Thema 4.9 — Datenqualität und Stammdatenmanagement

In Gesundheit und Pflege ist eine falsche NHS-Nummer, eine fehlende Allergie oder eine doppelte Patientenakte kein Problem der Datenordnung, sondern eine klinische Gefährdung, ein Zahlungsfehler und ein Forschungsmangel; Datenqualität und Stammdatenmanagement müssen daher als gesteuerte Disziplinen mit benannten Verantwortlichen geführt werden – nicht dem Zufall bei der Erfassung überlassen.

Warum das in Gesundheit und Pflege wichtig ist#

Jede klinische Entscheidung ruht auf Daten, die jemand früher erfasst hat: eine markierte Allergie, ein abgelegtes Ergebnis, eine abgeglichene Medikation, eine bestätigte Identität. Wenn diese Daten genau, vollständig und der richtigen Person zugeordnet sind, fließt die Versorgung sicher. Sind sie falsch, fehlen oder gehören zur falschen Person, tut das System genau, was ihm gesagt wird – und schadet jemandem. Eine doppelte Akte versteckt eine kritische Allergie auf der Akte, die die Klinikerin nicht ansieht; eine falsch eingetippte NHS-Nummer schickt ein Ergebnis in die Akte der falschen Patientin; eine veraltete Adresse bedeutet, dass eine Einladung zum Krebs-Screening nie ankommt. Das ist nicht hypothetisch: Patientensicherheitsvorfälle durch Verwechslung und Aktenvermischung sind ein wiederkehrendes Thema der nationalen Sicherheitsberichterstattung.

Datenqualität ist daher eine Frage der klinischen Sicherheit, bevor sie eine analytische ist (siehe Thema 1.6 — Klinische Sicherheit und Risikomanagement). Sie ist auch eine Frage öffentlicher Gelder und der Fairness. Der NHS bezahlt Anbieter, plant Dienste und zieht sie zur Rechenschaft auf Grundlage dessen, was die Daten über das Geschehene sagen; wird Aktivität untererfasst oder falsch kodiert, erhält der falsche Anbieter den falschen Betrag, und Commissioning-Entscheidungen ruhen auf einem verzerrten Bild. Analytik zur Bevölkerungsgesundheit, Validierung von Wartelisten und Arbeit zu gesundheitlicher Ungleichheit erben die Qualität der zugrunde liegenden Akten (siehe Thema 4.5 — Daten, Analytik und Management der Bevölkerungsgesundheit).

Der Einsatz steigt stark, wenn Daten wiederverwendet werden. Ein an einer geschäftigen Rezeption einmal erfasster Datensatz kann später einen Algorithmus trainieren, einen Business Case begründen, einen nationalen Datensatz speisen und einen Zahlungsstreit entscheiden. Die alte Maxime – Garbage in, garbage out – ist zu „Garbage in, harm out“ geworden, weil schlechte Daten sich heute automatisch und im großen Maßstab in Modelle künstlicher Intelligenz und automatisierte Entscheidungen fortpflanzen (siehe Thema 8.4 — Governance von KI und aufkommenden Technologien). Und Stammdaten – die gemeinsamen, sich langsam ändernden Fakten darüber, wer Patientinnen, Mitarbeitende, Organisationen und Arzneimittel sind – sind das Bindegewebe, das Dutzende Systeme übereinkommen lässt, dass sie von derselben Person sprechen. Sind die Stammdaten falsch, erbt jedes nachgelagerte System die Verwirrung.

Kernkonzepte#

Datenqualität (Data Quality) ist der Grad, in dem Daten für ihre vorgesehene Nutzung in Betrieb, Entscheidung und Planung geeignet sind. Sie wird üblicherweise anhand einer Reihe von Dimensionen bewertet. Genauigkeit ist, ob die Daten das reale Ding, das sie darstellen, korrekt beschreiben; Vollständigkeit, ob die erforderlichen Daten vorhanden sind; Aktualität, ob sie bei Bedarf verfügbar sind und den gegenwärtigen Zustand widerspiegeln; Gültigkeit, ob sie dem definierten Format, Typ und Bereich entsprechen; Konsistenz, ob sie mit sich selbst und anderen Quellen übereinstimmen; und Eindeutigkeit, ob jede reale Entität genau einmal erscheint. Ein Datensatz kann gültig (korrekt formatiert), aber ungenau (falsch) sein; die Dimensionen ergänzen sich also und sind nicht austauschbar.

Stammdatenmanagement (Master Data Management) (MDM) ist die Disziplin, mit der Fachbereich und Technologie gemeinsam Einheitlichkeit, Genauigkeit, Betreuung und Rechenschaftspflicht der gemeinsamen Stammdaten einer Organisation sicherstellen – der Kernentitäten, auf die viele Systeme verweisen: Patientinnen, Mitarbeitende, Organisationen, Standorte und Arzneimittel. Das Ziel des MDM ist ein Golden Record: eine einzige, vertrauenswürdige, abgeglichene Version jeder Entität, aus vielen Quellsystemen zusammengesetzt, die als maßgebliche Referenz dient. Das ist eng verwandt mit der Idee einer einzigen Wahrheitsquelle (Single Source of Truth) – der Praxis, jedes Datenelement an genau einem maßgeblichen Ort zu führen, sodass alles andere darauf zurückverweist, statt eine eigene abweichende Kopie zu halten.

Referenzdaten sind ein spezieller, wichtiger Untertyp. Referenzdaten sind Daten, die andere Daten klassifizieren oder kategorisieren – Codelisten, Wertemengen, Organisationscodes, Maßeinheiten –, die typischerweise extern definiert sind und sich langsam ändern. In Gesundheit und Pflege umfasst das klinische Terminologien wie SNOMED CT und nationale Organisations- und Standortcodes; die Standards dafür liegen national in Verantwortung und sind als Informationsstandards verbindlich (Interoperabilität und Austausch werden in Thema 4.3 — Interoperabilität und Datenstandards behandelt, das dieses Thema nicht wiederholt).

Die NHS-Nummer ist die primäre eindeutige Patientenkennung in England, Wales und auf der Isle of Man – eine zehnstellige Zahl mit Prüfsumme, die Systemen erlaubt, eine verschriebene Ziffer zu erkennen. Sie ist der Anker der Patientenstammdaten. Die richtige NHS-Nummer der richtigen Person zuzuordnen ist ein Problem der Datensatzverknüpfung (Record Linkage) – Datensätze aus verschiedenen Quellen zu finden, die sich auf dieselbe Entität beziehen –, in England gelöst durch den Personal Demographics Service (PDS), den nationalen demografischen Index, und lokal durch einen Master Patient Index (MPI). Scheitert die Verknüpfung, entstehen Duplikate (eine Person, viele Akten) oder Überlagerungen (zwei Personen zu einer verschmolzen), beide gefährlich.

Die Betriebsdisziplinen, die die Qualität hochhalten, sind Data Governance – der Rahmen aus Entscheidungsrechten und Rechenschaftspflichten für Daten – und die Datenverwalterin (Data Steward), die benannte Rolle, die für Qualität und Eignung einer definierten Datendomäne verantwortlich ist. Zwei Techniken kehren wieder: Datenprofilierung (Data Profiling), das Untersuchen von Daten, um Statistiken über ihren tatsächlichen Zustand zu gewinnen, und Datenbereinigung (Data Cleansing), das Erkennen und Korrigieren fehlerhafter, ungenauer oder doppelter Datensätze. Vorbeugen ist besser als Heilen: Datenvalidierung bei der Erfassung – Validierungsregeln und Einschränkungen, die schlechte Eingaben ablehnen oder hinterfragen, bevor sie ins System gelangen – ist billiger und sicherer als späteres Bereinigen.

Bewährte Praktiken#

1. Definieren Sie Datenqualität in den Dimensionen, die für jeden Datensatz zählen, und messen Sie sie. „Datenqualität verbessern“ ist kein Ziel; „die Vollständigkeit der NHS-Nummer im Notfalldatensatz über die nationale Schwelle heben“ ist eines. Vereinbaren Sie, welche von Genauigkeit, Vollständigkeit, Aktualität, Gültigkeit, Konsistenz und Eindeutigkeit für jeden kritischen Datensatz am wichtigsten sind, setzen Sie messbare Ziele und berichten Sie routinemäßig dagegen. Der NHS Data Quality Maturity Index (DQMI) bietet ein fertiges, vergleichbares Maß für viele nationale Datensätze; nutzen Sie ihn als Baseline und verfolgen Sie eigene lokale Kennzahlen für die Felder, auf die Klinikpersonal und Finanzen tatsächlich angewiesen sind.

2. Validieren Sie bei der Erfassung, nicht in einer nachgelagerten Bereinigung. Der billigste Fehler ist der, der nie ins System gelangt, und die Person, die einen Datensatz am besten korrigieren kann, ist die, die ihn anlegt, solange die Patientin vor ihr steht. Bauen Sie Validierungsregeln, Pflichtfelder, kontrollierte Auswahllisten und die Prüfsummenprüfung der NHS-Nummer in die Formulare und Schnittstellen ein, die das Personal tatsächlich nutzt, und bestätigen Sie die Identität bei der Registrierung gegen den Personal Demographics Service. Jeder bei der Erfassung abgefangene Fehler ist ein Fehler, der nie nachgelagert gefunden, untersucht und rückgängig gemacht werden muss – nachdem er womöglich schon Schaden angerichtet hat.

3. Behandeln Sie die NHS-Nummer als sicherheitskritischen Anker und verifizieren Sie sie überall. Die NHS-Nummer ist die wertvollste einzelne Kennung im System, weil sie der Schlüssel ist, der die Akten einer Person sicher über Organisationen hinweg verknüpft. Verfolgen Sie sie gegen den Personal Demographics Service zurück, validieren Sie ihre Prüfsumme bei der Eingabe und markieren Sie Akten ohne verifizierte Nummer, statt nicht zugeordnete Daten weiterfließen zu lassen. Ein Ergebnis, eine Überweisung oder ein Rezept, das der falschen Nummer zugeordnet ist, ist eine klinische Gefährdung; behandeln Sie die Qualität der NHS-Nummer daher als Kontrolle der Patientensicherheit, überwacht und eskaliert wie jede andere.

4. Etablieren Sie Stammdatenmanagement mit einem Golden Record für jede Kernentität. Entscheiden Sie bewusst, welches System welche Entität führt – Patientinnen, Mitarbeitende, Organisationen, Arzneimittel – und wie ein einziger abgeglichener Golden Record aus den Quellsystemen zusammengesetzt und gepflegt wird. Betreiben Sie einen Master Patient Index, der mit dem nationalen demografischen Dienst abgeglichen wird, und steuern Sie einen kontrollierten, prüfbaren Prozess zum Zusammenführen von Duplikaten und zum Auflösen irrtümlicher Überlagerungen, denn beide Vorgänge berühren Live-Patientenakten und können bei Nachlässigkeit selbst Schaden anrichten. Erstrecken Sie dieselbe Sorgfalt auf Mitarbeitenden- und Organisationsstammdaten, die Zugriffskontrolle, Zahlung und Berichtswesen untermauern (siehe Thema 4.2 — Identitäts- und Zugriffsmanagement und Thema 5.4 — Enterprise Resource Planning (ERP), das die Stammdaten von Unternehmen und Finanzen verantwortet).

5. Benennen Sie Datenverantwortliche und Datenverwalterinnen und geben Sie ihnen echte Befugnis. Datenqualität verfällt ohne klare Rechenschaftspflicht; weisen Sie daher jeder kritischen Datendomäne eine leitende Datenverantwortliche (Data Owner) zu, die dafür rechenschaftspflichtig ist, und einen operativen Data Steward, der überwacht, untersucht und die Korrektur vorantreibt. Stewards brauchen Standing, Werkzeuge und Zeit – nicht eine Zeile, die zu einer ohnehin vollen Stelle hinzugefügt wird – und einen Weg, systemische Probleme (ein defektes Formular, einen verwirrenden Arbeitsablauf, eine Schnittstelle, die Felder verliert) an die zu eskalieren, die die Ursache beheben können. Verantwortung verwandelt Datenqualität aus dem vagen Anliegen aller in die explizite Verantwortung von jemandem.

6. Profilieren Sie, bevor Sie bereinigen, und bereinigen Sie an der Quelle. Profilieren Sie die Daten vor jeder Verbesserung oder Migration, um ihren wahren Zustand zu verstehen – wie viele Datensätze keine NHS-Nummer haben, wie viele Duplikate existieren, welche Felder systematisch falsch kodiert sind –, damit Sie Aufwand dorthin lenken, wo er zählt, statt zu raten. Wenn Sie bereinigen, korrigieren Sie den Datensatz in dem System, das ihn führt, und gehen Sie den Prozess an, der den Fehler erzeugte, nicht nur die Kopie in einem nachgelagerten Data Warehouse, sonst taucht derselbe Mangel einfach wieder auf. Einmalige Bereinigungen, die die Ursache ignorieren, sind ein Laufrad; das Ziel ist, den Hahn zuzudrehen, nicht nur den Boden zu wischen.

7. Übernehmen Sie nationale Informationsstandards und Referenzdaten, statt lokale Codes zu erfinden. Konsistenz über Organisationen hinweg ist nur möglich, wenn alle die Welt gleich klassifizieren, mit national definierten Standards, die über den Prozess des Data Alliance Partnership Board (DAPB) (früher SCCI/ISB-Standards) verbindlich gemacht werden, und Terminologien wie SNOMED CT. Verwalten Sie Referenzdaten und Codelisten unter Versionskontrolle mit einem klaren Aktualisierungsprozess, denn eine still geänderte Wertemenge bricht Trendanalysen und kann nachgelagerte Logik verfälschen. Lokale Erweiterungen sollten die seltene, gesteuerte Ausnahme sein, auf den nationalen Standard zurückgeführt (siehe Thema 4.3 — Interoperabilität und Datenstandards).

8. Machen Sie Datenqualität für die Menschen sichtbar, deren Entscheidungen davon abhängen. Datenqualität verbessert sich, wenn sie gesehen wird – veröffentlichen Sie Qualitätskennzahlen an klinische, operative und finanzielle Teams, damit die Kosten schlechter Daten dort landen, wo die Arbeit geschieht, nicht in einem Datenteam vergraben. Zeigen Sie nachgelagerten Nutzenden Herkunft und bekannte Einschränkungen der Daten, die sie verwenden, damit eine Analystin, ein Zahlungsteam oder ein Modellbauer beurteilen kann, ob sie für ihren Zweck geeignet sind (siehe Thema 10.1 — Key Performance Indicators (KPIs)). Transparenz über Qualität schafft das Vertrauen, das Menschen überhaupt erst Daten nutzen lässt, und das Unbehagen einer sichtbaren roten Kennzahl finanziert oft schließlich die Korrektur.

Fragen zur Diskussion im Team#

1. Welche konkreten Datenfehler in unserer Organisation könnten am plausibelsten einer Patientin schaden, und woran würden wir überhaupt merken, dass sie geschehen? Das rahmt Datenqualität von einer abstrakten Tugend zu einer Sicherheitsfrage mit benannten Gefährdungen um, was die einzige Version ist, die priorisiert wird. Gehen Sie die konkreten Fehlerpfade durch: eine doppelte Akte, die eine Allergie versteckt, eine falsch verifizierte NHS-Nummer, die ein Ergebnis fehlleitet, eine veraltete Kontaktangabe, durch die eine Überweisung mit Zwei-Wochen-Frist die Patientin nie erreicht. Das Schwierige ist die Erkennung – die meisten Datenfehler sind still und werden erst entdeckt, wenn Schaden eintritt oder ein Audit darüber stolpert; debattieren Sie also, ob Sie einen proaktiven Weg haben, sie zu finden, oder sich auf Glück und Beschwerden verlassen. Eine gute, ehrliche Antwort benennt Ihre zwei oder drei Datengefährdungen mit dem höchsten Schadenspotenzial, sagt klar, ob Sie jede derzeit erkennen könnten, und behandelt die Lücken als Risiken der klinischen Sicherheit, die protokolliert und verantwortet werden (siehe Thema 1.6 — Klinische Sicherheit und Risikomanagement), nicht als Ordnung, der man sich irgendwann widmet.

2. Wo ist die einzige Wahrheitsquelle für unsere Kernentitäten – Patientinnen, Mitarbeitende, Organisationen, Arzneimittel – und respektieren unsere Systeme sie tatsächlich? Viele Organisationen stellen beim Hinsehen fest, dass dieselbe Patientin im Patientenverwaltungssystem, im Notfallsystem, im Pathologiesystem und in drei Abteilungsdatenbanken unterschiedlich existiert, ohne Einigkeit, welche maßgeblich ist. Besprechen Sie Entität für Entität, welches System sie führen soll, wie ein Golden Record zusammengesetzt wird und wie Duplikate und Überlagerungen gefunden und gelöst werden – einschließlich wer zwei Akten zusammenführen darf, da dieser Vorgang selbst Schaden anrichten kann. Bringen Sie die Spannung zwischen lokaler Autonomie (Abteilungen, die eine eigene, kontrollierbare Kopie wollen) und systemweiter Sicherheit (eine abgeglichene Wahrheit) ans Licht und seien Sie ehrlich, dass Stammdatenmanagement fortlaufende Betreuung ist, keine einmalige Migration. Eine starke Antwort benennt das führende System für jede Entität, räumt ein, wo es heute keine vereinbarte Wahrheitsquelle gibt, und verpflichtet sich zu einer benannten Verantwortlichen und einem Abgleichsprozess statt zu einer Datenbankbereinigung, die still wieder verrottet.

3. Wenn unsere Daten eine Zahlung, eine nationale Meldung, einen Business Case oder ein KI-Modell speisen, wessen Aufgabe ist es zu wissen, ob sie für diesen Zweck geeignet sind? Für einen Grund erfasste Daten werden ständig für andere wiederverwendet, und Qualität, die für eine klinische Notiz genügt, kann in einem Algorithmus oder einer Finanzierungsformel gefährlich irreführend sein. Debattieren Sie, wer für die Beurteilung der Eignung am Punkt der Wiederverwendung rechenschaftspflichtig ist: Kennen die Analystin, der Finanzleiter oder der Modellbauer Herkunft, Vollständigkeit und bekannte Mängel der Daten, auf die sie sich stützen, oder nehmen sie an, sie seien sauber, weil sie ordentlich aussehen? Bedenken Sie konkrete Fälle – eine Kodierungslücke, die Aktivität und damit Einnahmen still unterschätzt, oder ein demografisches Feld mit verzerrter Fehlstellung, das ein KI-Modell gegen eine Patientengruppe kippt (siehe Thema 8.4 — Governance von KI und aufkommenden Technologien und Thema 1.8 — Datenethik, Einwilligung und öffentliches Vertrauen). Eine gute Antwort stellt fest, dass Eignung für den Zweck an jedem Punkt der Wiederverwendung ausdrücklich beurteilt wird, dass Daten sichtbare Herkunft und Qualitätsvermerke tragen und dass niemand still Zahlen vertraut, deren Grenzen er nie gesehen hat.

4. Verhindern wir Fehler bei der Erfassung, oder schieben wir die Last der Datenqualität still auf ohnehin überlastetes Klinikpersonal? Vorbeugung an der Quelle ist die billigste und sicherste Form von Datenqualität, doch sie steht und fällt mit dem Design der Formulare und Arbeitsabläufe, die das Personal unter Druck tatsächlich nutzt. Besprechen Sie, ob Ihre Erfassungsbildschirme wirklich helfen – Prüfsummenvalidierung, kontrollierte Auswahllisten, PDS-verifizierte Identität, sinnvolle Voreinstellungen – oder ob sie stattdessen Pflichtfelder und Warnungen auf einer geschäftigen Anmeldung anhäufen, bis Menschen lernen, darüber hinwegzuklicken. Hier liegt eine echte Spannung: Zu wenig Validierung lässt schlechte Daten weiterfließen, doch ungeschickte Validierung erzeugt Umgehungen, Platzhalterwerte und Alarmmüdigkeit, die die Daten auf subtilere Weise verfälschen. Schauen Sie, wo Personal „nicht bekannt“ einträgt, eine Voreinstellung wiederverwendet oder eine private Tabelle führt, um einen mühsamen Arbeitsablauf zu vermeiden, denn jedes davon ist ein Signal, dass das System gegen die Arbeit kämpft, statt sie zu unterstützen. Eine ehrliche Antwort behandelt Erfassungsdesign als gemeinsames klinisches, operatives und Datenproblem, testet es mit den Menschen, die es nutzen, und misst, ob Validierung nachgelagerte Fehler tatsächlich verringert, statt sie nur zu verlagern.

5. Haben die Menschen, die wir Datenverantwortliche und Verwalterinnen nennen, Standing, Zeit und Werkzeuge, irgendetwas zu ändern, oder ist Stewardship ein Titel, der auf eine ohnehin volle Stelle geschraubt wurde? Datenqualität verfällt ohne klare Rechenschaftspflicht, doch einen Verantwortlichen auf eine Folie zu schreiben ist nicht dasselbe, wie ihn auszustatten, und Stewardship scheitert leise, wenn die benannte Person weder Befugnis noch Kapazität hat. Debattieren Sie, was Ihre Stewards tatsächlich tun können, wenn sie ein systemisches Problem finden – eine defekte Schnittstelle, die Felder verliert, ein verwirrendes Formular, einen Arbeitsablauf, der Duplikate erzeugt: Können sie es beheben lassen, oder können sie es nur protokollieren und hoffen? Bringen Sie den Zielkonflikt ans Licht zwischen dünner Verteilung von Stewardship auf viele Menschen, die jeweils am Rand ein wenig tun, und ihrer Konzentration in einer kleineren Zahl wirklich ausgestatteter Rollen mit freigeräumter Zeit und bereitgestellten Werkzeugen. Überlegen Sie, ob Stewards einen echten Eskalationsweg zu denen haben, denen die verursachenden Systeme und Prozesse gehören, und ob leitende Datenverantwortliche für die Qualität ihrer Domäne zur Rechenschaft gezogen werden. Eine gute Antwort ist ehrlich, ob Stewardship derzeit real oder zeremoniell ist, und verpflichtet sich zu Befugnis, Zeit und Werkzeugen statt zu einer weiteren unfinanzierten Verantwortung.

6. Wie steuern wir nationale Standards und Referenzdaten im Zeitverlauf, und was geschieht, wenn sich eine Codeliste oder Terminologie unter uns ändert? Referenzdaten und Terminologien wie SNOMED CT werden extern definiert und ändern sich langsam, aber stetig, und eine still aktualisierte Wertemenge kann Trendanalysen brechen oder nachgelagerte Logik verfälschen, ohne dass es jemand bemerkt. Besprechen Sie, ob Ihre Codelisten und Zuordnungen unter Versionskontrolle mit klarem Aktualisierungsprozess stehen oder in undokumentierten Nachschlagetabellen leben, die jemand an Ort und Stelle bearbeitet. Prüfen Sie den Sog, lokale Codes zu erfinden, wenn der nationale Standard sperrig wirkt, und seien Sie ehrlich über die langfristigen Kosten: Lokale Klassifikationen machen Ihre Daten unvergleichbar und nicht aggregierbar mit denen anderer und werden zur dauerhaften Zuordnungslast (siehe Thema 4.3 — Interoperabilität und Datenstandards). Überlegen Sie, wie Sie überhaupt erkennen würden, dass sich ein Referenzwert geändert hat, und wie Sie die Auswirkung auf die Analysen, Zahlungen und Modelle bewerten würden, die davon abhängen. Eine starke Antwort behandelt Referenzdaten als gesteuertes, versioniertes Gut mit einem benannten Prozess zur Übernahme nationaler Änderungen, hält lokale Erweiterungen selten und auf den Standard zurückgeführt und kann nachverfolgen, welche nachgelagerten Nutzungen eine Änderung beträfe.

In der Praxis: ein Beispiel aus Gesundheit und Pflege#

Das Integrated Care System Northmoor betreibt eine gemeinsame Patientenakte über zwei Akut-Trusts, einen Trust für psychische Gesundheit, Gemeindedienste und 60 Hausarztpraxen. Nach einem schweren Vorfall – die schwere Penicillinallergie einer in einem Trust erfassten Patientin war in einem anderen unsichtbar, weil die Akte nicht verknüpft worden war, und der Patientin wurde das Arzneimittel verordnet – behandelt der Vorstand Datenqualität als Priorität der klinischen Sicherheit statt als Hintergrundanliegen. Eine schnelle Überprüfung findet die Ursache in den Stammdaten: Dieselben Patientinnen existieren als Duplikate über Systeme hinweg, und die Verifizierung der NHS-Nummer ist an der Eingangstür uneinheitlich.

Das ICS richtet ein Data-Governance-Forum mit einer benannten leitenden Datenverantwortlichen für Patientenstammdaten und operativen Data Stewards in jedem Anbieter ein. Ihr erster Schritt ist, den Bestand zu profilieren: Sie entdecken, dass die Verifizierung der NHS-Nummer gegen den Personal Demographics Service in einigen Registrierungsabläufen zuverlässig geschieht und in anderen nicht und dass die gemeinsame Akte eine erhebliche Population doppelter und nicht zugeordneter Datensätze enthält. Statt einer Massenbereinigung beheben sie zuerst die Ursache – sie erzwingen PDS-Verifizierung und Prüfsummenvalidierung an jedem Erfassungspunkt –, sodass die Duplikatpopulation aufhört zu wachsen, während sie den Rückstau abarbeiten.

Sie richten einen Master Patient Index ein, der mit dem nationalen demografischen Dienst abgeglichen wird, mit einem kontrollierten, prüfbaren, klinisch beaufsichtigten Prozess zum Zusammenführen von Duplikaten und zum Rückgängigmachen irrtümlicher Überlagerungen, im Wissen, dass beide Vorgänge Live-Akten berühren. Sie übernehmen den NHS Data Quality Maturity Index als externe Baseline für ihre Meldungen nationaler Datensätze und fügen lokale Kennzahlen für die Felder hinzu, auf die Klinikpersonal am meisten angewiesen ist – Allergien, Vollständigkeit der NHS-Nummer, wichtige demografische Angaben – und veröffentlichen sie an die klinischen und operativen Leitungen jedes Anbieters, damit die Zahlen nicht ignoriert werden können.

Achtzehn Monate später zeigt sich die Veränderung in Ergebnissen, nicht nur in Dashboards: Die Verifizierung der NHS-Nummer ist bei der Erfassung nahezu universal, die Duplikatrate sinkt, und Allergieinformationen gleichen sich in der gemeinsamen Akte verlässlich ab. Als das ICS später ein Modell zur Risikostratifizierung der Bevölkerungsgesundheit umreißt, kann das Analytikteam Herkunft und Vollständigkeit der zugrunde liegenden Daten benennen und markieren, wo Fehlstellen das Modell verzerren könnten, weil die Stammdaten und Qualitätskennzahlen nun existieren, um dieses Urteil zu stützen (siehe Thema 4.5 — Daten, Analytik und Management der Bevölkerungsgesundheit). Die unglamouröse Arbeit – ein Governance-Forum, Stewards, Validierung bei der Erfassung, ein MPI – verwandelte ein unsichtbares, schädliches Risiko in ein gesteuertes.

Sektorperspektiven#

Startup#

Ein Startup der digitalen Gesundheit behandelt Datenqualität oft als Zukunftsproblem, konzentriert sich auf Features und nimmt unsaubere Daten in Kauf, um schnell voranzukommen. Bei Gesundheitsdaten ist das ein Fehler, denn eine falsch zugeordnete Patientin oder eine unverifizierte NHS-Nummer ist vom ersten Live-Patienten an ein Sicherheitsproblem, nicht erst vom tausendsten. Bauen Sie Validierung, Prüfsummenprüfung der NHS-Nummer und – wo Sie Zugang haben – Matching gegen den Personal Demographics Service von Anfang an in Ihre Erfassungsabläufe ein, denn Identitätsdisziplin nachzurüsten, wenn Sie bereits einen großen Bestand nicht zugeordneter Datensätze haben, ist schmerzhaft und riskant. Ihre Glaubwürdigkeit bei NHS-Käufern hängt davon ab, zeigen zu können, dass Ihre Daten vertrauenswürdig sind, ihre Herkunft klar ist und Sie deren Stammdaten bei der Integration nicht verschmutzen werden.

Kleines Unternehmen#

Ein etablierter kleiner Anbieter – eine Hausarztpraxis, eine Gemeindeapotheke, ein Pflegeheim oder eine Einzelstandort-Klinik – trägt dieselbe Pflicht, Identität und Allergien richtig zu erfassen, wie ein großer Trust, aber ohne Datenteam und oft ohne eigene IT. Hier ist Stammdatenmanagement kein Plattformprojekt; es ist der disziplinierte Gebrauch der Werkzeuge, die Sie schon haben: die NHS-Nummer bei der Registrierung gegen den Personal Demographics Service zu verifizieren, Demografie aktuell zu halten und keine doppelten Akten in Ihrem klinischen System anwachsen zu lassen. Stützen Sie sich auf die für Sie bereitgestellte nationale Infrastruktur – PDS, SNOMED CT, nationale Organisationscodes –, statt lokale Abkürzungen zu erfinden, denn sie erledigt die schwere Arbeit, die eine kleine Organisation nicht leisten kann. Benennen Sie eine Person als praktische Verantwortliche für Datenqualität, auch wenn es Teil einer breiteren Rolle ist, und nutzen Sie die Validierungs-, Matching- und Deduplizierungsfunktionen Ihres Systemlieferanten, statt unsaubere Daten zu dulden, weil „wir zu klein sind, um uns darum zu sorgen“ – der Schaden durch eine falsche Akte ist derselbe, welche Größe die Organisation auch hat.

Großunternehmen#

Ein großer NHS Trust oder ein ICS betreibt Dutzende Systeme, die jeweils eine eigene Version von Patientinnen, Mitarbeitenden und Organisationen halten; seine zentrale Herausforderung ist daher Abgleich und Stewardship im großen Maßstab. Das realistische Ziel ist ein gesteuerter Master Patient Index und eine kleine Zahl maßgeblicher Golden Records, über Schnittstellen und Validierung durchgesetzt, keine einzelne monolithische Datenbank, die alles ersetzt. Investieren Sie in benannte Datenverantwortliche und Stewards mit echter Befugnis, verknüpfen Sie Stammdaten mit Identitäts- und Zugriffsmanagement und mit Zahlung und behandeln Sie Zusammenführungen und Überlagerungen als klinisch beaufsichtigte Vorgänge, weil sie in dieser Größenordnung Live-Versorgung berühren. Die größten Gewinne kommen aus Vorbeugung bei der Erfassung und konsequent angewandter disziplinierter Übernahme nationaler Standards, nicht aus heroischen periodischen Bereinigungen, die im Moment ihres Endes verfallen.

Regierung#

Eine nationale Stelle – NHS England und die Standardisierungsstellen, die NHS Digital nachfolgten – prägt das Umfeld der Datenqualität, in dem jeder Anbieter arbeitet. Sie betreibt die gemeinsame Infrastruktur, die lokale Qualität möglich macht: den Personal Demographics Service als nationalen demografischen Index, die NHS-Nummer als gemeinsamen Schlüssel, nationale Terminologien und Referenzdaten und den Data Quality Maturity Index, der Leistung zwischen Organisationen vergleichbar macht. Ihr Hebel ist, Informationsstandards über den Prozess des Data Alliance Partnership Board verbindlich zu machen, vergleichbare Qualitätskennzahlen zu veröffentlichen, die Verbesserungsdruck erzeugen, und Referenzdaten zu betreuen, damit alle die Welt gleich klassifizieren. Die Regierung trägt auch die Gleichstellungspflicht: auf verzerrte Fehlstellung zu achten und sicherzustellen, dass Datenqualität Gruppen, deren Akten am unvollständigsten sind, nicht still benachteiligt (siehe Thema 9.1 — Zusammenarbeit mit lokalen und nationalen Regierungen).

Häufige Fehlermuster#

• Ewig bereinigen, nichts beheben. Wiederholte nachgelagerte Bereinigungen, die den Erfassungsprozess nie angehen, sind ein Laufrad; dieselben Duplikate und Fehler tauchen jeden Zyklus wieder auf. Beheben Sie die Ursache an der Quelle.
• Gültig, aber falsch. Ein Datensatz, der die Formatvalidierung besteht, kann dennoch ungenau sein – eine korrekt formatierte, aber falsche NHS-Nummer ist gefährlicher als eine leere, weil sie vertrauenswürdig aussieht. Validieren Sie gegen echte Referenzquellen, nicht nur gegen das Format.
• Keine benannte Verantwortliche. Wenn Datenqualität das Anliegen aller ist, ist sie die Aufgabe von niemandem; Probleme werden in Besprechungen bewundert und nie gelöst. Weisen Sie rechenschaftspflichtige Verantwortliche und befugte Stewards zu.
• Stammdaten aus Versehen. Jedes System eine eigene abweichende Kopie von Patientinnen oder Organisationen halten zu lassen, ohne vereinbarte Wahrheitsquelle, garantiert Inkonsistenz und gefährliche Duplikate. Entscheiden Sie bewusst, was jede Entität führt.
• Rücksichtslose Zusammenführungen und Überlagerungen. Zwei Akten zusammenzuführen oder eine irrtümlich verschmolzene zu trennen berührt Live-Klinikdaten; ohne Kontrolle oder klinische Aufsicht kann es kritische Information verbergen oder falsch zuordnen. Machen Sie daraus einen prüfbaren, beaufsichtigten Prozess.
• Lokale Codes, die die Vergleichbarkeit brechen. Lokale Klassifikationen statt nationaler Standards zu erfinden macht Daten unvergleichbar und nicht aggregierbar und verfälscht Trendanalysen, wenn sie sich still ändern. Übernehmen und versionieren Sie nationale Referenzdaten.
• Stille Wiederverwendung. Daten unbekannter Qualität in Zahlungen, nationale Meldungen oder KI-Modelle zu speisen, ohne Herkunft und Grenzen zu benennen, pflanzt verborgene Fehler im großen Maßstab fort. Machen Sie die Eignung für den Zweck an jedem Punkt der Wiederverwendung zu einem ausdrücklichen Urteil.

Reifegradmodell#

Checkliste#

• Kritische Datensätze haben vereinbarte Qualitätsdimensionen, messbare Ziele und routinemäßige Berichterstattung, wo möglich am DQMI verglichen.
• Die NHS-Nummer wird an jedem Erfassungspunkt per Prüfsumme validiert und gegen den Personal Demographics Service verifiziert.
• Jede Kernentität (Patientin, Mitarbeitende, Organisation, Arzneimittel) hat ein benanntes führendes System und einen Golden Record.
• Ein Master Patient Index wird mit dem nationalen demografischen Dienst abgeglichen, mit einem prüfbaren, klinisch beaufsichtigten Prozess für Zusammenführung und Überlagerung.
• Jede kritische Datendomäne hat eine benannte Datenverantwortliche und einen befugten Data Steward mit Werkzeugen und Eskalationsweg.
• Daten werden vor Migration oder Verbesserung profiliert, und die Bereinigung behebt das Quellsystem und den verursachenden Prozess, nicht nur nachgelagerte Kopien.
• Nationale Informationsstandards und Terminologien (über den DAPB-Prozess, SNOMED CT) sind übernommen, und Referenzdaten sind versionskontrolliert.
• Kennzahlen zur Datenqualität werden an die klinischen, operativen und finanziellen Teams veröffentlicht, deren Entscheidungen von den Daten abhängen.
• Herkunft und bekannte Qualitätsgrenzen begleiten Daten, wenn sie für Zahlung, nationale Meldungen, Forschung oder KI wiederverwendet werden.
• Datenqualitätsgefährdungen mit hohem Schadenspotenzial sind als Risiken der klinischen Sicherheit protokolliert und verantwortet, mit einem Mittel zur proaktiven Erkennung.

Zentrale Quellen#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — ein monatliches, vergleichbares Maß der Datenqualität über nationale Datensätze hinweg.
• NHS England — Personal Demographics Service (PDS) und Leitlinien zur NHS-Nummer — der nationale demografische Index und die primäre Patientenkennung.
• NHS England — Information standards, veröffentlicht über den Prozess des Data Alliance Partnership Board (DAPB) (früher SCCI/ISB-Standards).
• DAMA International — DMBOK (Data Management Body of Knowledge) — der anerkannte Rahmen für Data Governance, Qualität und Stammdatenmanagement.
• SNOMED International / NHS England — klinische Terminologie SNOMED CT und dm+d (dictionary of medicines and devices) für Arzneimittelstamm- und Referenzdaten.
• HM Government — Data Standards Authority und das Government Data Quality Framework — behördenübergreifende Leitlinien zu Datenqualitätsdimensionen und Stewardship.
• National Data Guardian — Caldicott-Prinzipien — zur angemessenen Nutzung und Qualität vertraulicher Patienteninformationen.

Referenzen#

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