Tema 4.9 — Calidad de datos y gestión de datos maestros

En la salud y la atención, un número de NHS incorrecto, una alergia faltante, o un registro de paciente duplicado no es un problema de orden de datos sino un peligro clínico, un error de pago, y un defecto de investigación, así que la calidad de datos y la gestión de datos maestros deben ejecutarse como disciplinas gestionadas con propietarios nombrados —no dejarse al azar en el punto de captura.

Por qué esto importa en la salud y la atención#

Cada decisión clínica descansa en datos que alguien registró antes: una alergia marcada, un resultado archivado, una medicación conciliada, una identidad confirmada. Cuando esos datos son precisos, completos, y adjuntos a la persona correcta, la atención fluye de forma segura. Cuando están equivocados, ausentes, o adjuntos a la persona equivocada, el sistema hace exactamente lo que se le dice —y daña a alguien. Un registro duplicado oculta una alergia crítica en la ficha que el clínico no está mirando; un número de NHS mal tecleado envía un resultado al archivo del paciente equivocado; una dirección obsoleta significa que una invitación de detección de cáncer nunca llega. Estos no son hipotéticos: los incidentes de seguridad del paciente que involucran identificación errónea y confusión de registros son un tema recurrente en el reporte nacional de seguridad.

La calidad de datos es por tanto una cuestión de seguridad clínica antes de ser una analítica (véase el Tema 1.6 — Seguridad clínica y gestión de riesgos). También es una cuestión de dinero público y equidad. El NHS paga a los proveedores, planifica servicios, y los responsabiliza en base a lo que dicen los datos que sucedió; si la actividad está subregistrada o mal codificada, se paga al proveedor equivocado la cantidad equivocada y las decisiones de encargo descansan en una imagen distorsionada. La analítica de salud poblacional, la validación de listas de espera, y el trabajo de desigualdades en salud todos heredan la calidad de los registros subyacentes (véase el Tema 4.5 — Datos, analítica, y gestión de la salud poblacional).

Los riesgos aumentan bruscamente a medida que los datos se reutilizan. Un registro capturado una vez en una recepción ocupada puede luego entrenar un algoritmo, justificar un caso de negocio, alimentar un conjunto de datos nacional, y resolver una disputa de pago. La vieja máxima —basura entra, basura sale— se ha convertido en basura entra, daño sale, porque los datos deficientes ahora se propagan automáticamente y a escala hacia modelos de inteligencia artificial y decisiones automatizadas (véase el Tema 8.4 — Gobernanza de la IA y tecnología emergente). Y los datos maestros —los hechos compartidos y de cambio lento sobre quiénes son los pacientes, personal, organizaciones, y medicamentos— son el tejido conectivo que permite a docenas de sistemas coincidir en que están hablando de la misma persona. Equivoca los datos maestros y cada sistema río abajo hereda la confusión.

Conceptos clave#

La calidad de datos es el grado en que los datos son aptos para sus usos previstos en operaciones, toma de decisiones, y planificación. Se evalúa convencionalmente a través de un conjunto de dimensiones. La precisión es si los datos describen correctamente la cosa del mundo real que representan; la completitud es si los datos requeridos están presentes; la puntualidad es si están disponibles cuando se necesitan y reflejan el estado actual; la validez es si se ajustan al formato, tipo, y rango definidos; la consistencia es si concuerdan consigo mismos y con otras fuentes; y la unicidad es si cada entidad del mundo real aparece una y solo una vez. Un registro puede ser válido (correctamente formateado) pero inexacto (equivocado), así que las dimensiones son complementarias, no intercambiables.

La gestión de datos maestros (MDM) es la disciplina por la cual el negocio y la tecnología juntos aseguran la uniformidad, precisión, administración, y responsabilidad de los datos maestros compartidos de una organización —las entidades centrales que muchos sistemas referencian: pacientes, personal, organizaciones, sitios, y medicamentos. La aspiración de MDM es un registro dorado: una versión única, confiable, y conciliada de cada entidad, ensamblada a partir de muchos sistemas fuente, que actúa como la referencia autoritativa. Esto está estrechamente relacionado con la idea de una fuente única de verdad —la práctica de dominar cada elemento de datos en exactamente un lugar autoritativo para que todo lo demás se refiera de vuelta a él en lugar de mantener su propia copia divergente.

Los datos de referencia son un subtipo específico e importante. Los datos de referencia son datos usados para clasificar o categorizar otros datos —listas de códigos, conjuntos de valores, códigos de organización, unidades de medida— que típicamente se definen externamente y cambian lentamente. En la salud y la atención esto incluye terminologías clínicas como SNOMED CT y códigos nacionales de organización y sitio; los estándares para estos se poseen nacionalmente y se exigen como estándares de información (la interoperabilidad e intercambio se cubren en el Tema 4.3 — Interoperabilidad y estándares de datos, que este tema no repite).

El número de NHS es el identificador único primario del paciente en Inglaterra, Gales, y la Isla de Man —un número de diez dígitos con una suma de verificación que permite a los sistemas detectar un dígito mal tecleado. Es el ancla para los datos maestros del paciente. Adjuntar el número de NHS correcto a la persona correcta es un problema de vinculación de registros —encontrar registros a través de diferentes fuentes que se refieren a la misma entidad— resuelto en Inglaterra a través del Personal Demographics Service (PDS), el índice demográfico nacional, y localmente a través de un Master Patient Index (MPI). Cuando la vinculación falla obtienes duplicados (una persona, muchos registros) o superposiciones (dos personas fusionadas en una), ambos peligrosos.

Las disciplinas operativas que mantienen alta la calidad son la gobernanza de datos —el marco de derechos de decisión y responsabilidades para los datos— y el administrador de datos, el rol nombrado responsable de la calidad y aptitud de un dominio de datos definido. Reaparecen dos técnicas: el perfilado de datos, examinar los datos para recopilar estadísticas sobre su condición real, y la limpieza de datos, detectar y corregir registros corruptos, inexactos, o duplicados. La prevención vence a la cura: la validación de datos en el punto de captura —reglas de validación y restricciones que rechazan o cuestionan la entrada incorrecta antes de que entre al sistema— es más barata y segura que limpiarla después.

Buenas prácticas#

1. Definir la calidad de datos en las dimensiones específicas que importan para cada conjunto de datos, y medirlas. "Mejorar la calidad de datos" no es un objetivo; "elevar la completitud del número de NHS en el conjunto de datos de urgencias por encima del umbral nacional" sí lo es. Acuerda cuáles de la precisión, completitud, puntualidad, validez, consistencia, y unicidad importan más para cada conjunto de datos crítico, establece objetivos medibles, y reporta contra ellos rutinariamente. El NHS Data Quality Maturity Index (DQMI) da una medida lista y comparable para muchos conjuntos de datos nacionales; úsalo como línea base y rastrea tus propias métricas locales para los campos de los que realmente dependen los clínicos y finanzas.

2. Validar en el punto de captura, no en una limpieza posterior río abajo. El error más barato de corregir es el que nunca entra al sistema, y la persona mejor posicionada para corregir un registro es la que lo crea, mientras el paciente está frente a ella. Construye reglas de validación, campos obligatorios, listas de selección controladas, y verificación de suma de verificación de número de NHS en los formularios e interfaces que realmente usa el personal, y confirma la identidad contra el Personal Demographics Service en el registro. Cada error capturado en la entrada es un error que nunca tiene que encontrarse, investigarse, y revertirse río abajo —después de que quizás ya haya causado daño.

3. Tratar el número de NHS como un ancla crítica para la seguridad y verificarlo en todas partes. El número de NHS es el identificador individualmente más valioso en el sistema porque es la clave que vincula de forma segura los registros de una persona a través de organizaciones. Rastréalo contra el Personal Demographics Service, valida su suma de verificación al ingresar, y marca los registros que carecen de un número verificado en lugar de dejar que fluyan datos no coincidentes. Un resultado, derivación, o prescripción adjunta al número equivocado es un peligro clínico, así que trata la calidad del número de NHS como un control de seguridad del paciente, monitoreado y escalado como cualquier otro.

4. Establecer la gestión de datos maestros con un registro dorado para cada entidad central. Decide deliberadamente qué sistema domina cada entidad —pacientes, personal, organizaciones, medicamentos— y cómo se ensambla y mantiene un único registro dorado conciliado a partir de los sistemas fuente. Opera un Master Patient Index conciliado contra el servicio demográfico nacional, y gestiona un proceso controlado y auditable para fusionar duplicados y desfusionar superposiciones erróneas, porque ambas operaciones tocan registros clínicos en vivo y pueden ellas mismas causar daño si se hacen descuidadamente. Extiende el mismo rigor a los datos maestros de personal y organización, que sustentan el control de acceso, el pago, y el reporte (véase el Tema 4.2 — Gestión de identidad y acceso, y el Tema 5.4 — Planificación de recursos empresariales (ERP), que posee los datos maestros corporativos/financieros).

5. Nombrar propietarios de datos y administradores de datos, y darles autoridad real. La calidad de datos decae sin responsabilidad clara, así que asigna a cada dominio de datos crítico un propietario de datos senior responsable de él y un administrador de datos operativo que monitorea, investiga, e impulsa la corrección. Los administradores necesitan posición, herramientas, y tiempo —no una línea añadida a un trabajo ya lleno— y una ruta para escalar problemas sistémicos (un formulario roto, un flujo de trabajo confuso, una interfaz que pierde campos) a las personas que pueden corregir la causa. La propiedad convierte la calidad de datos de la preocupación vaga de todos en la responsabilidad explícita de alguien.

6. Perfilar antes de limpiar, y limpiar en la fuente. Antes de cualquier mejora o migración, perfila los datos para entender su verdadero estado —cuántos registros carecen de un número de NHS, cuántos duplicados existen, qué campos están sistemáticamente mal codificados— para que dirijas el esfuerzo donde cuenta en lugar de adivinar. Cuando limpies, corrige el registro en el sistema que lo domina y aborda el proceso que produjo el error, no solo la copia en un almacén río abajo, o el mismo defecto simplemente reaparecerá. Las limpiezas puntuales que ignoran la causa son una cinta de correr; el objetivo es cerrar el grifo, no solo trapear el suelo.

7. Adoptar estándares de información nacionales y datos de referencia en lugar de inventar códigos locales. La consistencia a través de organizaciones solo es posible cuando todos clasifican el mundo de la misma manera, usando estándares definidos nacionalmente exigidos a través del proceso del Data Alliance Partnership Board (DAPB) (anteriormente estándares SCCI/ISB) y terminologías como SNOMED CT. Gestiona los datos de referencia y listas de códigos bajo control de versiones con un proceso de actualización claro, porque un conjunto de valores cambiado silenciosamente rompe el análisis de tendencias y puede corromper la lógica río abajo. Las extensiones locales deberían ser la excepción rara y gobernada, mapeada de vuelta al estándar nacional (véase el Tema 4.3 — Interoperabilidad y estándares de datos).

8. Hacer visible la calidad de datos a las personas cuyas decisiones dependen de ella. La calidad de datos mejora cuando se ve —publica métricas de calidad a los equipos clínicos, operativos, y de finanzas para que el coste de los datos deficientes caiga donde se hace el trabajo, no enterrado en un equipo de datos. Muestra a los consumidores río abajo la procedencia y limitaciones conocidas de los datos que están usando, para que un analista, un equipo de pago, o un constructor de modelos pueda juzgar si son aptos para su propósito (véase el Tema 10.1 — Indicadores clave de rendimiento (KPI)). La transparencia sobre la calidad construye la confianza que hace que la gente use los datos en primer lugar, y la incomodidad de una métrica roja visible es a menudo lo que finalmente financia la corrección.

Preguntas para debatir con tu equipo#

1. ¿Qué errores de datos específicos en nuestra organización podrían más plausiblemente dañar a un paciente, y cómo sabríamos siquiera si estuvieran sucediendo? Esto reencuadra la calidad de datos de una virtud abstracta a una cuestión de seguridad con peligros nombrados, que es la única versión que se prioriza. Trabaja a través de las vías de fallo concretas: un registro duplicado que oculta una alergia, un número de NHS mal verificado que enruta mal un resultado, un dato de contacto obsoleto que significa que una derivación de dos semanas de espera nunca llega al paciente. La parte difícil es la detección —la mayoría de los errores de datos son silenciosos, descubiertos solo cuando ocurre el daño o una auditoría tropieza con ellos, así que debate si tienes alguna forma proactiva de encontrarlos o si dependes de la suerte y las quejas. Una respuesta buena y honesta nombra tus dos o tres peligros de datos de mayor daño, declara claramente si actualmente podrías detectar cada uno, y trata las brechas como riesgos de seguridad clínica a registrar y poseer (véase el Tema 1.6 — Seguridad clínica y gestión de riesgos) en lugar de como orden que se logrará eventualmente.

2. ¿Dónde está la fuente única de verdad para nuestras entidades centrales —pacientes, personal, organizaciones, medicamentos— y nuestros sistemas realmente la respetan? Muchas organizaciones descubren, cuando miran, que el mismo paciente existe de forma diferente en el sistema de administración de pacientes, el sistema de urgencias, el sistema de patología, y tres bases de datos departamentales, sin acuerdo sobre cuál es autoritativa. Discute, entidad por entidad, qué sistema se supone que la domina, cómo se ensambla un registro dorado, y cómo se encuentran y resuelven los duplicados y superposiciones —incluyendo quién puede fusionar dos registros, ya que esa operación puede ella misma causar daño. Saca a la luz la tensión entre la autonomía local (departamentos que quieren su propia copia que puedan controlar) y la seguridad de todo el sistema (una verdad conciliada), y sé honesto de que la gestión de datos maestros es administración continua, no una migración puntual. Una respuesta sólida identifica el sistema dominante para cada entidad, admite dónde hoy no hay una fuente de verdad acordada, y se compromete a un propietario nombrado y un proceso de conciliación en lugar de una limpieza de base de datos que se pudrirá silenciosamente de nuevo.

3. Cuando nuestros datos alimentan un pago, un retorno nacional, un caso de negocio, o un modelo de IA, ¿de quién es el trabajo de saber si son aptos para ese propósito? Los datos capturados por una razón se reutilizan constantemente para otras, y la calidad que es adecuada para una nota clínica puede ser peligrosamente engañosa en un algoritmo o una fórmula de financiación. Debate quién es responsable de juzgar la aptitud en el punto de reutilización: ¿sabe el analista, el líder de finanzas, o el constructor de modelos la procedencia, completitud, y defectos conocidos de los datos en los que confían, o asumen que están limpios porque se ven ordenados? Considera casos concretos —una brecha de codificación que silenciosamente subestima la actividad y por tanto el ingreso, o un campo demográfico con ausencia sesgada que distorsiona un modelo de IA contra un grupo de pacientes (véase el Tema 8.4 — Gobernanza de la IA y tecnología emergente, y el Tema 1.8 — Ética de datos, consentimiento, y confianza pública). Una buena respuesta establece que la aptitud para el propósito se evalúa explícitamente en cada punto de reutilización, que los datos llevan procedencia visible y advertencias de calidad, y que nadie confía silenciosamente en números cuyas limitaciones nunca ha visto.

4. ¿Estamos previniendo errores en el punto de captura, o silenciosamente empujando la carga de la calidad de datos hacia clínicos ya sobrecargados? La prevención en la fuente es la forma más barata y segura de calidad de datos, pero vive o muere en el diseño de los formularios y flujos de trabajo que realmente usa el personal bajo presión. Discute si tus pantallas de captura realmente ayudan —validación de suma de verificación, listas de selección controladas, identidad verificada por PDS, predeterminados sensatos— o si en cambio apilan campos obligatorios y advertencias sobre una recepción ocupada hasta que la gente aprende a hacer clic para pasarlas. Hay una tensión real aquí: muy poca validación deja pasar datos incorrectos, pero la validación torpe cría soluciones alternativas, valores ficticios, y fatiga de alerta que corrompen los datos de formas más sutiles. Mira dónde el personal está ingresando "no conocido", reutilizando un predeterminado, o manteniendo una hoja de cálculo privada para evitar un flujo de trabajo doloroso, porque cada uno es una señal de que el sistema está luchando contra el trabajo en lugar de apoyarlo. Una respuesta honesta trata el diseño de captura como un problema clínico, operativo, y de datos conjunto, lo prueba con las personas que lo usan, y mide si la validación realmente reduce los errores río abajo en lugar de solo reubicarlos.

5. ¿Las personas que llamamos propietarios y administradores de datos tienen la posición, tiempo, y herramientas para cambiar algo, o la administración es un título añadido a un trabajo ya lleno? La calidad de datos decae sin responsabilidad clara, pero nombrar a un propietario en una diapositiva no es lo mismo que dotarlo de recursos, y la administración falla silenciosamente cuando la persona nombrada no tiene ni autoridad ni capacidad. Debate qué pueden realmente hacer tus administradores cuando encuentran un problema sistémico —una interfaz rota que pierde campos, un formulario confuso, un flujo de trabajo que fabrica duplicados: ¿pueden hacer que se corrija, o solo pueden registrarlo y esperar? Saca a la luz la disyuntiva entre extender la administración delgadamente entre muchas personas que cada una hace un poco en los márgenes, y concentrarla en un número menor de roles genuinamente dotados de recursos con tiempo asignado y herramientas provistas. Considera si los administradores tienen una ruta de escalación real a las personas que poseen los sistemas y procesos causantes, y si los propietarios de datos senior son responsabilizados por la calidad de su dominio. Una buena respuesta es honesta sobre si la administración es actualmente real o ceremonial, y se compromete a autoridad, tiempo, y herramientas en lugar de otra responsabilidad no financiada.

6. ¿Cómo gestionamos los estándares nacionales y datos de referencia a través del tiempo, y qué pasa cuando una lista de códigos o terminología cambia debajo de nosotros? Los datos de referencia y terminologías como SNOMED CT se definen externamente y cambian lentamente pero continuamente, y un conjunto de valores actualizado silenciosamente puede romper el análisis de tendencias o corromper la lógica río abajo sin que nadie lo note. Discute si tus listas de códigos y mapeos están bajo control de versiones con un proceso de actualización claro, o si viven en búsquedas no documentadas que alguien edita en el lugar. Examina la atracción hacia inventar códigos locales cuando el estándar nacional se siente incómodo, y sé honesto sobre el coste a largo plazo: las clasificaciones locales hacen que tus datos sean imposibles de comparar o agregar con los de cualquier otro y se convierten en una carga de mapeo permanente (véase el Tema 4.3 — Interoperabilidad y estándares de datos). Considera cómo detectarías siquiera que un valor de referencia cambió, y cómo evaluarías el impacto en los análisis, pagos, y modelos que dependen de él. Una respuesta sólida trata los datos de referencia como un activo gobernado y versionado con un proceso nombrado para adoptar cambios nacionales, mantiene las extensiones locales raras y mapeadas de vuelta al estándar, y puede rastrear qué usos río abajo afectaría un cambio.

En la práctica: un ejemplo de salud y atención#

El Northmoor Integrated Care System opera un registro de atención compartido que abarca dos fideicomisos agudos, un fideicomiso de salud mental, servicios comunitarios, y 60 consultas de médicos de cabecera. Después de un incidente serio —la alergia severa a la penicilina de un paciente registrada en un fideicomiso era invisible en otro porque el registro no se había vinculado, y al paciente se le prescribió el fármaco— la junta directiva trata la calidad de datos como una prioridad de seguridad clínica en lugar de una preocupación de oficina trasera. Una revisión rápida encuentra que la causa raíz son los datos maestros: los mismos pacientes existen como duplicados a través de sistemas, y la verificación del número de NHS es inconsistente en la puerta de entrada.

El ICS establece un foro de gobernanza de datos con un propietario de datos senior nombrado para los datos maestros de pacientes y administradores de datos operativos en cada proveedor. Su primer acto es perfilar el patrimonio: descubren que la verificación del número de NHS contra el Personal Demographics Service sucede de forma confiable en algunos flujos de trabajo de registro y no en otros, y que el registro compartido contiene una población significativa de registros duplicados y no coincidentes. En lugar de una limpieza masiva, corrigen la causa primero —haciendo cumplir la verificación PDS y la validación de suma de verificación en cada punto de captura— para que la población duplicada deje de crecer mientras trabajan a través del atraso.

Establecen un Master Patient Index conciliado contra el servicio demográfico nacional, con un proceso controlado, auditado, y clínicamente supervisado para fusionar duplicados y revertir cualquier superposición errónea, reconociendo que ambas operaciones tocan registros en vivo. Adoptan el NHS Data Quality Maturity Index como línea base externa para sus envíos de conjuntos de datos nacionales y añaden métricas locales para los campos de los que más dependen los clínicos —alergias, completitud del número de NHS, demografía clave— publicándolas a los líderes clínicos y operativos de cada proveedor para que las cifras no se puedan ignorar.

Dieciocho meses después, el cambio es visible en los resultados, no solo en los paneles de control: la verificación del número de NHS es casi universal en la captura, la tasa de duplicados está cayendo, y la información de alergias se concilia de forma confiable a través del registro compartido. Cuando el ICS posteriormente delimita un modelo de estratificación de riesgo de salud poblacional, el equipo de analítica puede declarar la procedencia y completitud de los datos subyacentes y marcar dónde la ausencia podría sesgar el modelo, porque los datos maestros y métricas de calidad ahora existen para apoyar ese juicio (véase el Tema 4.5 — Datos, analítica, y gestión de la salud poblacional). El trabajo poco glamuroso —un foro de gobernanza, administradores, validación en la captura, un MPI— convirtió un riesgo invisible y dañino en uno gestionado.

Perspectivas sectoriales#

Startup#

Una startup de salud digital a menudo trata la calidad de datos como un problema futuro, enfocándose en funciones mientras acepta datos desordenados para moverse rápido. Eso es un error con datos de salud, donde un paciente mal emparejado o un número de NHS no verificado es un problema de seguridad desde el primer paciente en vivo, no el milésimo. Construye validación, verificación de suma de verificación de número de NHS, y —donde puedas acceder a ello— coincidencia con el Personal Demographics Service en tus flujos de captura desde el principio, porque adaptar la disciplina de identidad después de tener un gran corpus de registros no coincidentes es doloroso y arriesgado. Tu credibilidad con compradores del NHS depende de poder mostrar que tus datos son confiables, su procedencia es clara, y no contaminarás sus datos maestros cuando te integres.

Pequeña empresa#

Un proveedor pequeño y establecido —una consulta de médico de cabecera, una farmacia comunitaria, una residencia de cuidados, o una clínica de un solo emplazamiento— lleva el mismo deber de acertar la identidad y las alergias que un gran fideicomiso, pero sin equipo de datos y a menudo sin TI dedicada. Aquí la gestión de datos maestros no es un proyecto de plataforma; es el uso disciplinado de las herramientas que ya tienes: verificar el número de NHS contra el Personal Demographics Service en el registro, mantener la demografía actualizada, y no dejar que se acumulen registros duplicados en tu sistema clínico. Apóyate en la infraestructura nacional que se te proporciona —PDS, SNOMED CT, códigos de organización nacionales— en lugar de inventar atajos locales, porque hace el trabajo pesado que una pequeña organización no puede. Nombra a una persona como el propietario práctico de la calidad de datos incluso si es parte de un rol más amplio, y usa las funciones de validación, coincidencia, y desduplicación de tu proveedor de sistema en lugar de tolerar datos desordenados porque "somos demasiado pequeños para preocuparnos por eso" —el daño de un registro equivocado es del mismo tamaño sea cual sea la organización.

Gran organización#

Un gran fideicomiso o ICS del NHS opera docenas de sistemas que cada uno tiene su propia versión de pacientes, personal, y organizaciones, así que su desafío central es la conciliación y administración a escala. El objetivo realista es un Master Patient Index gobernado y un pequeño número de registros dorados autoritativos, aplicados a través de interfaces y validación, no una única base de datos monolítica que reemplace todo. Invierte en propietarios de datos y administradores nombrados con autoridad real, vincula los datos maestros a la gestión de identidad y acceso y al pago, y trata las fusiones y superposiciones como operaciones clínicamente supervisadas porque a esta escala tocan la atención en vivo. Las mayores ganancias vienen de la prevención en la captura y la adopción disciplinada de estándares nacionales aplicada consistentemente, en lugar de limpiezas periódicas heroicas que decaen en el momento en que terminan.

Gobierno#

Un organismo nacional —NHS England, y los organismos de estándares que sucedieron a NHS Digital— da forma al entorno de calidad de datos en el que trabaja cada proveedor. Opera la infraestructura compartida que hace posible la calidad local: el Personal Demographics Service como el índice demográfico nacional, el número de NHS como la clave común, terminologías y datos de referencia nacionales, y el Data Quality Maturity Index que hace el rendimiento comparable a través de organizaciones. Su influencia es exigir estándares de información a través del proceso del Data Alliance Partnership Board, publicar métricas de calidad comparables que crean presión de mejora, y gestionar los datos de referencia para que todos clasifiquen el mundo de la misma manera. El gobierno también lleva el deber de equidad: monitorear la ausencia sesgada y asegurar que la calidad de datos no perjudique silenciosamente a grupos cuyos registros están menos completos (véase el Tema 9.1 — Trabajo con los gobiernos locales y nacionales).

Modos de fallo comunes#

• Limpiar para siempre, sin corregir nada. Las limpiezas río abajo repetidas que nunca abordan el proceso de captura son una cinta de correr; los mismos duplicados y errores reaparecen cada ciclo. Corrige la causa en la fuente.
• Válido pero equivocado. Un registro que pasa la validación de formato aún puede ser inexacto —un número de NHS correctamente formateado pero equivocado es más peligroso que uno en blanco porque parece confiable. Valida contra fuentes de referencia reales, no solo el formato.
• Sin propietario nombrado. Cuando la calidad de datos es preocupación de todos no es el trabajo de nadie; los problemas se admiran en reuniones y nunca se resuelven. Asigna propietarios responsables y administradores facultados.
• Datos maestros por accidente. Dejar que cada sistema mantenga su propia copia divergente de pacientes u organizaciones, sin fuente de verdad acordada, garantiza inconsistencia y duplicados peligrosos. Decide deliberadamente qué domina cada entidad.
• Fusiones y superposiciones imprudentes. Fusionar dos registros o dividir uno mal fusionado toca datos clínicos en vivo; hecho sin control o supervisión clínica puede ocultar o atribuir erróneamente información crítica. Hazlo un proceso auditado y supervisado.
• Códigos locales que rompen la comparabilidad. Inventar clasificaciones locales en lugar de usar estándares nacionales hace que los datos sean imposibles de comparar o agregar y corrompe el análisis de tendencias cuando cambian silenciosamente. Adopta y versiona los datos de referencia nacionales.
• Reutilización silenciosa. Alimentar datos de calidad desconocida en pagos, retornos nacionales, o modelos de IA sin declarar su procedencia y limitaciones propaga errores ocultos a escala. Haz de la aptitud para el propósito un juicio explícito en cada punto de reutilización.

Modelo de madurez#

Lista de verificación#

• Los conjuntos de datos críticos tienen dimensiones de calidad acordadas, objetivos medibles, y reporte rutinario, comparados donde sea posible con el DQMI.
• El número de NHS está validado por suma de verificación y verificado contra el Personal Demographics Service en cada punto de captura.
• Cada entidad central (paciente, personal, organización, medicamento) tiene un sistema dominante designado y un registro dorado.
• Un Master Patient Index se concilia contra el servicio demográfico nacional, con un proceso de fusión y superposición auditado y clínicamente supervisado.
• Cada dominio de datos crítico tiene un propietario de datos nombrado y un administrador de datos facultado con herramientas y una ruta de escalación.
• Los datos se perfilan antes de la migración o mejora, y la limpieza corrige el sistema fuente y el proceso causante, no solo las copias río abajo.
• Los estándares de información y terminologías nacionales (vía el proceso DAPB, SNOMED CT) se adoptan, y los datos de referencia están bajo control de versiones.
• Las métricas de calidad de datos se publican a los equipos clínicos, operativos, y de finanzas cuyas decisiones dependen de los datos.
• La procedencia y limitaciones de calidad conocidas viajan con los datos cuando se reutilizan para pago, retornos nacionales, investigación, o IA.
• Los peligros de calidad de datos de alto daño se registran y poseen como riesgos de seguridad clínica, con un medio de detección proactiva.

Fuentes clave#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — una medida mensual comparable de calidad de datos a través de conjuntos de datos nacionales.
• NHS England — Personal Demographics Service (PDS) y orientación sobre el número de NHS — el índice demográfico nacional e identificador primario de paciente.
• NHS England — Information standards publicados a través del proceso del Data Alliance Partnership Board (DAPB) (anteriormente estándares SCCI/ISB).
• DAMA International — DMBOK (Data Management Body of Knowledge) — el marco reconocido para la gobernanza de datos, calidad, y gestión de datos maestros.
• SNOMED International / NHS England — terminología clínica SNOMED CT y dm+d (diccionario de medicamentos y dispositivos) para los datos maestros y de referencia de medicamentos.
• HM Government — Data Standards Authority y el Government Data Quality Framework — orientación intergubernamental sobre dimensiones de calidad de datos y administración.
• National Data Guardian — Caldicott principles — sobre el uso apropiado y la calidad de la información confidencial del paciente.

Referencias#

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