Sujet 4.9 — Qualité des données et gestion des données de référence

Dans la santé et l'action sociale, un mauvais numéro NHS, une allergie manquante, ou un dossier de patient dupliqué n'est pas un problème de propreté de données mais un danger clinique, une erreur de paiement, et un défaut de recherche, donc la qualité des données et la gestion des données de référence doivent être exploitées comme des disciplines gérées avec des propriétaires nommés — pas laissées au hasard au point de capture.

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

Chaque décision clinique repose sur des données que quelqu'un a enregistrées plus tôt : une allergie signalée, un résultat classé, une médication réconciliée, une identité confirmée. Lorsque ces données sont précises, complètes, et attachées à la bonne personne, les soins circulent en sécurité. Lorsqu'elles sont erronées, absentes, ou attachées à la mauvaise personne, le système fait exactement ce qu'on lui dit — et nuit à quelqu'un. Un dossier dupliqué cache une allergie critique sur le graphique que le clinicien ne regarde pas ; un numéro NHS mal saisi envoie un résultat vers le mauvais dossier de patient ; une adresse périmée signifie qu'une invitation de dépistage du cancer n'arrive jamais. Ce ne sont pas des hypothèses : les incidents de sécurité patient impliquant une mauvaise identification et une confusion de dossier sont un thème récurrent dans le rapport de sécurité national.

La qualité des données est donc une question de sécurité clinique avant d'être une question analytique (voir Sujet 1.6 — Sécurité clinique et gestion des risques). C'est aussi une question d'argent public et d'équité. Le NHS paie les prestataires, planifie les services, et les tient responsables sur la base de ce que les données disent s'être passé ; si l'activité est sous-enregistrée ou mal codée, le mauvais prestataire est payé le mauvais montant et les décisions de commissionnement reposent sur une image déformée. L'analytique de santé de population, la validation de liste d'attente, et le travail d'inégalités de santé héritent tous de la qualité des dossiers sous-jacents (voir Sujet 4.5 — Données, analytique et gestion de la santé de la population).

Les enjeux augmentent fortement à mesure que les données sont réutilisées. Un dossier capturé une fois à un accueil occupé peut plus tard entraîner un algorithme, justifier un dossier commercial, alimenter un ensemble de données national, et régler un différend de paiement. La vieille maxime — garbage in, garbage out — est devenue garbage in, harm out, car de mauvaises données se propagent maintenant automatiquement et à l'échelle dans les modèles d'intelligence artificielle et les décisions automatisées (voir Sujet 8.4 — Gouvernance de l'IA et des technologies émergentes). Et les données de référence — les faits partagés et lentement changeants sur qui sont les patients, personnel, organisations, et médicaments — sont le tissu conjonctif qui permet à des dizaines de systèmes de convenir qu'ils parlent de la même personne. Mal gérer les données de référence et chaque système en aval hérite de la confusion.

Concepts fondamentaux#

La qualité des données est le degré auquel les données sont aptes à leurs usages voulus dans les opérations, la prise de décision, et la planification. Elle est conventionnellement évaluée à travers un ensemble de dimensions. L'exactitude est si les données décrivent correctement la chose du monde réel qu'elles représentent ; la complétude est si les données requises sont présentes ; l'opportunité est si elles sont disponibles quand nécessaire et reflètent l'état actuel ; la validité est si elles se conforment au format, type, et plage définis ; la cohérence est si elles concordent avec elles-mêmes et avec d'autres sources ; et l'unicité est si chaque entité du monde réel apparaît une fois et une seule fois. Un dossier peut être valide (correctement formaté) et pourtant inexact (erroné), donc les dimensions sont complémentaires, pas interchangeables.

La gestion des données de référence (MDM) est la discipline par laquelle le métier et la technologie ensemble assurent l'uniformité, l'exactitude, l'intendance, et la responsabilité des données de référence partagées d'une organisation — les entités centrales que de nombreux systèmes référencent : patients, personnel, organisations, sites, et médicaments. L'aspiration de la MDM est un dossier en or (golden record) : une version unique, digne de confiance, et réconciliée de chaque entité, assemblée à partir de nombreux systèmes sources, qui agit comme la référence faisant autorité. Ceci est étroitement lié à l'idée d'une source unique de vérité — la pratique consistant à maîtriser chaque élément de données en exactement un endroit faisant autorité afin que tout le reste s'y réfère plutôt que de garder sa propre copie divergente.

Les données de référence sont un sous-type spécifique et important. Les données de référence sont des données utilisées pour classifier ou catégoriser d'autres données — listes de codes, ensembles de valeurs, codes d'organisation, unités de mesure — qui sont typiquement définies externement et changent lentement. Dans la santé et l'action sociale, cela inclut des terminologies cliniques telles que SNOMED CT et des codes nationaux d'organisation et de site ; les normes pour celles-ci sont possédées nationalement et mandatées comme normes d'information (l'interopérabilité et l'échange sont couverts au Sujet 4.3 — Interopérabilité et normes de données, que ce sujet ne répète pas).

Le numéro NHS est l'identifiant patient unique principal en Angleterre, au Pays de Galles, et sur l'île de Man — un numéro à dix chiffres avec une somme de contrôle qui permet aux systèmes de détecter un chiffre mal tapé. C'est l'ancre pour les données de référence de patients. Attacher le bon numéro NHS à la bonne personne est un problème de liaison de dossiers — trouver des dossiers à travers différentes sources qui se réfèrent à la même entité — résolu en Angleterre via le Personal Demographics Service (PDS), l'index démographique national, et localement via un Master Patient Index (MPI). Lorsque la liaison échoue, vous obtenez des doublons (une personne, plusieurs dossiers) ou des superpositions (deux personnes fusionnées en une), les deux dangereux.

Les disciplines opérationnelles qui maintiennent la qualité élevée sont la gouvernance des données — le cadre de droits de décision et de responsabilités pour les données — et le data steward, le rôle nommé responsable de la qualité et de l'aptitude d'un domaine de données défini. Deux techniques reviennent : le profilage de données, examiner les données pour rassembler des statistiques sur leur véritable état, et le nettoyage de données, détecter et corriger les dossiers corrompus, inexacts, ou dupliqués. La prévention bat le remède : la validation de données au point de capture — règles de validation et contraintes qui rejettent ou interrogent une mauvaise entrée avant qu'elle n'entre dans le système — est moins chère et plus sûre que de la nettoyer plus tard.

Bonnes pratiques#

1. Définissez la qualité des données dans les dimensions spécifiques qui comptent pour chaque ensemble de données, et mesurez-les. « Améliorer la qualité des données » n'est pas un objectif ; « élever la complétude du numéro NHS sur l'ensemble de données d'urgence au-dessus du seuil national » l'est. Convenez lesquelles de l'exactitude, complétude, opportunité, validité, cohérence, et unicité comptent le plus pour chaque ensemble de données critique, fixez des cibles mesurables, et rapportez régulièrement contre elles. Le NHS Data Quality Maturity Index (DQMI) donne une mesure comparable prête à l'emploi pour de nombreux ensembles de données nationaux ; utilisez-le comme référence et suivez vos propres métriques locales pour les champs dont les cliniciens et les finances dépendent réellement.

2. Validez au point de capture, pas dans un nettoyage en aval. L'erreur la moins chère à corriger est celle qui n'entre jamais dans le système, et la personne la mieux placée pour corriger un dossier est celle qui le crée, pendant que le patient est devant elle. Construisez des règles de validation, des champs obligatoires, des listes de sélection contrôlées, et une vérification de somme de contrôle du numéro NHS dans les formulaires et interfaces que le personnel utilise réellement, et confirmez l'identité contre le Personal Demographics Service à l'enregistrement. Chaque erreur attrapée à la capture est une erreur qui n'a jamais à être trouvée, enquêtée, et inversée en aval — après qu'elle ait peut-être déjà causé un préjudice.

3. Traitez le numéro NHS comme une ancre critique pour la sécurité et vérifiez-le partout. Le numéro NHS est l'identifiant unique le plus précieux du système car c'est la clé qui lie les dossiers d'une personne en sécurité à travers les organisations. Tracez-le contre le Personal Demographics Service, validez sa somme de contrôle à l'entrée, et signalez les dossiers qui manquent d'un numéro vérifié plutôt que de laisser des données non appariées circuler. Un résultat, orientation, ou ordonnance attaché au mauvais numéro est un danger clinique, donc traitez la qualité du numéro NHS comme un contrôle de sécurité patient, surveillé et escaladé comme tout autre.

4. Établissez la gestion des données de référence avec un dossier en or pour chaque entité centrale. Décidez délibérément quel système maîtrise chaque entité — patients, personnel, organisations, médicaments — et comment un dossier en or unique et réconcilié est assemblé et maintenu depuis les systèmes sources. Exploitez un Master Patient Index réconcilié contre le service démographique national, et gérez un processus contrôlé et auditable pour fusionner les doublons et défusionner les superpositions erronées, car les deux opérations touchent des dossiers cliniques en direct et peuvent elles-mêmes causer un préjudice si faites négligemment. Étendez la même rigueur aux données de référence de personnel et d'organisation, qui sous-tendent le contrôle d'accès, le paiement, et le reporting (voir Sujet 4.2 — Gestion des identités et des accès, et Sujet 5.4 — Planification des ressources d'entreprise (ERP), qui possède les données de référence d'entreprise/finance).

5. Nommez des propriétaires et gardiens de données, et donnez-leur une véritable autorité. La qualité des données se dégrade sans responsabilité claire, donc assignez à chaque domaine de données critique un propriétaire de données senior responsable et un data steward opérationnel qui surveille, enquête, et pilote la correction. Les gardiens ont besoin de position, d'outillage, et de temps — pas une ligne ajoutée à un travail déjà complet — et une voie pour escalader les problèmes systémiques (un formulaire cassé, un flux de travail déroutant, une interface qui perd des champs) vers les personnes qui peuvent corriger la cause. La propriété transforme la qualité des données d'une préoccupation vague de tout le monde en une responsabilité explicite de quelqu'un.

6. Profilez avant de nettoyer, et nettoyez à la source. Avant toute amélioration ou migration, profilez les données pour comprendre leur véritable état — combien de dossiers manquent d'un numéro NHS, combien de doublons existent, quels champs sont systématiquement mal codés — afin de cibler l'effort là où cela compte plutôt que de deviner. Lorsque vous nettoyez, corrigez le dossier dans le système qui le maîtrise et adressez le processus qui a produit l'erreur, pas seulement la copie dans un entrepôt en aval, sinon le même défaut réapparaîtra simplement. Les nettoyages ponctuels qui ignorent la cause sont un tapis roulant ; l'objectif est d'arrêter le robinet, pas seulement éponger le sol.

7. Adoptez les normes d'information nationales et données de référence plutôt que d'inventer des codes locaux. La cohérence à travers les organisations n'est possible que lorsque tout le monde classifie le monde de la même façon, en utilisant des normes définies nationalement mandatées via le processus du Data Alliance Partnership Board (DAPB) (autrefois normes SCCI/ISB) et des terminologies telles que SNOMED CT. Gérez les données de référence et listes de codes sous contrôle de version avec un processus de mise à jour clair, car un ensemble de valeurs silencieusement changé casse l'analyse de tendance et peut corrompre la logique en aval. Les extensions locales devraient être l'exception rare et gouvernée, mappée en retour à la norme nationale (voir Sujet 4.3 — Interopérabilité et normes de données).

8. Rendez la qualité des données visible aux personnes dont les décisions en dépendent. La qualité des données s'améliore quand elle est vue — publiez les métriques de qualité aux équipes cliniques, opérationnelles, et financières afin que le coût de mauvaises données atterrisse là où le travail est fait, pas enterré dans une équipe de données. Montrez aux consommateurs en aval la provenance et les limitations connues des données qu'ils utilisent, afin qu'un analyste, une équipe de paiement, ou un constructeur de modèle puisse juger si elles sont aptes à leur objectif (voir Sujet 10.1 — Indicateurs clés de performance (KPI)). La transparence sur la qualité construit la confiance qui fait que les gens utilisent les données du tout, et l'inconfort d'une métrique rouge visible est souvent ce qui finance finalement le correctif.

Questions à discuter avec votre équipe#

1. Quelles erreurs de données spécifiques dans notre organisation pourraient le plus plausiblement nuire à un patient, et comment le saurions-nous même si elles se produisaient ? Cela recadre la qualité des données d'une vertu abstraite en une question de sécurité avec des dangers nommés, ce qui est la seule version qui se voit priorisée. Passez en revue les chemins d'échec concrets : un dossier dupliqué qui cache une allergie, un numéro NHS mal vérifié qui mal-achemine un résultat, un détail de contact périmé qui signifie qu'une orientation à deux semaines n'atteint jamais le patient. La partie difficile est la détection — la plupart des erreurs de données sont silencieuses, découvertes seulement quand le préjudice se produit ou qu'un audit tombe dessus, donc débattez de si vous avez une façon proactive de les trouver ou si vous comptez sur la chance et les plaintes. Une bonne réponse honnête nomme vos deux ou trois dangers de données à plus haut préjudice, énonce clairement si vous pourriez actuellement détecter chacun, et traite les lacunes comme des risques de sécurité clinique à consigner et posséder (voir Sujet 1.6 — Sécurité clinique et gestion des risques) plutôt que comme de la propreté à faire éventuellement.

2. Où se trouve la source unique de vérité pour nos entités centrales — patients, personnel, organisations, médicaments — et nos systèmes la respectent-ils réellement ? De nombreuses organisations découvrent, quand elles regardent, que le même patient existe différemment dans le système d'administration des patients, le système d'urgence, le système de pathologie, et trois bases de données départementales, sans accord sur laquelle fait autorité. Discutez, entité par entité, de quel système est censé la maîtriser, comment un dossier en or est assemblé, et comment les doublons et superpositions sont trouvés et résolus — y compris qui est autorisé à fusionner deux dossiers, puisque cette opération peut elle-même causer un préjudice. Faites surgir la tension entre l'autonomie locale (départements qui veulent leur propre copie qu'ils peuvent contrôler) et la sécurité à l'échelle du système (une vérité réconciliée), et soyez honnête que la gestion des données de référence est une intendance continue, pas une migration ponctuelle. Une réponse forte identifie le système maîtrisant pour chaque entité, admet où aujourd'hui il n'y a pas de source de vérité convenue, et s'engage à un propriétaire nommé et un processus de réconciliation plutôt qu'un nettoyage de base de données qui pourrira silencieusement à nouveau.

3. Lorsque nos données alimentent un paiement, un retour national, un dossier commercial, ou un modèle d'IA, à qui incombe de savoir si elles sont aptes à cet objectif ? Les données capturées pour une raison sont constamment réutilisées pour d'autres, et une qualité adéquate pour une note clinique peut être dangereusement trompeuse dans un algorithme ou une formule de financement. Débattez de qui est responsable de juger l'aptitude au point de réutilisation : l'analyste, le responsable financier, ou le constructeur de modèle connaît-il la provenance, la complétude, et les défauts connus des données sur lesquelles il compte, ou suppose-t-il qu'elles sont propres parce qu'elles semblent soignées ? Considérez des cas concrets — un écart de codage qui sous-estime discrètement l'activité et donc le revenu, ou un champ démographique avec une absence biaisée qui biaise un modèle d'IA contre un groupe de patients (voir Sujet 8.4 — Gouvernance de l'IA et des technologies émergentes, et Sujet 1.8 — Éthique des données, consentement et confiance publique). Une bonne réponse établit que l'aptitude à l'objectif est évaluée explicitement à chaque point de réutilisation, que les données portent une provenance visible et des mises en garde de qualité, et que personne ne fait silencieusement confiance à des chiffres dont ils n'ont jamais vu les limitations.

4. Prévenons-nous les erreurs au point de capture, ou poussons-nous discrètement le fardeau de la qualité des données sur des cliniciens déjà surchargés ? La prévention à la source est la forme la moins chère et la plus sûre de qualité des données, mais elle vit ou meurt dans la conception des formulaires et flux de travail que le personnel utilise réellement sous pression. Discutez de si vos écrans de capture aident véritablement — validation de somme de contrôle, listes de sélection contrôlées, identité vérifiée PDS, défauts sensés — ou s'ils empilent plutôt des champs obligatoires et avertissements sur un accueil occupé jusqu'à ce que les gens apprennent à cliquer au-delà. Il y a une véritable tension ici : trop peu de validation laisse circuler de mauvaises données, mais une validation maladroite engendre des solutions de contournement, des valeurs factices, et une fatigue d'alerte qui corrompent les données de façons plus subtiles. Regardez où le personnel entre « inconnu », réutilise un défaut, ou garde une feuille de calcul privée pour éviter un flux de travail douloureux, car chacun est un signal que le système combat le travail plutôt que de le soutenir. Une réponse honnête traite la conception de capture comme un problème clinique, opérationnel, et de données conjoint, la teste avec les personnes qui l'utilisent, et mesure si la validation réduit réellement les erreurs en aval plutôt que de simplement les déplacer.

5. Les personnes que nous appelons propriétaires et gardiens de données ont-elles la position, le temps, et les outils pour changer quoi que ce soit, ou l'intendance est-elle un titre ajouté à un travail déjà complet ? La qualité des données se dégrade sans responsabilité claire, mais nommer un propriétaire sur une diapositive n'est pas la même chose que d'en doter en ressources un, et l'intendance échoue silencieusement quand la personne nommée n'a ni autorité ni capacité. Débattez de ce que vos gardiens peuvent réellement faire quand ils trouvent un problème systémique — une interface cassée qui perd des champs, un formulaire déroutant, un flux de travail qui fabrique des doublons : peuvent-ils le faire corriger, ou peuvent-ils seulement le consigner et espérer ? Faites surgir le compromis entre répartir l'intendance finement à travers de nombreuses personnes qui font chacune un peu en marge, et la concentrer dans un plus petit nombre de rôles véritablement dotés en ressources avec du temps réservé et de l'outillage fourni. Considérez si les gardiens ont une véritable voie d'escalade vers les personnes qui possèdent les systèmes et processus causant, et si les propriétaires de données seniors sont tenus responsables de la qualité de leur domaine. Une bonne réponse est honnête sur si l'intendance est actuellement réelle ou cérémonielle, et s'engage à l'autorité, au temps, et à l'outillage plutôt qu'à une autre responsabilité non financée.

6. Comment gérons-nous les normes nationales et les données de référence dans le temps, et que se passe-t-il quand une liste de codes ou terminologie change sous nous ? Les données de référence et terminologies telles que SNOMED CT sont définies externement et changent lentement mais continuellement, et un ensemble de valeurs silencieusement mis à jour peut casser l'analyse de tendance ou corrompre la logique en aval sans que personne ne le remarque. Discutez de si vos listes de codes et mappages sont sous contrôle de version avec un processus de mise à jour clair, ou s'ils vivent dans des recherches non documentées que quelqu'un édite sur place. Examinez l'attraction vers l'invention de codes locaux quand la norme nationale semble maladroite, et soyez honnête sur le coût à long terme : les classifications locales rendent vos données impossibles à comparer ou agréger avec celles de quiconque d'autre et deviennent un fardeau de mappage permanent (voir Sujet 4.3 — Interopérabilité et normes de données). Considérez comment vous détecteriez même qu'une valeur de référence a changé, et comment vous évalueriez l'impact sur les analyses, paiements, et modèles qui en dépendent. Une réponse forte traite les données de référence comme un actif gouverné et versionné avec un processus nommé pour adopter les changements nationaux, garde les extensions locales rares et mappées en retour à la norme, et peut tracer quels usages en aval un changement affecterait.

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

Le Northmoor Integrated Care System exploite un dossier de soins partagé couvrant deux trusts de soins aigus, un trust de santé mentale, des services communautaires, et 60 cabinets de médecins généralistes. Après un incident grave — une allergie sévère à la pénicilline d'un patient enregistrée dans un trust était invisible dans un autre car le dossier n'avait pas réussi à se lier, et le patient s'est vu prescrire le médicament — le conseil d'administration traite la qualité des données comme une priorité de sécurité clinique plutôt qu'une préoccupation d'arrière-guichet. Une revue rapide trouve que la cause racine est les données de référence : les mêmes patients existent comme des doublons à travers les systèmes, et la vérification du numéro NHS est incohérente à la porte d'entrée.

L'ICS établit un forum de gouvernance des données avec un propriétaire de données senior nommé pour les données de référence de patients et des data stewards opérationnels dans chaque prestataire. Leur premier acte est de profiler le parc : ils découvrent que la vérification du numéro NHS contre le Personal Demographics Service se produit de manière fiable dans certains flux de travail d'enregistrement et pas d'autres, et que le dossier partagé contient une population significative de dossiers dupliqués et non appariés. Plutôt qu'un nettoyage massif, ils corrigent d'abord la cause — appliquant la vérification PDS et la validation de somme de contrôle à chaque point de capture — afin que la population de doublons cesse de croître pendant qu'ils travaillent à travers l'arriéré.

Ils mettent en place un Master Patient Index réconcilié contre le service démographique national, avec un processus contrôlé, audité, et cliniquement supervisé pour fusionner les doublons et inverser toute superposition erronée, reconnaissant que les deux opérations touchent des dossiers en direct. Ils adoptent le NHS Data Quality Maturity Index comme référence externe pour leurs soumissions d'ensembles de données nationaux et ajoutent des métriques locales pour les champs dont les cliniciens dépendent le plus — allergies, complétude du numéro NHS, démographies clés — les publiant aux dirigeants cliniques et opérationnels de chaque prestataire afin que les chiffres ne puissent pas être ignorés.

Dix-huit mois plus tard, le changement est visible dans les résultats, pas seulement les tableaux de bord : la vérification du numéro NHS est presque universelle à la capture, le taux de doublons baisse, et l'information d'allergie se réconcilie de manière fiable à travers le dossier partagé. Lorsque l'ICS cadre plus tard un modèle de stratification de risque de santé de population, l'équipe d'analytique peut énoncer la provenance et la complétude des données sous-jacentes et signaler où l'absence pourrait biaiser le modèle, car les données de référence et métriques de qualité existent maintenant pour soutenir ce jugement (voir Sujet 4.5 — Données, analytique et gestion de la santé de la population). Le travail peu glamour — un forum de gouvernance, des gardiens, la validation à la capture, un MPI — a converti un risque invisible et nuisible en un risque géré.

Angles sectoriels#

Startup#

Une startup de santé numérique traite souvent la qualité des données comme un problème futur, se concentrant sur les fonctionnalités tout en acceptant des données désordonnées pour aller vite. C'est une erreur avec les données de santé, où un patient mal apparié ou un numéro NHS non vérifié est un problème de sécurité dès le premier vrai patient, pas le millième. Construisez la validation, la vérification de somme de contrôle du numéro NHS, et — là où vous pouvez y accéder — la correspondance avec le Personal Demographics Service dans vos flux de capture dès le départ, car adapter la discipline d'identité après avoir un grand corpus de dossiers non appariés est douloureux et risqué. Votre crédibilité auprès des acheteurs du NHS dépend de la capacité à montrer que vos données sont dignes de confiance, leur provenance est claire, et vous ne polluerez pas leurs données de référence lors de l'intégration.

Petite entreprise#

Un prestataire établi de petite taille — un cabinet de médecins généralistes, une pharmacie communautaire, une maison de retraite ou une clinique monosite — porte le même devoir de bien gérer l'identité et les allergies qu'un grand trust, mais sans équipe de données et souvent sans informatique dédiée. Ici, la gestion des données de référence n'est pas un projet de plateforme ; c'est l'usage discipliné des outils que vous avez déjà : vérifier le numéro NHS contre le Personal Demographics Service à l'enregistrement, garder les démographies à jour, et ne pas laisser les dossiers dupliqués s'accumuler dans votre système clinique. Appuyez-vous sur l'infrastructure nationale qui vous est fournie — PDS, SNOMED CT, codes d'organisation nationaux — plutôt que d'inventer des raccourcis locaux, car elle fait le gros du travail qu'une petite organisation ne peut pas faire. Nommez une personne comme propriétaire pratique de la qualité des données même si c'est une partie d'un rôle plus large, et utilisez les fonctionnalités de validation, correspondance, et déduplication du fournisseur de votre système plutôt que de tolérer des données désordonnées car « nous sommes trop petits pour nous en préoccuper » — le préjudice d'un mauvais dossier est de la même taille quelle que soit l'organisation.

Entreprise#

Un grand trust du NHS ou ICS exploite des dizaines de systèmes qui détiennent chacun leur propre version des patients, du personnel, et des organisations, donc son défi central est la réconciliation et l'intendance à l'échelle. L'objectif réaliste est un Master Patient Index gouverné et un petit nombre de dossiers en or faisant autorité, appliqués via les interfaces et la validation, pas une seule base de données monolithique qui remplace tout. Investissez dans des propriétaires et gardiens de données nommés avec une véritable autorité, liez les données de référence à la gestion des identités et des accès et au paiement, et traitez les fusions et superpositions comme des opérations cliniquement supervisées car à cette échelle elles touchent des soins en direct. Les plus grands gains viennent de la prévention à la capture et de l'adoption disciplinée de normes nationales appliquée de manière cohérente, plutôt que des nettoyages périodiques héroïques qui se dégradent au moment où ils se terminent.

Gouvernement#

Un organisme national — NHS England, et les organismes de normes qui ont succédé à NHS Digital — façonne l'environnement de qualité des données dans lequel chaque prestataire travaille. Il exploite l'infrastructure partagée qui rend possible la qualité locale : le Personal Demographics Service comme index démographique national, le numéro NHS comme clé commune, des terminologies et données de référence nationales, et le Data Quality Maturity Index qui rend la performance comparable à travers les organisations. Son levier est de mandater les normes d'information via le processus du Data Alliance Partnership Board, de publier des métriques de qualité comparables qui créent une pression d'amélioration, et de gérer les données de référence afin que tout le monde classifie le monde de la même façon. Le gouvernement porte aussi l'obligation d'équité : surveiller l'absence biaisée et s'assurer que la qualité des données ne désavantage pas silencieusement des groupes dont les dossiers sont les moins complets (voir Sujet 9.1 — Travailler avec les gouvernements locaux et nationaux).

Modes d'échec courants#

• Nettoyer pour toujours, ne rien corriger. Des nettoyages en aval répétés qui n'adressent jamais le processus de capture sont un tapis roulant ; les mêmes doublons et erreurs réapparaissent chaque cycle. Corrigez la cause à la source.
• Valide mais erroné. Un dossier qui passe la validation de format peut toujours être inexact — un numéro NHS correctement formaté mais erroné est plus dangereux qu'un vide car il semble digne de confiance. Validez contre de véritables sources de référence, pas seulement le format.
• Aucun propriétaire nommé. Quand la qualité des données est la préoccupation de tout le monde, ce n'est le travail de personne ; les problèmes sont admirés en réunion et jamais résolus. Assignez des propriétaires responsables et des gardiens habilités.
• Données de référence par accident. Laisser chaque système garder sa propre copie divergente des patients ou organisations, sans source de vérité convenue, garantit l'incohérence et des doublons dangereux. Décidez délibérément ce qui maîtrise chaque entité.
• Fusions et superpositions imprudentes. Fusionner deux dossiers ou séparer un dossier mal fusionné touche des données cliniques en direct ; fait sans contrôle ni supervision clinique, cela peut cacher ou mal attribuer une information critique. Faites-en un processus audité et supervisé.
• Codes locaux qui cassent la comparabilité. Inventer des classifications locales au lieu d'utiliser les normes nationales rend les données impossibles à comparer ou agréger et corrompt l'analyse de tendance quand elles changent silencieusement. Adoptez et versionnez les données de référence nationales.
• Réutilisation silencieuse. Alimenter des données de qualité inconnue dans des paiements, retours nationaux, ou modèles d'IA sans énoncer leur provenance et limitations propage des erreurs cachées à l'échelle. Faites de l'aptitude à l'objectif un jugement explicite à chaque point de réutilisation.

Modèle de maturité#

Liste de contrôle#

• Les ensembles de données critiques ont des dimensions de qualité convenues, des cibles mesurables, et un rapport régulier, benchmarkés où possible contre le DQMI.
• Le numéro NHS est validé par somme de contrôle et vérifié contre le Personal Demographics Service à chaque point de capture.
• Chaque entité centrale (patient, personnel, organisation, médicament) a un système maîtrisant désigné et un dossier en or.
• Un Master Patient Index est réconcilié contre le service démographique national, avec un processus de fusion et superposition audité et cliniquement supervisé.
• Chaque domaine de données critique a un propriétaire de données nommé et un data steward habilité avec outillage et voie d'escalade.
• Les données sont profilées avant migration ou amélioration, et le nettoyage corrige le système source et le processus causant, pas seulement les copies en aval.
• Les normes d'information et terminologies nationales (via le processus DAPB, SNOMED CT) sont adoptées, et les données de référence sont sous contrôle de version.
• Les métriques de qualité des données sont publiées aux équipes cliniques, opérationnelles, et financières dont les décisions dépendent des données.
• La provenance et les limitations de qualité connues voyagent avec les données quand elles sont réutilisées pour paiement, retours nationaux, recherche, ou IA.
• Les dangers de qualité de données à haut préjudice sont consignés et possédés comme risques de sécurité clinique, avec un moyen de détection proactive.

Sources clés#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — a monthly comparable measure of data quality across national datasets.
• NHS England — Personal Demographics Service (PDS) and NHS number guidance — the national demographic index and primary patient identifier.
• NHS England — Information standards published through the Data Alliance Partnership Board (DAPB) process (formerly SCCI/ISB standards).
• DAMA International — DMBOK (Data Management Body of Knowledge) — the recognised framework for data governance, quality and master data management.
• SNOMED International / NHS England — SNOMED CT clinical terminology and dm+d (dictionary of medicines and devices) for medicines master and reference data.
• HM Government — Data Standards Authority and the Government Data Quality Framework — cross-government guidance on data quality dimensions and stewardship.
• National Data Guardian — Caldicott principles — on the appropriate use and quality of confidential patient information.

Références#

1. Data quality — Wikipédia — https://en.wikipedia.org/wiki/Data_quality
2. Master data management — Wikipédia — https://en.wikipedia.org/wiki/Master_data_management
3. Single source of truth — Wikipédia — https://en.wikipedia.org/wiki/Single_source_of_truth
4. Reference data — Wikipédia — https://en.wikipedia.org/wiki/Reference_data
5. SNOMED CT — Wikipédia — https://en.wikipedia.org/wiki/SNOMED_CT
6. NHS number — Wikipédia — https://en.wikipedia.org/wiki/NHS_number
7. Record linkage — Wikipédia — https://en.wikipedia.org/wiki/Record_linkage
8. Data governance — Wikipédia — https://en.wikipedia.org/wiki/Data_governance
9. Data steward — Wikipédia — https://en.wikipedia.org/wiki/Data_steward
10. Data profiling — Wikipédia — https://en.wikipedia.org/wiki/Data_profiling
11. Data cleansing — Wikipédia — https://en.wikipedia.org/wiki/Data_cleansing
12. Data validation — Wikipédia — 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