত, সবকিছু প্রতিস্থাপন করা একটি একক একখণ্ড ডেটাবেস নয়। প্রকৃত কর্তৃত্বসহ নামধারী ডেটা মালিক ও স্টুয়ার্ডদের মধ্যে বিনিয়োগ করুন, মাস্টার ডেটাকে পরিচয় ও অ্যাক্সেস ব্যবস্থাপনা এবং পেমেন্টের সঙ্গে বাঁধুন, এবং একীভূতকরণ ও ওভারলেকে ক্লিনিক্যালি-তত্ত্বাবধানকৃত অপারেশন হিসেবে দেখুন কারণ এই মাপে সেগুলো লাইভ পরিচর্যা স্পর্শ করে। সবচেয়ে বড় লাভ আসে ধরার সময় প্রতিরোধ এবং সামঞ্জস্যপূর্ণভাবে প্রয়োগ করা শৃঙ্খলাবদ্ধ জাতীয়-মান গ্রহণ থেকে, শেষ হওয়ার মুহূর্তে ক্ষয়-হওয়া বীরত্বপূর্ণ পর্যায়ক্রমিক পরিষ্কার থেকে নয়।

সরকার#

একটি জাতীয় সংস্থা, NHS England, এবং NHS Digital-এর উত্তরসূরি মান সংস্থাগুলো, প্রতিটি প্রদানকারী যে ডেটা-মান পরিবেশে কাজ করে তা আকার দেয়। এটি সেই ভাগ-করা অবকাঠামো চালায় যা স্থানীয় মান সম্ভব করে: জাতীয় জনতাত্ত্বিক সূচক হিসেবে Personal Demographics Service, সাধারণ চাবি হিসেবে NHS নম্বর, জাতীয় পরিভাষা ও রেফারেন্স ডেটা, এবং Data Quality Maturity Index যা প্রতিষ্ঠান জুড়ে কর্মক্ষমতা তুলনীয় করে। এর প্রভাব হলো Data Alliance Partnership Board প্রক্রিয়ার মাধ্যমে তথ্য মান বাধ্যতামূলক করা, উন্নতির চাপ তৈরি করা তুলনীয় মান মেট্রিক প্রকাশ করা, এবং রেফারেন্স ডেটা তত্ত্বাবধান করা যাতে প্রত্যেকে বিশ্বকে একইভাবে শ্রেণিবদ্ধ করে। সরকার ন্যায্যতা দায়িত্বও বহন করে: পক্ষপাতদুষ্ট অনুপস্থিতির জন্য পর্যবেক্ষণ এবং নিশ্চিত করা ডেটা মান নীরবে সেই গোষ্ঠীর অসুবিধা করে না যাদের রেকর্ড সবচেয়ে কম সম্পূর্ণ (বিষয় 9.1 — স্থানীয় ও জাতীয় সরকারের সঙ্গে কাজ দেখুন)।

ব্যর্থতার সাধারণ ধরন#

• চিরকাল পরিষ্কার, কিছুই ঠিক না। ধরার প্রক্রিয়া কখনো মোকাবিলা না করা পুনরাবৃত্ত ডাউনস্ট্রিম পরিষ্কার একটি ট্রেডমিল; একই নকল ও ত্রুটি প্রতিটি চক্রে ফিরে আসে। কারণ উৎসে ঠিক করুন।
• বৈধ কিন্তু ভুল। ফরম্যাট যাচাইকরণ পাস করা একটি রেকর্ড তবু ভুল হতে পারে, সঠিকভাবে-ফরম্যাট-করা কিন্তু ভুল NHS নম্বর একটি ফাঁকের চেয়ে বেশি বিপজ্জনক কারণ এটি বিশ্বস্ত দেখায়। কেবল ফরম্যাট নয়, প্রকৃত রেফারেন্স উৎসের বিপরীতে যাচাই করুন।
• কোনো নামধারী মালিক নেই। যখন ডেটা মান সবার উদ্বেগ, তা কারও কাজ নয়; সমস্যা বৈঠকে প্রশংসিত হয় এবং কখনো সমাধান হয় না। জবাবদিহিকারী মালিক ও ক্ষমতাপ্রাপ্ত স্টুয়ার্ড নিযুক্ত করুন।
• দুর্ঘটনায় মাস্টার ডেটা। প্রতিটি সিস্টেমকে রোগী বা প্রতিষ্ঠানের নিজস্ব বিচ্যুত কপি রাখতে দেওয়া, কোনো সম্মত সত্যের উৎস ছাড়া, অসামঞ্জস্য ও বিপজ্জনক নকলের নিশ্চয়তা দেয়। সুচিন্তিতভাবে ঠিক করুন কী প্রতিটি সত্তা মাস্টার করে।
• বেপরোয়া একীভূতকরণ ও ওভারলে। দুটি রেকর্ড একীভূত করা বা একটি ভুলভাবে-একীভূত রেকর্ড ভাগ করা লাইভ ক্লিনিক্যাল ডেটা স্পর্শ করে; নিয়ন্ত্রণ বা ক্লিনিক্যাল তত্ত্বাবধান ছাড়া করলে তা সংকটপূর্ণ তথ্য লুকাতে বা ভুল-আরোপ করতে পারে। এটি একটি নিরীক্ষিত, তত্ত্বাবধানকৃত প্রক্রিয়া করুন।
• তুলনীয়তা ভাঙা স্থানীয় কোড। জাতীয় মান ব্যবহারের বদলে স্থানীয় শ্রেণিবিন্যাস উদ্ভাবন ডেটা তুলনা বা সমষ্টি করা অসম্ভব করে এবং নীরবে বদলালে ট্রেন্ড বিশ্লেষণ বিকৃত করে। জাতীয় রেফারেন্স ডেটা গ্রহণ ও সংস্করণ করুন।
• নীরব পুনঃব্যবহার। অজানা মানের ডেটা এর উৎস ও সীমাবদ্ধতা না জানিয়ে পেমেন্ট, জাতীয় রিটার্ন বা AI মডেলে ফিড করা মাপে লুকানো ত্রুটি ছড়ায়। পুনঃব্যবহারের প্রতিটি বিন্দুতে উপযুক্ততা-উদ্দেশ্যকে একটি স্পষ্ট বিচার করুন।

পরিপক্বতা মডেল#

চেকলিস্ট#

• সংকটপূর্ণ ডেটাসেটের সম্মত মান মাত্রা, পরিমাপযোগ্য লক্ষ্য এবং নিয়মিত প্রতিবেদন আছে, যেখানে সম্ভব DQMI-র বিপরীতে বেঞ্চমার্ক করা।
• NHS নম্বর প্রতিটি ধরার বিন্দুতে চেকসাম-যাচাইকৃত এবং Personal Demographics Service-এর বিপরীতে যাচাই করা।
• প্রতিটি মূল সত্তার (রোগী, কর্মী, প্রতিষ্ঠান, ওষুধ) একটি মনোনীত মাস্টারিং সিস্টেম ও একটি গোল্ডেন রেকর্ড আছে।
• একটি Master Patient Index জাতীয় জনতাত্ত্বিক সেবার বিপরীতে মেলানো, একটি নিরীক্ষিত, ক্লিনিক্যালি-তত্ত্বাবধানকৃত একীভূতকরণ ও ওভারলে প্রক্রিয়াসহ।
• প্রতিটি সংকটপূর্ণ ডেটা ডোমেইনের একজন নামধারী ডেটা মালিক এবং সরঞ্জাম ও ঊর্ধ্বতন-প্রেরণ পথসহ একজন ক্ষমতাপ্রাপ্ত ডেটা স্টুয়ার্ড আছে।
• স্থানান্তর বা উন্নতির আগে ডেটা প্রোফাইল করা, এবং পরিষ্কার কেবল ডাউনস্ট্রিম কপি নয়, উৎস সিস্টেম ও কারণ-তৈরিকারী প্রক্রিয়া ঠিক করে।
• জাতীয় তথ্য মান ও পরিভাষা (DAPB প্রক্রিয়া, SNOMED CT-র মাধ্যমে) গৃহীত, এবং রেফারেন্স ডেটা ভার্সন-নিয়ন্ত্রিত।
• ডেটা মান মেট্রিক সেই ক্লিনিক্যাল, পরিচালনগত ও অর্থ দলের কাছে প্রকাশিত যাদের সিদ্ধান্ত ডেটার ওপর নির্ভর করে।
• পেমেন্ট, জাতীয় রিটার্ন, গবেষণা বা AI-র জন্য ডেটা পুনঃব্যবহৃত হলে উৎস ও জানা মান সীমাবদ্ধতা ডেটার সঙ্গে ভ্রমণ করে।
• উচ্চ-ক্ষতি ডেটা-মান বিপদ ক্লিনিক্যাল-নিরাপত্তা ঝুঁকি হিসেবে লগ ও মালিকানাধীন, সক্রিয় শনাক্তকরণের একটি উপায়সহ।

মূল উৎস#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — জাতীয় ডেটাসেট জুড়ে ডেটা মানের একটি মাসিক তুলনীয় পরিমাপ।
• NHS England — Personal Demographics Service (PDS) এবং NHS নম্বর নির্দেশিকা — জাতীয় জনতাত্ত্বিক সূচক ও প্রাথমিক রোগী শনাক্তকারী।
• NHS England — Data Alliance Partnership Board (DAPB) প্রক্রিয়ার (পূর্বে SCCI/ISB মান) মাধ্যমে প্রকাশিত Information standards।
• DAMA International — DMBOK (Data Management Body of Knowledge) — ডেটা গভর্ন্যান্স, মান ও মাস্টার ডেটা ব্যবস্থাপনার স্বীকৃত কাঠামো।
• SNOMED International / NHS England — ওষুধ মাস্টার ও রেফারেন্স ডেটার জন্য SNOMED CT ক্লিনিক্যাল পরিভাষা এবং dm+d (ওষুধ ও ডিভাইসের অভিধান)।
• HM Government — Data Standards Authority এবং Government Data Quality Framework — ডেটা মান মাত্রা ও স্টুয়ার্ডশিপ সংক্রান্ত সরকার-জুড়ে নির্দেশিকা।
• National Data Guardian — Caldicott principles — গোপনীয় রোগী তথ্যের যথাযথ ব্যবহার ও মান সংক্রান্ত।

তথ্যসূত্র#

1. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
2. Master data management — Wikipedia — https://en.wikipedia.org/wiki/Master_data_management
3. Single source of truth — Wikipedia — https://en.wikipedia.org/wiki/Single_source_of_truth
4. Reference data — Wikipedia — https://en.wikipedia.org/wiki/Reference_data
5. SNOMED CT — Wikipedia — https://en.wikipedia.org/wiki/SNOMED_CT
6. NHS number — Wikipedia — https://en.wikipedia.org/wiki/NHS_number
7. Record linkage — Wikipedia — https://en.wikipedia.org/wiki/Record_linkage
8. Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
9. Data steward — Wikipedia — https://en.wikipedia.org/wiki/Data_steward
10. Data profiling — Wikipedia — https://en.wikipedia.org/wiki/Data_profiling
11. Data cleansing — Wikipedia — https://en.wikipedia.org/wiki/Data_cleansing
12. Data validation — Wikipedia — https://en.wikipedia.org/wiki/Data_validation
13. NHS England — Data Quality Maturity Index (DQMI) — NHS England — https://digital.nhs.uk/data-and-information/data-tools-and-services/data-services/data-quality
14. NHS England — Personal Demographics Service (PDS) — NHS England — https://digital.nhs.uk/services/personal-demographics-service
15. NHS England — Information standards and the Data Alliance Partnership Board — NHS England — https://www.england.nhs.uk/digitaltechnology/digital-primary-care/information-standards/
16. DAMA International — Data Management Body of Knowledge (DMBOK) — DAMA International — https://www.dama.org/
17. HM Government — The Government Data Quality Framework — GOV.UK — https://www.gov.uk/government/publications/the-government-data-quality-framework
18. National Data Guardian — Caldicott Principles — GOV.UK — https://www.gov.uk/government/publications/the-caldicott-principles