Sujet 4.5 — Données, analytique et gestion de la santé de la population

Dans la santé et l'action sociale, l'analytique ne vaut la peine d'être construite que si elle change une décision, un parcours, ou une vie — transformant les données en aperçu qui atteint les personnes qui en ont le plus besoin, et le faisant de manières auxquelles le public peut faire confiance.

Pourquoi c'est important dans la santé et l'action sociale#

Le Sujet 4.3 — Interopérabilité et normes de données concerne le déplacement sûr des données entre systèmes afin qu'elles arrivent là où elles sont nécessaires. Ce sujet concerne ce qui se passe ensuite : transformer ces données en aperçu, et l'aperçu en action. Les deux sont faciles à confondre et coûteux à mélanger. Vous pouvez avoir une interopérabilité impeccable et pourtant prendre de mauvaises décisions, et vous pouvez avoir une analytique riche qui ne touche jamais les soins d'un seul patient.

L'analytique dans la santé et l'action sociale porte un poids que l'analytique dans le commerce de détail ou la logistique n'a pas. Lorsque vous segmentez une population et ciblez une intervention, vous décidez la revue d'asthme de qui se passe en premier, quelles personnes âgées fragiles reçoivent un appel proactif avant une crise hivernale, et où une équipe communautaire surchargée dépense ses heures finies. Mal faire l'analyse — un modèle de risque biaisé, une lacune de qualité de données qui sous-compte un quartier défavorisé, un tableau de bord qui flatte la performance — et vous pouvez élargir les inégalités mêmes que vous vouliez fermer. Les conséquences sont cliniques et éthiques, pas simplement commerciales.

La confiance publique est l'autre contrainte qui rend ce domaine distinctif. Les gens sont largement disposés à ce que leurs données améliorent les soins et soutiennent la recherche, mais seulement quand ils peuvent voir que cela est géré en sécurité, légalement, et pour des fins légitimes. L'échec du programme care.data en Angleterre en 2014, abandonné après que le public et les cliniciens aient perdu confiance dans comment les données seraient extraites et utilisées, reste le conte de mise en garde que chaque dirigeant d'analytique de santé devrait connaître. La confiance, une fois perdue, est lente et coûteuse à reconstruire, et elle contraint ce que vous pouvez faire pendant des années après. Donc le « comment » de l'analytique — la plateforme, la voie d'accès, la gouvernance, la transparence — n'est pas de la plomberie d'arrière-guichet. C'est une partie du règlement de sécurité clinique, d'équité, et de confiance publique qui traverse tout ce livre.

Concepts fondamentaux#

L'informatique décisionnelle (business intelligence) est l'ensemble de pratiques et technologies pour analyser les données afin d'informer les décisions — tableaux de bord, rapports, et la requête qui se trouve derrière. Elle repose sur l'analyse de données présentée à travers une bonne visualisation de données, car un graphique qu'un clinicien ou directeur occupé peut lire en quelques secondes bat un tableau que personne n'ouvre.

Une façon utile de décrire l'ambition analytique est l'échelle de maturité : l'analytique descriptive (ce qui s'est passé), l'analytique diagnostique (pourquoi cela s'est passé), l'analytique prédictive (ce qui est susceptible de se passer ensuite), et l'analytique prescriptive (ce que vous devriez faire à ce sujet). La plupart des organisations passent la majeure partie de leur temps sur le premier échelon, et c'est souvent le bon endroit où être — une image descriptive fiable, digne de confiance et sur laquelle on agit, vaut plus qu'un modèle prédictif fragile que personne n'utilise.

Sous-tendant tout cela se trouve une plateforme de données. Un entrepôt de données (data warehouse) stocke des données structurées et modélisées pour le reporting ; un lac de données (data lake) stocke des données brutes de toute forme pour un traitement ultérieur ; le modèle « lakehouse » mélange les deux. Quel que soit votre choix, la plateforme n'est aussi digne de confiance que sa qualité de données — la complétude, exactitude, opportunité, et cohérence des dossiers sous-jacents — et sa gouvernance des données, le cadre responsable de propriété, définitions, et décisions d'accès qui garde les données aptes à l'usage. Étroitement lié est la gestion des données de référence — maintenir une version unique et faisant autorité des données de référence centrales telles que les patients, le personnel, et les organisations — afin que l'analytique ne se fracture pas à travers des identifiants incohérents.

La gestion de la santé de la population est la discipline appliquée au cœur de ce sujet : utiliser des données liées pour comprendre la santé d'une population définie, la segmenter en groupes avec des besoins similaires, stratifier le risque, et cibler des interventions vers ceux qui en bénéficieront le plus. Bien faite, c'est l'un des outils les plus aiguisés disponibles pour s'attaquer à l'équité en santé — diriger les soins proactifs vers des groupes sous-desservis plutôt que d'attendre qu'ils se présentent en crise. Rien de tout cela ne fonctionne sans la littératie des données — la capacité des dirigeants, cliniciens, et analystes de la même façon à lire, questionner, et agir sur les données honnêtement.

Enfin, un Secure Data Environment (SDE) — internationalement, un Trusted Research Environment (TRE) — est la voie contrôlée par laquelle les chercheurs et planificateurs analysent des données sensibles. Plutôt que de copier les données vers l'analyste, l'analyste est amené aux données à l'intérieur d'un environnement sécurisé et audité, et seuls les résultats agrégés et non identifiants sortent. C'est le modèle qui réconcilie l'ambition analytique avec la confiance publique discutée au Sujet 1.8 — Éthique des données, consentement et confiance publique.

Bonnes pratiques#

1. Commencez par la décision, pas les données. Avant de commander un tableau de bord ou un modèle, nommez la décision qu'il changera, qui possède cette décision, et ce qu'ils feront différemment une fois qu'ils verront l'aperçu. Si vous ne pouvez pas répondre à ces questions, vous construisez un rapport sur lequel personne n'agira. Cette discipline — travailler à rebours depuis l'action visée — est la défense unique la plus fiable contre la prolifération d'analytique non utilisée, et elle se connecte directement aux habitudes de preuve-vers-action du Sujet 1.3 — Décisions fondées sur les preuves.

2. Montez l'échelle analytique délibérément, pas réflexivement. L'analytique descriptive et diagnostique répond à la plupart des questions opérationnelles et est moins chère, plus explicable, et plus digne de confiance que le travail prédictif ou prescriptif. Ne tendez la main vers un modèle prédictif que lorsqu'une décision a véritablement besoin de prévoyance et que vous pouvez agir sur la prédiction à temps pour que cela compte. Un score de risque qui identifie des patients que vous n'avez aucune capacité d'aider est un exercice académique, pas de la gestion de santé de population.

3. Traitez la qualité des données comme un produit de premier ordre, pas une réflexion après coup de nettoyage. Mesurez la complétude, l'exactitude, et l'opportunité de vos flux de données clés, publiez ces mesures, et rendez des propriétaires nommés responsables pour elles. Un mauvais codage de l'ethnicité, de la précarité, ou du handicap n'est pas une note de bas de page technique — il cache systématiquement les populations que vous avez le plus besoin de voir, donc les lacunes de qualité deviennent des lacunes d'équité. Corrigez la qualité des données à la source dans les systèmes opérationnels partout où vous le pouvez, car la correction en aval est sans fin et avec perte.

4. Exploitez un modèle opérationnel explicite d'analyste et d'ingénierie de données. Séparez le travail d'ingénierie de pipelines de données fiables et bien modélisés du travail d'analyse et d'interprétation. Adoptez des définitions partagées, un contrôle de version, une révision par les pairs du code analytique, et des méthodes reproductibles afin qu'un chiffre signifie la même chose pour tout le monde et puisse être régénéré à la demande. Le mouvement anglais « Reproducible Analytical Pipelines » dans le secteur public est un modèle pratique à emprunter.

5. Habilitez le libre-service, mais gouvernez les définitions centralement. Laissez les équipes explorer les données et construire leurs propres vues, car une équipe centrale ne peut jamais répondre à chaque question assez rapidement. Gardez-vous contre la fragmentation en curatant une couche sémantique gouvernée — ensembles de données certifiés et définitions convenues de métriques comme « liste d'attente » ou « admission évitable » — afin que le libre-service multiplie l'aperçu plutôt que de multiplier le désaccord sur ce que les chiffres signifient.

6. Utilisez la gestion de santé de population pour cibler l'équité, et vérifiez les biais. Segmentez votre population et stratifiez le risque pour diriger les soins proactifs vers ceux qui en bénéficieront le plus, incluant délibérément les groupes qui historiquement se présentent tard ou pas du tout. Interrogez chaque modèle pour le biais : si un outil de stratification de risque sous-note un groupe défavorisé ou minoritaire ethnique parce que ses données sont plus clairsemées, il détournera discrètement les ressources loin d'eux. Auditez les résultats par caractéristique protégée et précarité, pas seulement en agrégat.

7. Faites des Secure Data Environments la voie par défaut vers les données sensibles. Pour la recherche, la planification, et l'usage secondaire, amenez les analystes aux données à l'intérieur d'un SDE ou TRE plutôt que d'extraire des copies. Cela réduit votre surface d'attaque, crée une piste d'audit complète, et donne au public une histoire défendable et transparente sur comment leurs données sont utilisées. Publiez qui a accès, à quelle fin, et sous quelle approbation, reliant votre approche à la gouvernance couverte au Sujet 1.7 — Gouvernance de l'information, protection des données et cybersécurité.

8. Bouclez la boucle de l'analytique vers les résultats et la valeur. Pour chaque produit analytique significatif, suivez si l'action visée s'est produite et si le résultat s'est amélioré — pas seulement si le tableau de bord a été consulté. Retirez les produits qui ne changent plus les décisions. Là où vous le pouvez, connectez l'aperçu analytique à la valeur mesurée en utilisant les méthodes du Sujet 6.1 — Économie de la santé, afin que l'investissement dans les plateformes de données soit justifié par les résultats plutôt que par l'activité.

9. Gérez la qualité des données comme une discipline mesurée, car l'analytique et l'IA héritent de chaque défaut en dessous d'elles. Définissez et surveillez la complétude, l'exactitude, l'opportunité, et la validité pour vos flux de données critiques, fixez des seuils, et agissez quand ils glissent plutôt que de découvrir l'écart dans un rapport de conseil d'administration. Un modèle ou tableau de bord ne peut pas s'élever au-dessus des dossiers qui l'alimentent, donc traitez la qualité comme une fonction opérationnelle continue avec des propriétaires nommés, pas un nettoyage ponctuel avant un projet. Cela compte le plus pour les champs qui portent l'équité — ethnicité, précarité, handicap — où un codage clairsemé ou incohérent déforme discrètement chaque conclusion en aval.

10. Établissez la gestion des données de référence pour vos données de référence centrales. Maintenez une version unique et faisant autorité des entités auxquelles tout le reste se joint — patients indexés sur le numéro NHS, personnel, et organisations — avec une intendance claire sur comment chacun est créé, apparié, et retiré. Sans cela, le même patient apparaît sous plusieurs identifiants et le même service sous plusieurs noms, donc l'analytique se fracture et les totaux ne se réconcilient jamais. Investir dans des données de référence dignes de confiance est peu glamour, mais à l'échelle, un seul identifiant ambigu peut mal diriger les soins et mal représenter la performance à travers un système entier.

Questions à discuter avec votre équipe#

1. Lesquels de nos tableaux de bord et rapports quelqu'un remarquerait-il si nous les éteignions demain — et que nous dit la réponse ? La plupart des parcs analytiques s'accumulent au fil des années, et une grande part de ce qu'ils produisent est vue rarement ou jamais. Cette question force un inventaire honnête : pour chaque produit significatif, pouvez-vous nommer la décision qu'il informe, la personne qui possède cette décision, et la dernière fois qu'il en a changé une ? Éteindre, ou proposer d'éteindre, est un diagnostic rapide — une véritable protestation révèle ce qui compte, le silence révèle ce qui ne compte pas. Les équipes qui prospèrent sont impitoyables sur le retrait de l'inutilisé, car chaque tableau de bord mort consomme toujours de la maintenance, érode la confiance quand ses chiffres dérivent, et enterre les rapports qui comptent. Réaffecter cet effort libéré vers une poignée de produits bien utilisés et bien gouvernés élève presque toujours la valeur du parc entier. Méfiez-vous du réflexe de tout garder « au cas où » — ce réflexe est exactement comment vous arrivez à une analytique sur laquelle personne n'agit.

2. Notre analytique rend-elle les inégalités de santé plus visibles, ou les cache-t-elle ? Les métriques agrégées — un temps d'attente unique à l'échelle du trust, un taux de vaccination global — peuvent sembler rassurantes tout en cachant des disparités nettes en dessous. Le test est de savoir si vos produits standard décomposent les résultats par précarité, ethnicité, handicap, et autres caractéristiques pertinentes, et si vos données sont assez bonnes pour le faire honnêtement. Si l'ethnicité est mal codée ou la précarité non liée, votre analytique est structurellement aveugle aux populations que vous avez le plus besoin d'atteindre, et cette cécité façonnera où les ressources circulent. Discutez de où votre qualité de données actuelle laisse tomber l'analyse d'équité, et ce qu'il faudrait pour la corriger à la source. Considérez aussi si vos modèles prédictifs ont été vérifiés pour les biais contre les groupes sous-desservis. Cette conversation relie votre analytique directement à l'épine dorsale d'équité du livre et à l'éthique du Sujet 1.8 — Éthique des données, consentement et confiance publique.

3. Si un journaliste demandait comment nous utilisons les données des patients pour l'analytique et la recherche, pourrions-nous donner une réponse claire, honnête, rassurante aujourd'hui ? La confiance publique est la licence sur laquelle tout usage secondaire des données de santé dépend, et elle est plus facile à perdre qu'à gagner. Passez en revue la véritable réponse : où résident les données, qui peut y accéder, via quelle approbation, à quelles fins, et comment un membre du public le découvrirait-il. Si la réponse honnête implique des copies de données identifiables dispersées à travers des feuilles de calcul et lecteurs partagés, vous avez à la fois un problème de sécurité et un problème de confiance. Comparez cela à une approche Secure Data Environment, où l'accès est contrôlé, audité, et publiable. Discutez de ce que votre organisation devrait changer pour être véritablement à l'aise avec l'examen public — avant qu'un incident ne force la question. Rappelez-vous care.data : la technologie n'était pas le point d'échec ; l'échec était la confiance publique dans comment les données seraient utilisées.

4. Lorsque nous tendons la main vers un modèle prédictif, pouvons-nous réellement agir sur ce qu'il nous dit — et avons-nous gagné le droit de faire confiance à la couche descriptive en dessous ? Il est tentant d'assimiler la maturité analytique à la sophistication, et de traiter le travail « piloté par l'IA » ou prédictif comme la destination. Mais un score de risque qui identifie des patients que vous n'avez aucune capacité de contacter est un exercice académique, et un modèle prédictif construit sur une fondation descriptive chancelante automatise simplement les erreurs existantes à la vitesse. Interrogez chaque modèle proposé contre deux tests : y a-t-il une véritable décision qui a véritablement besoin de prévoyance plutôt qu'une image rétroviseur fiable, et la capacité opérationnelle existe-t-elle pour agir sur la prédiction à temps pour changer un résultat ? Une réponse honnête nomme l'intervention spécifique que la prédiction déclenchera et l'équipe qui la livrera, et elle est franche sur si les échelons descriptif et diagnostique sont assez dignes de confiance pour construire dessus. Monter l'échelle délibérément, échelon par échelon, livre généralement plus de valeur que sauter au sommet et découvrir que rien n'attrape la chute.

5. Convenons-nous de ce que nos chiffres centraux signifient réellement — et où deux équipes donneraient-elles des réponses différentes à la même question ? À mesure que l'analytique en libre-service se répand, le risque passe d'avoir trop peu de chiffres à avoir trop de versions de chacun : la « liste d'attente », l' « admission évitable », le « patient actif » divergeant discrètement à travers les tableaux de bord jusqu'à ce que les réunions se disputent sur quel chiffre est correct plutôt que ce qu'il faut faire. Testez cela concrètement en demandant à deux équipes de produire la même métrique principale indépendamment et en comparant non seulement la réponse mais la définition et la requête derrière. La conversation honnête fait émerger où une couche sémantique gouvernée et des ensembles de données certifiés manquent, et où les définitions centrales n'ont pas suivi le rythme de l'invention locale. Le compromis est réel — serrer trop fort et vous étranglez l'exploration qui rend le libre-service précieux ; laisser non gouverné et l'aperçu se fragmente en désaccord. Une réponse mature décrit quelles métriques sont certifiées et possédées centralement et lesquelles sont délibérément laissées ouvertes pour l'exploration locale, plutôt que de prétendre que tout le parc peut être l'un ou l'autre.

6. Corrigeons-nous la qualité des données là où elle est créée, ou la corrigeons-nous sans fin en aval ? Chaque tableau de bord et modèle hérite des défauts des dossiers opérationnels en dessous, donc les décisions analytiques les plus conséquentes sont souvent prises bien en amont — dans comment une condition est codée au point de soin, ou si le même patient et service se résolvent en un seul identifiant. Discutez de où votre organisation corrige actuellement la qualité dans la couche de rapport, et ce qu'il faudrait pour corriger ces problèmes à la source à la place, reconnaissant que la correction en aval est à la fois sans fin et avec perte. Cela est indissociable de la gestion des données de référence : sans une version unique et faisant autorité des patients, personnel, et organisations, les totaux ne se réconcilient jamais et la même personne se fracture à travers les dossiers. Les enjeux d'équité sont les plus élevés pour les champs qui sont les plus difficiles à bien coder — ethnicité, précarité, handicap — où une capture clairsemée ou incohérente déforme discrètement chaque conclusion en aval. Une réponse honnête nomme qui possède la qualité pour chaque flux critique, si cette propriété atteint les systèmes opérationnels, et où l'absence de données de référence dignes de confiance sape silencieusement les chiffres.

En pratique : un exemple de santé et d'action sociale#

Un Integrated Care Board (ICB) dans une région mixte urbaine et côtière veut réduire les admissions non planifiées parmi les personnes vivant avec la fragilité, et le faire sans élargir l'écart entre sa ville de marché aisée et ses services côtiers défavorisés.

L'équipe de santé de population commence avec un ensemble de données liées tiré des soins primaires, services communautaires, et dossiers hospitaliers, analysé à l'intérieur du Secure Data Environment de la région afin qu'aucun extrait identifiable ne quitte l'environnement contrôlé. Elle segmente la population des plus de 65 ans et stratifie le risque de fragilité, mais avant de cibler quiconque, elle exécute une vérification d'équité. Elle révèle que le modèle sous-note les résidents des services côtiers, car ces cabinets ont historiquement codé les affections de longue durée moins complètement — une lacune de qualité de données se faisant passer pour un besoin plus faible. Plutôt que de procéder sur un score biaisé, l'équipe commande une poussée ciblée d'amélioration du codage dans les cabinets affectés et ajuste le modèle, traitant le correctif de qualité de données comme faisant partie de l'intervention elle-même.

Avec une stratification de risque plus équitable en place, elle identifie environ 1 400 personnes à haut risque qui ne sont pas encore connues des services communautaires. Une équipe multidisciplinaire offre des revues proactives, commençant délibérément par les services côtiers. Fait crucial, l'analytique ne s'arrête pas au ciblage. Un tableau de bord descriptif simple suit, par service et par décile de précarité, combien de revues proactives ont eu lieu et comment les admissions ont bougé au cours des six mois suivants — fermant la boucle de l'aperçu à l'action au résultat. Lorsque les revues d'une localité stagnent, le tableau de bord le fait émerger tôt, et l'équipe enquête plutôt que d'attendre le rapport de fin d'année. Travaillant avec les collègues de finance et d'économie de santé de l'ICB, ils traduisent les admissions évitées en un dossier de valeur qui justifie de continuer le programme. Aucune magie prédictive n'était nécessaire au-delà d'un score de risque bien gouverné ; la valeur est venue de la qualité des données, de la discipline d'équité, d'une voie d'accès de confiance, et d'un suivi implacable.

Angles sectoriels#

Startup#

Une startup de health-tech vit ou meurt généralement par une affirmation analytique étroite — que son outil identifie les bons patients, ou améliore un résultat — donc sa priorité est la preuve, pas l'ampleur. Construisez un pipeline léger et reproductible et instrumentez votre produit pour mesurer s'il change les décisions et résultats, car cette preuve est ce que les clients et régulateurs exigeront. Résistez à la tentation de trop promettre une capacité prédictive ou « pilotée par l'IA » avant que les fondations descriptives et la qualité des données ne soient solides. Lorsque vous traitez des données NHS ou de soins, attendez-vous à travailler à l'intérieur du Secure Data Environment du client ou à satisfaire une gouvernance équivalente ; traiter cela comme une contrainte de conception de premier ordre, plutôt qu'une surprise tardive, est souvent ce qui sépare les startups qui passent à l'échelle de celles qui stagnent.

Petite entreprise#

Un prestataire établi de petite taille — un cabinet de médecins généralistes, une pharmacie communautaire, une maison de retraite, une clinique monosite — a habituellement de vrais patients et des obligations statutaires mais aucun analyste ou équipe de données dédiée, donc l'objectif pratique est une image descriptive digne de confiance, pas une échelle de maturité. Appuyez-vous sur l'analytique intégrée dans les systèmes que vous exploitez déjà et sur des ensembles de données et tableaux de bord nationaux ou fournis par l'ICB de confiance plutôt que de mettre en place une plateforme que vous ne pouvez pas maintenir. Corrigez la qualité des données à la source dans votre propre codage opérationnel, car c'est le seul levier entièrement sous votre contrôle et c'est ce qui alimente chaque modèle régional de votre population. Lorsque vous devez partager des données pour la santé de population ou la recherche, utilisez le Secure Data Environment de l'ICB ou national plutôt que d'envoyer des extraits par e-mail, ce qui vous garde conforme aux mêmes obligations que les grandes organisations sans nécessiter leurs ressources. Une seule métrique bien choisie sur laquelle vous agissez réellement — une liste de patients en retard pour une revue — bat une suite de rapports que personne n'a le temps d'ouvrir.

Entreprise#

Un grand prestataire ou intégrateur système a typiquement le problème inverse : trop de plateformes, trop de définitions conflictuelles, et une longue traîne de rapports hérités. La tâche d'entreprise est la consolidation et la gouvernance — une couche sémantique curatée, des ensembles de données certifiés, et un modèle opérationnel clair d'analyste et d'ingénierie de données — afin que le libre-service multiplie l'aperçu au lieu de multiplier le désaccord. Investissez dans le travail peu glamour de qualité des données et de définitions centrales, car à l'échelle d'entreprise, une seule métrique ambiguë peut mal diriger des millions de livres. Gardez-vous contre l'empire des tableaux de bord en mesurant l'usage et en retirant l'inutilisé. Équilibrez les normes centrales avec l'autonomie locale, ou vous étranglerez l'innovation ou perdrez le contrôle des chiffres.

Gouvernement#

Les organismes nationaux et régionaux portent un rôle d'intendance que les organisations privées n'ont pas : ils fixent les normes, exploitent les plus grands Secure Data Environments, et répondent au public de comment les données de population sont utilisées. Les priorités sont la légitimité et l'équité — règles d'accès transparentes, normes de qualité de données publiées, et analytique qui fait activement émerger les inégalités à travers toute la population. Le gouvernement est aussi placé de manière unique pour réduire la duplication, en fournissant des ensembles de données nationaux de confiance et des pipelines reproductibles sur lesquels chaque équipe locale peut construire plutôt que de réinventer. La leçon primordiale de care.data est que l'engagement public n'est pas une réflexion après coup de communication mais une entrée de conception ; bougez plus vite que la confiance ne le permet et vous repoussez tout l'agenda de plusieurs années.

Modes d'échec courants#

• Tableaux de bord sur lesquels personne n'agit. Analytique construite pour afficher des données plutôt que changer une décision, proliférant jusqu'à ce que l'utile soit enterré sous l'ignoré.
• Résoudre pour l'outil, pas la question. Acheter une plateforme ou une capacité d'apprentissage automatique avant de savoir quelles décisions elle doit améliorer.
• Cécité de qualité de données. Présenter des chiffres confiants construits sur des données incomplètes ou biaisées, en particulier là où un mauvais codage de l'ethnicité ou de la précarité cache des groupes sous-desservis.
• Prolifération d'extraits. Des copies de données sensibles se répandant à travers des feuilles de calcul et lecteurs, créant à la fois un risque de sécurité et une responsabilité de confiance publique qu'un Secure Data Environment aurait évité.
• Dérive de définition. La même métrique signifiant des choses différentes dans différents rapports, donc les réunions se disputent sur quel chiffre est correct au lieu de ce qu'il faut faire.
• Théâtre prédictif. Construire des modèles sophistiqués sur lesquels l'organisation n'a aucune capacité d'agir, ou qui codent discrètement un biais contre les populations les plus dans le besoin.
• Bouger plus vite que la confiance. Poursuivre l'ambition analytique sans engagement public, et perdre la licence sociale dont dépend tout usage secondaire des données.
• Aperçu sans boucle. Ne jamais vérifier si l'action visée s'est produite ou le résultat s'est amélioré, donc personne n'apprend et rien n'est retiré.

Modèle de maturité#

Liste de contrôle#

• Chaque produit analytique significatif nomme la décision qu'il change et qui possède cette décision.
• Les métriques de qualité de données (complétude, exactitude, opportunité) sont mesurées, possédées, et publiées pour les flux clés.
• Le codage de l'ethnicité, de la précarité, et du handicap est assez bon pour soutenir une analyse d'équité honnête — et amélioré là où il ne l'est pas.
• Une couche sémantique gouvernée définit les métriques centrales de manière cohérente à travers les outils en libre-service.
• Le code analytique est sous contrôle de version, révisé par les pairs, et reproductible.
• Les données sensibles pour la recherche et la planification sont accédées via un Secure Data Environment, pas copiées.
• La stratification de risque et les modèles prédictifs sont audités pour le biais contre les groupes sous-desservis.
• Les rapports standard décomposent les résultats par précarité et caractéristiques protégées pertinentes.
• Chaque produit suit si l'action visée s'est produite et si le résultat s'est amélioré.
• Les tableaux de bord et rapports inutilisés sont révisés et retirés selon un cycle régulier.
• Une explication publique de comment les données patient sont utilisées pour l'analytique existe et est honnête.
• Un programme de littératie de données soutient les dirigeants et cliniciens, pas seulement les analystes.

Sources clés#

• NHS England — Population Health Management resources and the Population Health Management Development Programme.
• NHS England — Secure Data Environment for NHS Health and Social Care policy guidelines.
• Office for National Statistics / UK Government Analysis Function — Reproducible Analytical Pipelines (RAP) strategy and guidance.
• The Health Foundation and The King's Fund — analyses of population health management and health inequalities.
• Understanding Patient Data — public resources on trusted research environments and the lessons of care.data.
• Data Saves Lives — the England data strategy for health and social care.

Références#

1. Business intelligence — Wikipédia — https://en.wikipedia.org/wiki/Business_intelligence
2. Data and information visualization — Wikipédia — https://en.wikipedia.org/wiki/Data_and_information_visualization
3. Predictive analytics — Wikipédia — https://en.wikipedia.org/wiki/Predictive_analytics
4. Prescriptive analytics — Wikipédia — https://en.wikipedia.org/wiki/Prescriptive_analytics
5. Data warehouse — Wikipédia — https://en.wikipedia.org/wiki/Data_warehouse
6. Data lake — Wikipédia — https://en.wikipedia.org/wiki/Data_lake
7. Data quality — Wikipédia — https://en.wikipedia.org/wiki/Data_quality
8. Data governance — Wikipédia — https://en.wikipedia.org/wiki/Data_governance
9. Population health — Wikipédia — https://en.wikipedia.org/wiki/Population_health
10. Health equity — Wikipédia — https://en.wikipedia.org/wiki/Health_equity
11. Data literacy — Wikipédia — 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 — Wikipédia — https://en.wikipedia.org/wiki/Master_data_management