Tema 4.5 — Datos, analítica y gestión de la salud poblacional

En la salud y la atención, la analítica solo vale la pena construirla si cambia una decisión, una vía, o una vida —convirtiendo los datos en ideas que llegan a las personas que más las necesitan, y haciéndolo de formas en las que el público pueda confiar.

Por qué esto importa en la salud y la atención#

El Tema 4.3 — Interoperabilidad y estándares de datos trata sobre mover datos de forma segura entre sistemas para que lleguen donde se necesitan. Este tema trata sobre qué sucede después: convertir esos datos en ideas, e ideas en acción. Los dos son fáciles de confundir y costosos de mezclar. Puedes tener una interoperabilidad impecable y aun así tomar malas decisiones, y puedes tener analítica rica que nunca toque la atención de un solo paciente.

La analítica en la salud y la atención lleva un peso que la analítica en el comercio minorista o la logística no tiene. Cuando segmentas una población y diriges una intervención, estás decidiendo cuya revisión de asma sucede primero, qué personas mayores frágiles reciben una llamada proactiva antes de una crisis invernal, y dónde gasta un equipo comunitario sobrecargado sus horas finitas. Equivoca el análisis —un modelo de riesgo sesgado, una brecha de calidad de datos que subcuenta un vecindario desfavorecido, un panel que halaga el rendimiento— y puedes ampliar las mismas desigualdades que pretendías cerrar. Las consecuencias son clínicas y éticas, no meramente comerciales.

La confianza pública es la otra restricción que hace distintivo este dominio. Las personas generalmente están dispuestas a que sus datos mejoren la atención y apoyen la investigación, pero solo cuando pueden ver que se maneja de forma segura, legal, y para propósitos legítimos. El fracaso del programa care.data en Inglaterra en 2014, abandonado después de que el público y los clínicos perdieran la confianza en cómo se extraerían y usarían los datos, sigue siendo la historia aleccionadora que cada líder de analítica de salud debería conocer. La confianza, una vez perdida, es lenta y costosa de reconstruir, y limita lo que puedes hacer durante años después. Así que el "cómo" de la analítica —la plataforma, la vía de acceso, la gobernanza, la transparencia— no es fontanería administrativa. Es parte del acuerdo de seguridad clínica, equidad, y confianza pública que atraviesa todo este libro.

Conceptos clave#

La inteligencia de negocio es el conjunto de prácticas y tecnologías para analizar datos e informar decisiones —paneles, informes, y las consultas que están detrás de ellos. Descansa en el análisis de datos presentado a través de una buena visualización de datos, porque un gráfico que un clínico o director ocupado puede leer en segundos vence a una tabla que nadie abre.

Una forma útil de describir la ambición analítica es la escalera de madurez: analítica descriptiva (qué sucedió), analítica diagnóstica (por qué sucedió), analítica predictiva (qué es probable que suceda a continuación), y analítica prescriptiva (qué deberías hacer al respecto). La mayoría de las organizaciones pasan la mayor parte de su tiempo en el primer escalón, y a menudo ese es el lugar correcto para estar —una imagen descriptiva confiable, en la que se confía y sobre la que se actúa, vale más que un modelo predictivo frágil que nadie usa.

Sustentando todo esto hay una plataforma de datos. Un almacén de datos almacena datos estructurados y modelados para reportes; un lago de datos almacena datos en crudo de cualquier forma para procesamiento posterior; el patrón "lakehouse" mezcla los dos. Cualquiera que elijas, la plataforma solo es tan confiable como su calidad de datos —la completitud, precisión, oportunidad, y consistencia de los registros subyacentes— y su gobernanza de datos, el marco responsable de propiedad, definiciones, y decisiones de acceso que mantiene los datos aptos para el uso. Estrechamente relacionada está la gestión de datos maestros —mantener una única versión autorizada de datos de referencia centrales como pacientes, personal, y organizaciones— para que la analítica no se fracture a través de identificadores inconsistentes.

La gestión de salud poblacional es la disciplina aplicada en el corazón de este tema: usar datos vinculados para entender la salud de una población definida, segmentarla en grupos con necesidades similares, estratificar el riesgo, y dirigir intervenciones hacia aquellos que más se beneficiarán. Hecho bien, es una de las herramientas más afiladas disponibles para abordar la equidad en salud —dirigir la atención proactiva hacia grupos poco atendidos en lugar de esperar a que se presenten en crisis. Nada de esto funciona sin alfabetización de datos —la capacidad de líderes, clínicos, y analistas por igual de leer, cuestionar, y actuar sobre los datos honestamente.

Finalmente, un Entorno Seguro de Datos (SDE) —internacionalmente, un Entorno de Investigación Confiable (TRE)— es la vía controlada a través de la cual investigadores y planificadores analizan datos sensibles. En lugar de copiar datos hacia el analista, el analista es llevado a los datos dentro de un entorno seguro y auditado, y solo salen resultados agregados y no identificantes. Este es el modelo que reconcilia la ambición analítica con la confianza pública discutida en el Tema 1.8 — Ética de datos, consentimiento y confianza pública.

Buenas prácticas#

1. Comenzar desde la decisión, no los datos. Antes de encargar un panel o un modelo, nombra la decisión que cambiará, quién posee esa decisión, y qué harán diferente una vez que vean la idea. Si no puedes responder esas preguntas, estás construyendo un informe sobre el que nadie actuará. Esta disciplina —trabajar hacia atrás desde la acción prevista— es la defensa individual más confiable contra la proliferación de analítica no usada, y se conecta directamente con los hábitos de evidencia-en-acción del Tema 1.3 — Decisiones basadas en evidencia.

2. Escalar la escalera de analítica deliberadamente, no por reflejo. La analítica descriptiva y diagnóstica responde a la mayoría de las preguntas operativas y es más barata, más explicable, y más confiable que el trabajo predictivo o prescriptivo. Recurre a un modelo predictivo solo cuando una decisión genuinamente necesita previsión y puedes actuar sobre la predicción a tiempo para que importe. Una puntuación de riesgo que identifica pacientes a los que no tienes capacidad de ayudar es un ejercicio académico, no gestión de salud poblacional.

3. Tratar la calidad de datos como un producto de primer nivel, no una idea de limpieza posterior. Mide la completitud, precisión, y oportunidad de tus flujos de datos clave, publica esas medidas, y responsabiliza a propietarios nombrados por ellas. La mala codificación de etnia, privación, o discapacidad no es una nota técnica al pie —oculta sistemáticamente las poblaciones que más necesitas ver, así que las brechas de calidad se convierten en brechas de equidad. Arregla la calidad de datos en la fuente en los sistemas operativos siempre que puedas, porque la corrección aguas abajo es interminable y tiene pérdidas.

4. Operar un modelo operativo explícito de analista e ingeniería de datos. Separa el trabajo de diseñar pipelines de datos fiables y bien modelados del trabajo de analizar e interpretar. Adopta definiciones compartidas, control de versiones, revisión por pares del código analítico, y métodos reproducibles para que un número signifique lo mismo para todos y pueda regenerarse bajo demanda. El movimiento inglés de "Pipelines Analíticos Reproducibles" en el sector público es un modelo práctico que vale la pena tomar prestado.

5. Habilitar el autoservicio, pero gobernar las definiciones centralmente. Deja que los equipos exploren datos y construyan sus propias vistas, porque un equipo central nunca podrá responder cada pregunta lo suficientemente rápido. Protégete contra la fragmentación curando una capa semántica gobernada —conjuntos de datos certificados y definiciones acordadas de métricas como "lista de espera" o "ingreso evitable"— para que el autoservicio multiplique las ideas en lugar de multiplicar el desacuerdo sobre qué significan los números.

6. Usar la gestión de salud poblacional para apuntar a la equidad, y verificar el sesgo. Segmenta tu población y estratifica el riesgo para dirigir la atención proactiva hacia aquellos que más se beneficiarán, incluyendo deliberadamente grupos que históricamente se presentan tarde o no se presentan en absoluto. Interroga cada modelo en busca de sesgo: si una herramienta de estratificación de riesgo subpuntúa a un grupo desfavorecido o de minoría étnica porque sus datos son más escasos, silenciosamente desviará recursos lejos de ellos. Audita los resultados por característica protegida y privación, no solo agregados.

7. Hacer de los Entornos Seguros de Datos la vía predeterminada hacia datos sensibles. Para la investigación, la planificación, y el uso secundario, lleva a los analistas a los datos dentro de un SDE o TRE en lugar de extraer copias. Esto reduce tu superficie de ataque, crea un rastro de auditoría completo, y da al público una historia defendible y transparente sobre cómo se usan sus datos. Publica quién tiene acceso, con qué propósito, y bajo la aprobación de quién, vinculando tu enfoque a la gobernanza cubierta en el Tema 1.7 — Gobernanza de la información, protección de datos y ciberseguridad.

8. Cerrar el bucle desde la analítica hasta los resultados y el valor. Para cada producto analítico significativo, rastrea si sucedió la acción prevista y si mejoró el resultado —no solo si se vio el panel. Retira los productos que ya no cambian decisiones. Donde puedas, conecta la idea analítica al valor medido usando los métodos del Tema 6.1 — Economía de la salud, para que la inversión en plataformas de datos se justifique por resultados en lugar de por actividad.

9. Gestionar la calidad de datos como una disciplina medida, porque la analítica y la IA heredan cada defecto debajo de ellas. Define y monitorea la completitud, precisión, oportunidad, y validez de tus flujos de datos críticos, establece umbrales, y actúa cuando se deslicen en lugar de descubrir la brecha en un informe de junta directiva. Un modelo o panel no puede elevarse por encima de los registros que lo alimentan, así que trata la calidad como una función operativa continua con propietarios nombrados, no una limpieza única antes de un proyecto. Esto importa más para los campos que llevan equidad —etnia, privación, discapacidad— donde la codificación escasa o inconsistente distorsiona silenciosamente cada conclusión aguas abajo.

10. Establecer la gestión de datos maestros para tus datos de referencia centrales. Mantén una única versión autorizada de las entidades a las que todo lo demás se une —pacientes indexados según el NHS Number, personal, y organizaciones— con administración clara sobre cómo se crea, coincide, y retira cada uno. Sin esto, el mismo paciente aparece bajo varios identificadores y el mismo servicio bajo varios nombres, así que la analítica se fractura y los totales nunca reconcilian. Invertir en datos maestros confiables es poco glamoroso, pero a escala un único identificador ambiguo puede desviar la atención y tergiversar el rendimiento en todo un sistema.

Preguntas para debatir con tu equipo#

1. ¿Cuáles de nuestros paneles e informes notaría alguien si los apagáramos mañana —y qué nos dice la respuesta? La mayoría de los patrimonios de analítica se acumulan durante años, y una gran parte de lo que producen se ve raramente o nunca. Esta pregunta obliga a un inventario honesto: para cada producto significativo, ¿puedes nombrar la decisión que informa, la persona que posee esa decisión, y la última vez que cambió una? Apagar, u ofrecer apagar, es un diagnóstico rápido —el clamor genuino revela lo que importa, el silencio revela lo que no. Los equipos que prosperan son implacables al retirar lo no usado, porque cada panel muerto todavía consume mantenimiento, erosiona la confianza cuando sus números derivan, y entierra los informes que importan. Reasignar ese esfuerzo liberado hacia un puñado de productos bien usados y bien gobernados casi siempre eleva el valor de todo el patrimonio. Cuidado con el reflejo de mantener todo "por si acaso" —ese reflejo es exactamente cómo llegas a una analítica sobre la que nadie actúa.

2. ¿Hace nuestra analítica más visibles las desigualdades en salud, o las oculta? Las métricas agregadas —un único tiempo de espera de todo el fideicomiso, una tasa general de vacunación— pueden parecer tranquilizadoras mientras ocultan disparidades marcadas debajo. La prueba es si tus productos estándar desglosan los resultados por privación, etnia, discapacidad, y otras características relevantes, y si tus datos son lo suficientemente buenos para hacerlo honestamente. Si la etnia está mal codificada o la privación no está vinculada, tu analítica está estructuralmente ciega a las poblaciones que más necesitas alcanzar, y esa ceguera dará forma a dónde fluyen los recursos. Discute dónde tu calidad de datos actual falla al análisis de equidad, y qué se necesitaría para arreglarlo en la fuente. Considera también si tus modelos predictivos se han verificado por sesgo contra grupos poco atendidos. Esta conversación conecta tu analítica directamente con el eje de equidad del libro y con la ética del Tema 1.8 — Ética de datos, consentimiento y confianza pública.

3. Si un periodista preguntara cómo usamos los datos de los pacientes para analítica e investigación, ¿podríamos dar una respuesta clara, honesta, y tranquilizadora hoy? La confianza pública es la licencia de la que depende todo uso secundario de datos de salud, y es más fácil de perder que de ganar. Trabaja a través de la respuesta real: dónde se sitúan los datos, quién puede acceder, a través de qué aprobación, para qué propósitos, y cómo un miembro del público lo averiguaría. Si la respuesta honesta implica copias de datos identificables dispersas en hojas de cálculo y unidades compartidas, tienes tanto un problema de seguridad como un problema de confianza. Contrasta eso con un enfoque de Entorno Seguro de Datos, donde el acceso está controlado, auditado, y es publicable. Discute qué necesitaría cambiar tu organización para estar genuinamente cómoda con el escrutinio público —antes de que un incidente fuerce la pregunta. Recuerda care.data: la tecnología no fue el punto de fallo; el fallo fue la confianza pública en cómo se usarían los datos.

4. Cuando recurrimos a un modelo predictivo, ¿podemos realmente actuar sobre lo que nos dice —y nos hemos ganado el derecho de confiar en la capa descriptiva debajo de él? Es tentador equiparar la madurez analítica con la sofisticación, y tratar el trabajo "impulsado por IA" o predictivo como el destino. Pero una puntuación de riesgo que identifica pacientes a los que no tienes capacidad de contactar es un ejercicio académico, y un modelo predictivo construido sobre una base descriptiva inestable simplemente automatiza errores existentes a velocidad. Interroga cada modelo propuesto frente a dos pruebas: ¿hay una decisión real que genuinamente necesita previsión en lugar de una imagen retrospectiva confiable, y existe la capacidad operativa para actuar sobre la predicción a tiempo para cambiar un resultado? Una respuesta honesta nombra la intervención específica que la predicción desencadenará y el equipo que la entregará, y es franca sobre si los escalones descriptivo y diagnóstico son lo suficientemente confiables para construir sobre ellos. Escalar la escalera deliberadamente, escalón por escalón, generalmente entrega más valor que saltar hasta arriba y descubrir que nada captura la caída.

5. ¿Estamos de acuerdo en qué significan realmente nuestros números centrales —y dónde darían dos equipos respuestas diferentes a la misma pregunta? A medida que se extiende la analítica de autoservicio, el riesgo cambia de tener muy pocos números a tener demasiadas versiones de cada uno: la "lista de espera", el "ingreso evitable", el "paciente activo" divergen silenciosamente entre paneles hasta que las reuniones discuten de quién es la cifra correcta en lugar de qué hacer. Prueba esto concretamente pidiendo a dos equipos que produzcan la misma métrica titular independientemente y comparando no solo la respuesta sino la definición y la consulta detrás de ella. La conversación honesta saca a la luz dónde faltan una capa semántica gobernada y conjuntos de datos certificados, y dónde las definiciones centrales no han mantenido el ritmo con la invención local. La disyuntiva es real —controla demasiado fuerte y estrangulas la exploración que hace valiosa la autoservicio; déjalo sin gobernar y la idea se fragmenta en desacuerdo. Una respuesta madura describe qué métricas están certificadas y poseídas centralmente y cuáles se dejan deliberadamente abiertas para la exploración local, en lugar de fingir que todo el patrimonio puede ser uno u otro.

6. ¿Estamos arreglando la calidad de datos donde se crea, o corrigiéndola interminablemente aguas abajo? Cada panel y modelo hereda los defectos de los registros operativos debajo de él, así que las decisiones de analítica más consecuentes a menudo se toman mucho más arriba —en cómo se codifica una condición en el punto de atención, o si el mismo paciente y servicio resuelven a un único identificador. Discute dónde tu organización actualmente parchea la calidad en la capa de reporte, y qué se necesitaría para arreglar esos problemas en la fuente en su lugar, reconociendo que la corrección aguas abajo es tanto interminable como con pérdidas. Esto es inseparable de la gestión de datos maestros: sin una única versión autorizada de pacientes, personal, y organizaciones, los totales nunca reconcilian y la misma persona se fractura entre registros. Las consecuencias de equidad son más altas para los campos que son más difíciles de codificar bien —etnia, privación, discapacidad— donde la captura escasa o inconsistente distorsiona silenciosamente cada conclusión aguas abajo. Una respuesta honesta nombra quién posee la calidad para cada flujo crítico, si esa propiedad alcanza los sistemas operativos, y dónde la ausencia de datos de referencia confiables está socavando silenciosamente los números.

En la práctica: un ejemplo de salud y atención#

Un Consejo de Atención Integrada (ICB) en una región mixta urbana y costera quiere reducir los ingresos no planificados entre las personas que viven con fragilidad, y hacerlo sin ampliar la brecha entre su próspera ciudad de mercado y sus desfavorecidas parroquias costeras.

El equipo de salud poblacional comienza con un conjunto de datos vinculado extraído de la atención primaria, servicios comunitarios, y registros hospitalarios, analizado dentro del Entorno Seguro de Datos de la región para que ningún extracto identificable salga del entorno controlado. Segmentan la población de más de 65 años y estratifican el riesgo de fragilidad, pero antes de dirigirse a nadie ejecutan una verificación de equidad. Revela que el modelo está subpuntuando a los residentes de las parroquias costeras, porque esas consultas han codificado históricamente las condiciones a largo plazo de forma menos completa —una brecha de calidad de datos disfrazada de menor necesidad. En lugar de proceder con una puntuación sesgada, el equipo encarga un impulso enfocado de mejora de codificación en las consultas afectadas y ajusta el modelo, tratando la corrección de calidad de datos como parte de la intervención misma.

Con una estratificación de riesgo más justa en marcha, identifican aproximadamente 1,400 personas de alto riesgo que aún no son conocidas por los servicios comunitarios. Un equipo multidisciplinario ofrece revisiones proactivas, comenzando deliberadamente con las parroquias costeras. Fundamentalmente, la analítica no se detiene en la focalización. Un panel descriptivo simple rastrea, por parroquia y decil de privación, cuántas revisiones proactivas sucedieron y cómo se movieron los ingresos durante los siguientes seis meses —cerrando el bucle desde la idea hasta la acción hasta el resultado. Cuando las revisiones de una localidad se estancan, el panel lo saca a la luz temprano, y el equipo investiga en lugar de esperar el informe de fin de año. Trabajando con los colegas de finanzas y economía de la salud del ICB, traducen los ingresos evitados en un caso de valor que justifica continuar el programa. No se necesitó magia predictiva más allá de una puntuación de riesgo bien gobernada; el valor vino de la calidad de datos, la disciplina de equidad, una vía de acceso confiable, y un seguimiento implacable.

Perspectivas sectoriales#

Startup#

Una startup de tecnología de salud generalmente vive o muere por una afirmación analítica estrecha —que su herramienta identifica a los pacientes correctos, o mejora un resultado— así que su prioridad es la evidencia, no la amplitud. Construye un pipeline delgado y reproducible e instrumenta tu producto para medir si cambia decisiones y resultados, porque esa evidencia es lo que exigirán clientes y reguladores. Resiste la tentación de prometer en exceso capacidad predictiva o "impulsada por IA" antes de que los fundamentos descriptivos y la calidad de datos sean sólidos. Cuando manejes datos del NHS o de atención, espera trabajar dentro del Entorno Seguro de Datos del cliente o cumplir con una gobernanza equivalente; tratar eso como una restricción de diseño de primer nivel, en lugar de una sorpresa tardía, a menudo es lo que separa a las startups que escalan de las que se estancan.

Pequeña empresa#

Un proveedor pequeño y establecido —una consulta de médico de cabecera, una farmacia comunitaria, una residencia de cuidados, una clínica de un solo emplazamiento— generalmente tiene pacientes reales y deberes estatutarios pero ningún analista o equipo de datos dedicado, así que el objetivo práctico es una imagen descriptiva confiable, no una escalera de madurez. Apóyate en la analítica ya incorporada en los sistemas que ya operas y en conjuntos de datos y paneles nacionales o proporcionados por el ICB de confianza en lugar de establecer una plataforma que no puedas mantener. Arregla la calidad de datos en la fuente en tu propia codificación operativa, porque esa es la única palanca completamente bajo tu control y es lo que alimenta cada modelo regional de tu población. Cuando debas compartir datos para salud poblacional o investigación, usa el Entorno Seguro de Datos del ICB o uno nacional en lugar de enviar extractos por correo electrónico, lo que te mantiene en cumplimiento con los mismos deberes que las grandes organizaciones sin necesitar sus recursos. Una única métrica bien elegida sobre la que realmente actúas —una lista de pacientes atrasados en una revisión— vence a una suite de informes que nadie tiene tiempo de abrir.

Gran organización#

Un gran proveedor o integrador de sistemas típicamente tiene el problema opuesto: demasiadas plataformas, demasiadas definiciones en conflicto, y una larga cola de informes heredados. La tarea empresarial es la consolidación y la gobernanza —una capa semántica curada, conjuntos de datos certificados, y un modelo operativo claro de analista e ingeniería de datos— para que el autoservicio multiplique la idea en lugar de multiplicar el desacuerdo. Invierte en el trabajo poco glamoroso de la calidad de datos y las definiciones maestras, porque a escala empresarial una única métrica ambigua puede desviar millones de libras. Protégete contra el imperio de paneles midiendo el uso y retirando lo no usado. Equilibra los estándares centrales con la autonomía local, o estrangularás la innovación o perderás el control de los números.

Gobierno#

Los organismos nacionales y regionales cargan con un rol de administración que las organizaciones privadas no tienen: establecen los estándares, operan los Entornos Seguros de Datos más grandes, y responden ante el público por cómo se usan los datos poblacionales. Las prioridades son la legitimidad y la equidad —reglas de acceso transparentes, estándares de calidad de datos publicados, y analítica que activamente saca a la luz las desigualdades en toda la población. El gobierno también está singularmente posicionado para reducir la duplicación, proporcionando conjuntos de datos nacionales confiables y pipelines reproducibles sobre los que cada equipo local puede construir en lugar de reinventar. La lección principal de care.data es que la participación pública no es una idea de último momento de comunicación sino una entrada de diseño; muévete más rápido de lo que la confianza permite y retrasas toda la agenda por años.

Modos de fallo comunes#

• Paneles sobre los que nadie actúa. Analítica construida para mostrar datos en lugar de cambiar una decisión, proliferando hasta que lo útil se entierra bajo lo ignorado.
• Resolver para la herramienta, no la pregunta. Comprar una plataforma o una capacidad de aprendizaje automático antes de saber qué decisiones debe mejorar.
• Ceguera de calidad de datos. Presentar números confiados construidos sobre datos incompletos o sesgados, especialmente donde la mala codificación de etnia o privación oculta a grupos poco atendidos.
• Proliferación de extractos. Copias de datos sensibles dispersas en hojas de cálculo y unidades, creando tanto un riesgo de seguridad como una responsabilidad de confianza pública que un Entorno Seguro de Datos habría evitado.
• Deriva de definiciones. La misma métrica significa cosas diferentes en diferentes informes, así que las reuniones discuten de quién es el número correcto en lugar de qué hacer.
• Teatro predictivo. Construir modelos sofisticados que la organización no tiene capacidad de actuar sobre ellos, o que silenciosamente codifican sesgo contra las poblaciones más necesitadas.
• Moverse más rápido que la confianza. Perseguir la ambición analítica sin participación pública, y perder la licencia social de la que depende todo uso secundario de datos.
• Idea sin bucle. Nunca verificar si sucedió la acción prevista o mejoró el resultado, así que nadie aprende y nada se retira.

Modelo de madurez#

Lista de verificación#

• Cada producto analítico significativo nombra la decisión que cambia y quién posee esa decisión.
• Las métricas de calidad de datos (completitud, precisión, oportunidad) se miden, poseen, y publican para flujos clave.
• La codificación de etnia, privación, y discapacidad es suficientemente buena para apoyar un análisis honesto de equidad —y se mejora donde no lo es.
• Una capa semántica gobernada define métricas centrales consistentemente a través de herramientas de autoservicio.
• El código analítico tiene control de versiones, revisión por pares, y es reproducible.
• Los datos sensibles para investigación y planificación se acceden a través de un Entorno Seguro de Datos, no se copian fuera.
• Los modelos de estratificación de riesgo y predictivos se auditan por sesgo contra grupos poco atendidos.
• Los informes estándar desglosan los resultados por privación y características protegidas relevantes.
• Cada producto rastrea si sucedió la acción prevista y mejoró el resultado.
• Los paneles e informes no usados se revisan y retiran según un ciclo regular.
• Existe una explicación orientada al público de cómo se usan los datos del paciente para analítica, y es honesta.
• Un programa de alfabetización de datos apoya a líderes y clínicos, no solo a analistas.

Fuentes clave#

• NHS England — recursos de Population Health Management y el Programa de Desarrollo de Gestión de Salud Poblacional.
• NHS England — directrices de política Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — estrategia y orientación Reproducible Analytical Pipelines (RAP).
• The Health Foundation y The King's Fund — análisis de gestión de salud poblacional y desigualdades en salud.
• Understanding Patient Data — recursos públicos sobre entornos de investigación confiables y las lecciones de care.data.
• Data Saves Lives — la estrategia de datos de Inglaterra para la salud y atención social.

Referencias#

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