Emne 4.9 — Datakvalitet og stamdatastyring

I sundhed og pleje er et forkert NHS-nummer, en manglende allergi eller en dubleret patientjournal ikke et ryddelighedsproblem, men en klinisk fare, en betalingsfejl og en forskningsfejl, så datakvalitet og stamdatastyring skal køres som styrede discipliner med navngivne ejere — ikke overladt til tilfældighederne ved indfangningspunktet.

Hvorfor det er vigtigt i sundhed og pleje#

Enhver klinisk beslutning hviler på data, nogen registrerede tidligere: en allergi markeret, et svar arkiveret, en medicin afstemt, en identitet bekræftet. Når dataene er nøjagtige, komplette og knyttet til den rette person, flyder plejen sikkert. Når de er forkerte, fraværende eller knyttet til den forkerte person, gør systemet præcis, hvad det får besked på — og skader nogen. En dubleret journal skjuler en kritisk allergi på det skema, klinikeren ikke ser på; et fejlindtastet NHS-nummer sender et svar til den forkerte patients journal; en forældet adresse betyder, at en indkaldelse til kræftscreening aldrig ankommer. Det er ikke hypotetisk: patientsikkerhedshændelser, der involverer fejlidentifikation og journalforvirring, er et tilbagevendende tema i national sikkerhedsrapportering.

Datakvalitet er derfor et klinisk sikkerhedsspørgsmål, før det er et analytisk (se emne 1.6 — Klinisk sikkerhed og risikostyring). Det er også et spørgsmål om offentlige midler og retfærdighed. NHS betaler udbydere, planlægger tjenester og holder dem til regnskab på grundlag af, hvad dataene siger skete; hvis aktivitet er underregistreret eller fejlkodet, betales den forkerte udbyder det forkerte beløb, og bestillingsbeslutninger hviler på et forvrænget billede. Befolkningssundhedsanalyse, validering af ventelister og arbejde med uligheder i sundhed arver alle kvaliteten af de underliggende journaler (se emne 4.5 — Data, analyse og styring af befolkningssundhed).

Indsatsen stiger kraftigt, når data genbruges. En journal indfanget én gang ved en travl reception kan senere træne en algoritme, begrunde en business case, føde et nationalt datasæt og afgøre en betalingstvist. Den gamle talemåde — garbage in, garbage out — er blevet til garbage in, harm out, fordi dårlige data nu forplanter sig automatisk og i stor skala ind i modeller med kunstig intelligens og automatiserede beslutninger (se emne 8.4 — Styring af AI og ny teknologi). Og stamdata — de fælles, langsomt skiftende fakta om, hvem patienter, personale, organisationer og lægemidler er — er bindevævet, der lader dusinvis af systemer blive enige om, at de taler om den samme person. Får I stamdata forkert, arver hvert nedstrøms system forvirringen.

Kernebegreber#

Datakvalitet er den grad, hvormed data er egnede til deres tilsigtede anvendelser i drift, beslutningstagning og planlægning. Den vurderes konventionelt på tværs af et sæt dimensioner. Nøjagtighed er, om dataene korrekt beskriver den virkelige ting, de repræsenterer; fuldstændighed er, om de krævede data er til stede; rettidighed er, om de er tilgængelige, når de er nødvendige, og afspejler den aktuelle tilstand; validitet er, om de overholder det definerede format, den definerede type og det definerede interval; konsistens er, om de er enige med sig selv og med andre kilder; og unikhed er, om hver virkelig entitet optræder én og kun én gang. En journal kan være valid (korrekt formateret) og alligevel unøjagtig (forkert), så dimensionerne er komplementære, ikke udskiftelige.

Stamdatastyring (MDM) er den disciplin, hvormed forretning og teknologi sammen sikrer ensartethed, nøjagtighed, forvaltning og ansvarlighed af en organisations fælles stamdata — de kerneentiteter, mange systemer refererer til: patienter, personale, organisationer, lokationer og lægemidler. Ambitionen for MDM er en golden record: en enkelt, betroet, afstemt version af hver entitet, samlet fra mange kildesystemer, der fungerer som den autoritative reference. Det er nært beslægtet med idéen om en enkelt sandhedskilde — praksissen at mestre hvert dataelement på præcis ét autoritativt sted, så alt andet refererer tilbage til det frem for at holde sin egen divergerende kopi.

Referencedata er en specifik, vigtig undertype. Referencedata er data, der bruges til at klassificere eller kategorisere andre data — kodelister, værdisæt, organisationskoder, måleenheder — typisk defineret eksternt og skiftende langsomt. I sundhed og pleje omfatter det kliniske terminologier som SNOMED CT og nationale organisations- og lokationskoder; standarderne for disse ejes nationalt og er påbudt som informationsstandarder (interoperabilitet og udveksling dækkes i emne 4.3 — Interoperabilitet og datastandarder, som dette emne ikke gentager).

NHS-nummeret er den primære unikke patientidentifikator i England, Wales og Isle of Man — et ticifret nummer med et kontrolciffer, der lader systemer opdage et fejlindtastet ciffer. Det er forankringen for patientstamdata. At knytte det rette NHS-nummer til den rette person er et journalkoblingsproblem — at finde journaler på tværs af forskellige kilder, der refererer til den samme entitet — løst i England gennem Personal Demographics Service (PDS), det nationale demografiske indeks, og lokalt gennem et Master Patient Index (MPI). Når kobling svigter, får I dubletter (én person, mange journaler) eller overlays (to personer sammenflettet til én), begge farlige.

De operationelle discipliner, der holder kvaliteten høj, er datastyring — rammen af beslutningsrettigheder og ansvarligheder for data — og dataforvalteren, den navngivne rolle med ansvar for kvaliteten og egnetheden af et defineret datadomæne. To teknikker går igen: dataprofilering, at undersøge data for at indsamle statistik om deres faktiske tilstand, og datarensning, at opdage og rette korrupte, unøjagtige eller dublerede journaler. Forebyggelse slår kur: datavalidering ved indfangningspunktet — valideringsregler og begrænsninger, der afviser eller forespørger dårligt input, før det kommer ind i systemet — er billigere og sikrere end at rense det senere.

Bedste praksis#

1. Definér datakvalitet i de specifikke dimensioner, der betyder noget for hvert datasæt, og mål dem. "Forbedr datakvalitet" er ikke et mål; "hæv NHS-nummerets fuldstændighed i skadestuedatasættet over den nationale tærskel" er. Aftal hvilke af nøjagtighed, fuldstændighed, rettidighed, validitet, konsistens og unikhed der betyder mest for hvert kritisk datasæt, sæt målbare mål, og rapportér rutinemæssigt mod dem. NHS Data Quality Maturity Index (DQMI) giver et færdigt, sammenligneligt mål for mange nationale datasæt; brug den som en baseline, og følg jeres egne lokale metrikker for de felter, klinikere og økonomi faktisk afhænger af.

2. Valider ved indfangningspunktet, ikke i en nedstrøms oprydning. Den billigste fejl at rette er den, der aldrig kommer ind i systemet, og den bedst placerede til at rette en journal er den, der opretter den, mens patienten står foran vedkommende. Byg valideringsregler, obligatoriske felter, kontrollerede valglister og verifikation af NHS-nummerets kontrolciffer ind i de formularer og grænseflader, personalet faktisk bruger, og bekræft identitet mod Personal Demographics Service ved registrering. Hver fejl fanget ved indfangning er en fejl, der aldrig skal findes, undersøges og vendes nedstrøms — efter den måske allerede har forårsaget skade.

3. Behandl NHS-nummeret som en sikkerhedskritisk forankring, og verificér det overalt. NHS-nummeret er den enkeltstående mest værdifulde identifikator i systemet, fordi det er nøglen, der kobler et menneskes journaler sikkert på tværs af organisationer. Spor det mod Personal Demographics Service, valider dets kontrolciffer ved indtastning, og markér journaler, der mangler et verificeret nummer, frem for at lade umatchede data flyde videre. Et svar, en henvisning eller en recept knyttet til det forkerte nummer er en klinisk fare, så behandl kvaliteten af NHS-nummeret som en patientsikkerhedskontrol, overvåget og eskaleret som enhver anden.

4. Etablér stamdatastyring med en golden record for hver kerneentitet. Beslut bevidst, hvilket system der mestrer hver entitet — patienter, personale, organisationer, lægemidler — og hvordan en enkelt afstemt golden record samles og vedligeholdes fra kildesystemerne. Kør et Master Patient Index afstemt mod den nationale demografiske tjeneste, og styr en kontrolleret, reviderbar proces til at flette dubletter og fortryde fejlagtige overlays, fordi begge handlinger berører levende kliniske journaler og selv kan forårsage skade, hvis de udføres skødesløst. Udvid samme stringens til personale- og organisationsstamdata, som understøtter adgangskontrol, betaling og rapportering (se emne 4.2 — Identitets- og adgangsstyring og emne 5.4 — Virksomhedsressourceplanlægning (ERP), der ejer fælles/økonomistamdata).

5. Navngiv dataejere og dataforvaltere, og giv dem reel beføjelse. Datakvalitet forfalder uden klart ansvar, så tildel hvert kritisk datadomæne en senior dataejer med ansvar for det og en operationel dataforvalter, der overvåger, undersøger og driver rettelse. Forvaltere har brug for stilling, værktøjer og tid — ikke en linje tilføjet et allerede fuldt job — og en vej til at eskalere systemiske problemer (en ødelagt formular, en forvirrende arbejdsgang, en grænseflade, der taber felter) til dem, der kan rette årsagen. Ejerskab forvandler datakvalitet fra alles vage bekymring til nogens eksplicitte ansvar.

6. Profilér, før I renser, og rens ved kilden. Før enhver forbedring eller migrering skal I profilere dataene for at forstå deres sande tilstand — hvor mange journaler mangler et NHS-nummer, hvor mange dubletter der findes, hvilke felter der systematisk er fejlkodet — så I retter indsatsen derhen, hvor den tæller, frem for at gætte. Når I renser, ret journalen i det system, der mestrer den, og adressér den proces, der producerede fejlen, ikke blot kopien i et nedstrøms varehus, ellers vil den samme fejl simpelthen dukke op igen. Engangsoprydninger, der ignorerer årsagen, er et løbebånd; målet er at lukke for hanen, ikke blot at tørre gulvet.

7. Tag nationale informationsstandarder og referencedata i brug frem for at opfinde lokale koder. Konsistens på tværs af organisationer er kun mulig, når alle klassificerer verden på samme måde, med nationalt definerede standarder påbudt gennem Data Alliance Partnership Board (DAPB)-processen (tidligere SCCI/ISB-standarder) og terminologier som SNOMED CT. Styr referencedata og kodelister under versionsstyring med en klar opdateringsproces, fordi et lydløst ændret værdisæt bryder trendanalyse og kan korrumpere nedstrøms logik. Lokale udvidelser bør være den sjældne, styrede undtagelse, kortlagt tilbage til den nationale standard (se emne 4.3 — Interoperabilitet og datastandarder).

8. Gør datakvalitet synlig for de mennesker, hvis beslutninger afhænger af den. Datakvalitet forbedres, når den ses — offentliggør kvalitetsmetrikker for kliniske, operationelle og økonomiteams, så omkostningen ved dårlige data lander, hvor arbejdet udføres, ikke begravet i et datateam. Vis nedstrøms forbrugere dataenes proveniens og kendte begrænsninger, så en analytiker, et betalingsteam eller en modelbygger kan bedømme, om de er egnede til deres formål (se emne 10.1 — Nøgleindikatorer (KPI’er)). Gennemsigtighed om kvalitet opbygger den tillid, der får folk til overhovedet at bruge data, og ubehaget ved en synlig rød metrik er ofte det, der endelig finansierer rettelsen.

Spørgsmål at drøfte med dit team#

1. Hvilke specifikke datafejl i vores organisation kunne mest plausibelt skade en patient, og hvordan ville vi overhovedet vide, at de skete? Dette omformulerer datakvalitet fra en abstrakt dyd til et sikkerhedsspørgsmål med navngivne farer, hvilket er den eneste version, der bliver prioriteret. Gennemgå de konkrete svigtveje: en dubleret journal, der skjuler en allergi, et fejlverificeret NHS-nummer, der fejlroter et svar, en forældet kontaktoplysning, der betyder, at en to-ugers-henvisning aldrig når patienten. Det svære er detektion — de fleste datafejl er lydløse, opdaget først når skade sker, eller en revision falder over dem, så debatter, om I har nogen proaktiv måde at finde dem på eller støtter jer til held og klager. Et godt, ærligt svar nævner jeres to eller tre farligste datafarer, siger ligeud, om I i dag kunne opdage hver, og behandler hullerne som kliniske sikkerhedsrisici, der skal logføres og ejes (se emne 1.6 — Klinisk sikkerhed og risikostyring), frem for som ryddelighed, man kommer til en dag.

2. Hvor er den enkelte sandhedskilde for vores kerneentiteter — patienter, personale, organisationer, lægemidler — og respekterer vores systemer den faktisk? Mange organisationer opdager, når de kigger, at den samme patient eksisterer forskelligt i det patientadministrative system, skadestuesystemet, patologisystemet og tre afdelingsdatabaser, uden enighed om, hvilken der er autoritativ. Drøft, entitet for entitet, hvilket system der skal mestre den, hvordan en golden record samles, og hvordan dubletter og overlays findes og løses — herunder hvem der har lov til at flette to journaler, da den handling selv kan forårsage skade. Bring spændingen frem mellem lokal autonomi (afdelinger, der vil have deres egen kopi, de kan kontrollere) og systemomspændende sikkerhed (én afstemt sandhed), og vær ærlige om, at stamdatastyring er kontinuerlig forvaltning, ikke en engangsmigrering. Et stærkt svar identificerer det mestrende system for hver entitet, indrømmer, hvor der i dag ikke er nogen aftalt sandhedskilde, og forpligter sig til en navngiven ejer og en afstemningsproces frem for en databaseoprydning, der i det stille rådner igen.

3. Når vores data fodrer en betaling, en national indberetning, en business case eller en AI-model, hvis opgave er det så at vide, om de er egnede til det formål? Data indfanget af én grund genbruges konstant til andre, og kvalitet, der er tilstrækkelig til en klinisk note, kan være farligt vildledende i en algoritme eller en finansieringsformel. Debatter, hvem der er ansvarlig for at bedømme egnethed ved genbrugspunktet: kender analytikeren, økonomilederen eller modelbyggeren proveniensen, fuldstændigheden og de kendte mangler ved de data, de støtter sig til, eller antager de, at de er rene, fordi de ser pæne ud? Overvej konkrete tilfælde — et kodningshul, der i det stille undervurderer aktivitet og dermed indtægt, eller et demografisk felt med skæv manglende data, der vrider en AI-model mod en patientgruppe (se emne 8.4 — Styring af AI og ny teknologi og emne 1.8 — Dataetik, samtykke og offentlig tillid). Et godt svar fastslår, at egnethed vurderes eksplicit ved hvert genbrugspunkt, at data bærer synlig proveniens og kvalitetsforbehold, og at ingen stiltiende stoler på tal, hvis begrænsninger de aldrig har set.

4. Forebygger vi fejl ved indfangningspunktet, eller skubber vi i det stille byrden af datakvalitet over på allerede pressede klinikere? Forebyggelse ved kilden er den billigste og sikreste form for datakvalitet, men den lever og dør af designet af de formularer og arbejdsgange, personalet faktisk bruger under pres. Drøft, om jeres indfangningsskærme reelt hjælper — validering af kontrolciffer, kontrollerede valglister, PDS-verificeret identitet, fornuftige standarder — eller om de i stedet stabler obligatoriske felter og advarsler på en travl registreringsskranke, indtil folk lærer at klikke forbi dem. Der er en reel spænding her: for lidt validering lader dårlige data flyde videre, men klodset validering avler omgåelser, dummyværdier og alarmtræthed, der korrumperer dataene på subtilere måder. Se på, hvor personalet indtaster "ikke kendt", genbruger en standard eller fører et privat regneark for at undgå en smertefuld arbejdsgang, fordi hver er et signal om, at systemet kæmper mod arbejdet frem for at støtte det. Et ærligt svar behandler indfangningsdesign som et fælles klinisk, operationelt og dataproblem, tester det med dem, der bruger det, og måler, om validering reelt mindsker nedstrøms fejl frem for blot at flytte dem.

5. Har de mennesker, vi kalder dataejere og forvaltere, stillingen, tiden og værktøjerne til at ændre noget, eller er forvaltning en titel boltet på et allerede fuldt job? Datakvalitet forfalder uden klart ansvar, men at nævne en ejer på et slide er ikke det samme som at ressourcesætte en, og forvaltning svigter lydløst, når den navngivne person hverken har beføjelse eller kapacitet. Debatter, hvad jeres forvaltere faktisk kan gøre, når de finder et systemisk problem — en ødelagt grænseflade, der taber felter, en forvirrende formular, en arbejdsgang, der fremstiller dubletter: kan de få det rettet, eller kan de kun logføre det og håbe? Bring afvejningen frem mellem at sprede forvaltning tyndt på mange mennesker, der hver gør lidt i marginen, og at koncentrere den i et mindre antal reelt ressourcesatte roller med afsat tid og leverede værktøjer. Overvej, om forvaltere har en reel eskaleringsvej til dem, der ejer de forårsagende systemer og processer, og om senior dataejere holdes til regnskab for kvaliteten af deres domæne. Et godt svar er ærligt om, hvorvidt forvaltning i dag er reel eller ceremoniel, og forpligter sig til beføjelse, tid og værktøjer frem for endnu et ufinansieret ansvar.

6. Hvordan styrer vi nationale standarder og referencedata over tid, og hvad sker der, når en kodeliste eller terminologi ændrer sig under os? Referencedata og terminologier som SNOMED CT defineres eksternt og skifter langsomt, men kontinuerligt, og et lydløst opdateret værdisæt kan bryde trendanalyse eller korrumpere nedstrøms logik uden at nogen bemærker det. Drøft, om jeres kodelister og mappings er under versionsstyring med en klar opdateringsproces eller bor i udokumenterede opslag, nogen redigerer på stedet. Undersøg trækket mod at opfinde lokale koder, når den nationale standard føles akavet, og vær ærlige om den langsigtede pris: lokale klassifikationer gør jeres data umulige at sammenligne eller aggregere med andres og bliver en permanent mappingbyrde (se emne 4.3 — Interoperabilitet og datastandarder). Overvej, hvordan I overhovedet ville opdage, at en referenceværdi ændrede sig, og hvordan I ville vurdere påvirkningen på de analyser, betalinger og modeller, der afhænger af den. Et stærkt svar behandler referencedata som et styret, versioneret aktiv med en navngiven proces til at tage nationale ændringer i brug, holder lokale udvidelser sjældne og kortlagt tilbage til standarden og kan spore, hvilke nedstrøms anvendelser en ændring ville berøre.

I praksis: et eksempel fra sundhed og pleje#

Northmoor Integrated Care System driver en fælles omsorgsjournal, der spænder over to akuthospitaler, et psykiatrisk hospital, kommunale tjenester og 60 lægepraksis. Efter en alvorlig hændelse — en patients alvorlige penicillinallergi registreret på ét hospital var usynlig på et andet, fordi journalen ikke var blevet koblet, og patienten blev ordineret lægemidlet — behandler bestyrelsen datakvalitet som en klinisk sikkerhedsprioritet frem for et bagkontoranliggende. En hurtig gennemgang finder, at grundårsagen er stamdata: de samme patienter eksisterer som dubletter på tværs af systemer, og NHS-nummerverifikation er inkonsekvent ved hoveddøren.

ICS’et etablerer et datastyringsforum med en navngiven senior dataejer for patientstamdata og operationelle dataforvaltere hos hver udbyder. Deres første handling er at profilere landskabet: de opdager, at NHS-nummerverifikation mod Personal Demographics Service sker pålideligt i nogle registreringsarbejdsgange og ikke i andre, og at den fælles journal indeholder en betydelig population af dublerede og umatchede journaler. I stedet for en massiv oprydning retter de årsagen først — håndhæver PDS-verifikation og kontrolcifervalidering ved hvert indfangningspunkt — så dubletpopulationen holder op med at vokse, mens de arbejder sig gennem efterslæbet.

De opretter et Master Patient Index afstemt mod den nationale demografiske tjeneste, med en kontrolleret, revideret, klinisk overvåget proces til at flette dubletter og vende eventuelle fejlagtige overlays, i erkendelse af at begge handlinger berører levende journaler. De tager NHS Data Quality Maturity Index i brug som et eksternt baseline for deres nationale datasætindberetninger og tilføjer lokale metrikker for de felter, klinikere mest afhænger af — allergier, NHS-nummerets fuldstændighed, vigtige demografiske oplysninger — og offentliggør dem for hver udbyders kliniske og operationelle ledere, så tallene ikke kan ignoreres.

Atten måneder senere er ændringen synlig i udfald, ikke blot dashboards: NHS-nummerverifikation er næsten universel ved indfangning, dubletraten falder, og allergioplysninger afstemmer pålideligt på tværs af den fælles journal. Da ICS’et senere afgrænser en risikostratificeringsmodel for befolkningssundhed, kan analyseteamet angive proveniensen og fuldstændigheden af de underliggende data og flage, hvor manglende data kan skævvride modellen, fordi stamdata og kvalitetsmetrikker nu findes til at understøtte det skøn (se emne 4.5 — Data, analyse og styring af befolkningssundhed). Det uglamourøse arbejde — et styringsforum, forvaltere, validering ved indfangning, et MPI — forvandlede en usynlig, skadelig risiko til en styret.

Sektorperspektiver#

Startup#

En digital sundheds-startup behandler ofte datakvalitet som et fremtidigt problem, fokuserer på funktioner og accepterer rodede data for at bevæge sig hurtigt. Det er en fejl med sundhedsdata, hvor en fejlmatchet patient eller et uverificeret NHS-nummer er et sikkerhedsproblem fra den første levende patient, ikke den tusindende. Byg validering, kontrolcifferverifikation af NHS-nummer og — hvor I kan få adgang — Personal Demographics Service-matching ind i jeres indfangningsflows fra starten, fordi det er smertefuldt og risikabelt at eftermontere identitetsdisciplin, når I har et stort korpus af umatchede journaler. Jeres troværdighed over for NHS-købere afhænger af, at I kan vise, at jeres data er troværdige, deres proveniens er klar, og at I ikke vil forurene deres stamdata, når I integrerer.

Lille virksomhed#

En etableret lille udbyder — en lægepraksis, et lokalt apotek, et plejehjem eller en enkelt klinik — bærer samme pligt til at få identitet og allergier rigtige som et stort hospital, men uden et datateam og ofte uden dedikeret it. Her er stamdatastyring ikke et platformsprojekt; det er den disciplinerede brug af de værktøjer, I allerede har: at verificere NHS-nummeret mod Personal Demographics Service ved registrering, holde demografiske oplysninger aktuelle og ikke lade dubletter akkumulere i jeres kliniske system. Læn jer op ad den nationale infrastruktur, der er stillet til rådighed for jer — PDS, SNOMED CT, nationale organisationskoder — frem for at opfinde lokale genveje, fordi den gør det tunge arbejde, en lille organisation ikke kan. Navngiv én person som den praktiske ejer af datakvalitet, selv hvis det er en del af en bredere rolle, og brug jeres systemleverandørs validerings-, matchnings- og deduplikeringsfunktioner frem for at tolerere rodede data, fordi "vi er for små til at bekymre os" — skaden fra en forkert journal er lige så stor, uanset organisationens størrelse.

Stor virksomhed#

Et stort NHS-hospital eller ICS driver dusinvis af systemer, der hver holder deres egen version af patienter, personale og organisationer, så dets centrale udfordring er afstemning og forvaltning i stor skala. Det realistiske mål er et styret Master Patient Index og et lille antal autoritative golden records, håndhævet gennem grænseflader og validering, ikke en enkelt monolitisk database, der erstatter alt. Invester i navngivne dataejere og forvaltere med reel beføjelse, bind stamdata til identitets- og adgangsstyring og til betaling, og behandl fletninger og overlays som klinisk overvågede operationer, fordi de i denne skala berører levende pleje. De største gevinster kommer af forebyggelse ved indfangning og disciplineret optagelse af nationale standarder anvendt konsekvent, frem for heroiske periodiske oprydninger, der forfalder i det øjeblik, de slutter.

Myndighed#

Et nationalt organ — NHS England og de standardorganer, der efterfulgte NHS Digital — former det datakvalitetsmiljø, hver udbyder arbejder i. Det driver den fælles infrastruktur, der gør lokal kvalitet mulig: Personal Demographics Service som det nationale demografiske indeks, NHS-nummeret som den fælles nøgle, nationale terminologier og referencedata og Data Quality Maturity Index, der gør ydeevne sammenlignelig på tværs af organisationer. Dets løftestang er at påbyde informationsstandarder gennem Data Alliance Partnership Board-processen, at offentliggøre sammenlignelige kvalitetsmetrikker, der skaber forbedringspres, og at forvalte referencedata, så alle klassificerer verden på samme måde. Myndigheden bærer også ligestillingspligten: at overvåge skæve manglende data og sikre, at datakvalitet ikke i det stille stiller grupper dårligere, hvis journaler er mindst komplette (se emne 9.1 — Samarbejde med lokale og nationale myndigheder).

Typiske fejlmønstre#

• At rense for evigt og rette intet. Gentagne nedstrøms oprydninger, der aldrig adresserer indfangningsprocessen, er et løbebånd; de samme dubletter og fejl dukker op igen hver cyklus. Ret årsagen ved kilden.
• Valid, men forkert. En journal, der består formatvalidering, kan stadig være unøjagtig — et korrekt formateret, men forkert NHS-nummer er farligere end et tomt, fordi det ser troværdigt ud. Valider mod reelle referencekilder, ikke kun format.
• Ingen navngiven ejer. Når datakvalitet er alles bekymring, er det ingens job; problemer beundres på møder og aldrig løst. Tildel ansvarlige ejere og bemyndigede forvaltere.
• Stamdata ved et tilfælde. At lade hvert system beholde sin egen divergerende kopi af patienter eller organisationer, uden en aftalt sandhedskilde, garanterer inkonsistens og farlige dubletter. Beslut bevidst, hvad der mestrer hver entitet.
• Hensynsløse fletninger og overlays. At flette to journaler eller opdele en fejlagtigt sammenflettet berører levende kliniske data; udført uden kontrol eller klinisk tilsyn kan det skjule eller fejlhenføre kritisk information. Gør det til en revideret, overvåget proces.
• Lokale koder, der bryder sammenlignelighed. At opfinde lokale klassifikationer i stedet for at bruge nationale standarder gør data umulige at sammenligne eller aggregere og korrumperer trendanalyse, når de ændres lydløst. Tag nationale referencedata i brug, og versionér dem.
• Lydløs genbrug. At fodre data af ukendt kvalitet ind i betalinger, nationale indberetninger eller AI-modeller uden at angive deres proveniens og begrænsninger forplanter skjulte fejl i stor skala. Gør egnethed til formålet til et eksplicit skøn ved hvert genbrugspunkt.

Modenhedsmodel#

Tjekliste#

• Kritiske datasæt har aftalte kvalitetsdimensioner, målbare mål og rutinemæssig rapportering, benchmarket hvor muligt mod DQMI.
• NHS-nummer er kontrolciffervalideret og verificeret mod Personal Demographics Service ved hvert indfangningspunkt.
• Hver kerneentitet (patient, personale, organisation, lægemiddel) har et udpeget mestrende system og en golden record.
• Et Master Patient Index er afstemt mod den nationale demografiske tjeneste, med en revideret, klinisk overvåget flette- og overlayproces.
• Hvert kritisk datadomæne har en navngiven dataejer og en bemyndiget dataforvalter med værktøjer og en eskaleringsvej.
• Data profileres før migrering eller forbedring, og rensning retter kildesystemet og den forårsagende proces, ikke blot nedstrøms kopier.
• Nationale informationsstandarder og terminologier (via DAPB-processen, SNOMED CT) er taget i brug, og referencedata er versionsstyret.
• Datakvalitetsmetrikker offentliggøres for de kliniske, operationelle og økonomiteams, hvis beslutninger afhænger af dataene.
• Proveniens og kendte kvalitetsbegrænsninger følger med data, når de genbruges til betaling, nationale indberetninger, forskning eller AI.
• Datakvalitetsfarer med stor skade logføres og ejes som kliniske sikkerhedsrisici, med en måde at opdage dem proaktivt på.

Centrale kilder#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — et månedligt sammenligneligt mål for datakvalitet på tværs af nationale datasæt.
• NHS England — Personal Demographics Service (PDS) og vejledning om NHS-nummer — det nationale demografiske indeks og den primære patientidentifikator.
• NHS England — Information standards udgivet gennem Data Alliance Partnership Board (DAPB)-processen (tidligere SCCI/ISB-standarder).
• DAMA International — DMBOK (Data Management Body of Knowledge) — det anerkendte rammeværk for datastyring, datakvalitet og stamdatastyring.
• SNOMED International / NHS England — SNOMED CT klinisk terminologi og dm+d (dictionary of medicines and devices) for lægemiddelstamdata og referencedata.
• HM Government — Data Standards Authority og Government Data Quality Framework — tværgående vejledning om datakvalitetsdimensioner og forvaltning.
• National Data Guardian — Caldicott-principperne — om passende brug og kvalitet af fortrolige patientoplysninger.

Referencer#

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