विषय 4.5 — डेटा, विश्लेषिकी, और जनसंख्या स्वास्थ्य प्रबंधन

स्वास्थ्य और देखभाल में, विश्लेषिकी बनाने लायक तभी है जब यह एक निर्णय, एक मार्ग, या एक जीवन बदलती है — डेटा को अंतर्दृष्टि में बदलना जो उन लोगों तक पहुंचती है जिन्हें इसकी सबसे अधिक आवश्यकता है, और ऐसा उन तरीकों से करना जिन पर जनता भरोसा कर सके।

यह स्वास्थ्य और देखभाल में क्यों महत्वपूर्ण है#

विषय 4.3 — अंतरसंचालनीयता और डेटा मानक सिस्टमों के बीच डेटा को सुरक्षित रूप से स्थानांतरित करने के बारे में है ताकि यह वहां पहुंचे जहां इसकी आवश्यकता है। यह विषय इसके बाद क्या होता है इसके बारे में है: उस डेटा को अंतर्दृष्टि में, और अंतर्दृष्टि को कार्रवाई में बदलना। दोनों को मिलाना आसान है और भ्रमित करना महंगा है। आपके पास निर्दोष अंतरसंचालनीयता हो सकती है और फिर भी खराब निर्णय ले सकते हैं, और आपके पास समृद्ध विश्लेषिकी हो सकती है जो कभी एक भी रोगी की देखभाल को नहीं छूती।

स्वास्थ्य और देखभाल में विश्लेषिकी एक ऐसा वजन उठाती है जो खुदरा या रसद में विश्लेषिकी नहीं उठाती। जब आप एक जनसंख्या को खंडित करते हैं और एक हस्तक्षेप को लक्षित करते हैं, तो आप तय कर रहे हैं कि किसकी अस्थमा समीक्षा पहले होती है, कौन से कमज़ोर वृद्ध लोगों को शीतकालीन संकट से पहले एक सक्रिय कॉल मिलती है, और जहां एक फैली हुई सामुदायिक टीम अपने सीमित घंटे खर्च करती है। विश्लेषण को गलत करें — एक पक्षपाती जोखिम मॉडल, एक डेटा-गुणवत्ता अंतराल जो एक वंचित पड़ोस को कम गिनता है, एक डैशबोर्ड जो प्रदर्शन को खुश करता है — और आप उन्हीं असमानताओं को व्यापक बना सकते हैं जिन्हें आप बंद करना चाहते थे। परिणाम क्लिनिकल और नैतिक हैं, केवल वाणिज्यिक नहीं।

सार्वजनिक विश्वास वह अन्य बाधा है जो इस क्षेत्र को विशिष्ट बनाती है। लोग व्यापक रूप से अपने डेटा को देखभाल में सुधार करने और अनुसंधान का समर्थन करने के लिए इच्छुक हैं, लेकिन केवल तब जब वे देख सकें कि यह सुरक्षित, कानूनी रूप से, और वैध उद्देश्यों के लिए संभाला जाता है। इंग्लैंड में 2014 में care.data कार्यक्रम की विफलता, जनता और क्लिनिशियनों द्वारा इस पर विश्वास खोने के बाद छोड़ दी गई कि डेटा कैसे निकाला और उपयोग किया जाएगा, हर स्वास्थ्य विश्लेषिकी नेता को जानने वाली सावधानी की कहानी बनी हुई है। विश्वास, एक बार खोने पर, फिर से बनाने में धीमा और महंगा होता है, और यह वर्षों बाद तक आप क्या कर सकते हैं इसे सीमित करता है। इसलिए विश्लेषिकी का "कैसे" — प्लेटफ़ॉर्म, अभिगम मार्ग, प्रशासन, पारदर्शिता — बैक-ऑफ़िस प्लंबिंग नहीं है। यह क्लिनिकल-सुरक्षा, समानता, और सार्वजनिक-विश्वास समझौते का हिस्सा है जो इस पूरी किताब में चलता है।

मुख्य अवधारणाएं#

व्यावसायिक बुद्धिमत्ता निर्णयों को सूचित करने के लिए डेटा का विश्लेषण करने की प्रथाओं और तकनीकों का समूह है — डैशबोर्ड, रिपोर्ट, और उनके पीछे बैठी क्वेरी। यह अच्छे डेटा विज़ुअलाइज़ेशन के माध्यम से प्रस्तुत डेटा विश्लेषण पर टिकी है, क्योंकि एक चार्ट जिसे एक व्यस्त क्लिनिशियन या निदेशक सेकंडों में पढ़ सकता है एक तालिका को हराता है जिसे कोई नहीं खोलता।

विश्लेषणात्मक महत्वाकांक्षा का वर्णन करने का एक उपयोगी तरीका परिपक्वता सीढ़ी है: वर्णनात्मक विश्लेषिकी (क्या हुआ), निदान विश्लेषिकी (यह क्यों हुआ), भविष्यसूचक विश्लेषिकी (आगे क्या होने की संभावना है), और निर्देशात्मक विश्लेषिकी (आपको इसके बारे में क्या करना चाहिए)। अधिकांश संगठन अपना अधिकांश समय पहली सीढ़ी पर बिताते हैं, और यह अक्सर सही जगह होती है — एक विश्वसनीय वर्णनात्मक चित्र, भरोसा किया गया और कार्रवाई की गई, एक भंगुर भविष्यसूचक मॉडल से अधिक मूल्यवान है जिसका कोई उपयोग नहीं करता।

इन सबके नीचे एक डेटा प्लेटफ़ॉर्म है। एक डेटा वेयरहाउस रिपोर्टिंग के लिए संरचित, मॉडल किया गया डेटा संग्रहीत करता है; एक डेटा लेक बाद में प्रसंस्करण के लिए किसी भी आकार का कच्चा डेटा संग्रहीत करता है; "लेकहाउस" पैटर्न दोनों को मिश्रित करता है। आप जो भी चुनें, प्लेटफ़ॉर्म केवल उतना ही भरोसेमंद है जितनी इसकी डेटा गुणवत्ता — अंतर्निहित रिकॉर्ड की पूर्णता, सटीकता, समयबद्धता, और निरंतरता — और इसका डेटा प्रशासन, स्वामित्व, परिभाषाओं, और अभिगम निर्णयों का जवाबदेह ढांचा जो डेटा को उपयोग के लिए उपयुक्त रखता है। निकटता से संबंधित मास्टर डेटा प्रबंधन है — रोगियों, स्टाफ, और संगठनों जैसे मुख्य संदर्भ डेटा का एक एकल, आधिकारिक संस्करण बनाए रखना — ताकि विश्लेषिकी असंगत पहचानकर्ताओं में टूट न जाए।

जनसंख्या स्वास्थ्य प्रबंधन इस विषय के केंद्र में अनुप्रयुक्त अनुशासन है: एक परिभाषित जनसंख्या के स्वास्थ्य को समझने, इसे समान आवश्यकताओं वाले समूहों में खंडित करने, जोखिम को स्तरीकृत करने, और उन लोगों को हस्तक्षेप लक्षित करने के लिए जुड़े डेटा का उपयोग करना जो सबसे अधिक लाभान्वित होंगे। अच्छी तरह से किया गया, यह स्वास्थ्य समानता से निपटने के लिए उपलब्ध सबसे तीक्ष्ण उपकरणों में से एक है — कम सेवा प्राप्त समूहों की ओर उनके संकट में प्रस्तुत होने की प्रतीक्षा करने के बजाय सक्रिय देखभाल को निर्देशित करना। इनमें से कोई भी डेटा साक्षरता के बिना काम नहीं करता — नेताओं, क्लिनिशियनों, और विश्लेषकों समान रूप से डेटा को ईमानदारी से पढ़ने, प्रश्न करने, और उस पर कार्य करने की क्षमता।

अंत में, एक Secure Data Environment (SDE) — अंतरराष्ट्रीय स्तर पर, एक Trusted Research Environment (TRE) — नियंत्रित मार्ग है जिसके माध्यम से शोधकर्ता और योजनाकार संवेदनशील डेटा का विश्लेषण करते हैं। विश्लेषक के लिए डेटा कॉपी करने के बजाय, विश्लेषक को एक सुरक्षित, ऑडिट किए गए वातावरण के अंदर डेटा तक लाया जाता है, और केवल समग्र, गैर-पहचान परिणाम बाहर निकलते हैं। यह वह मॉडल है जो विषय 1.8 — डेटा नैतिकता, सहमति, और सार्वजनिक विश्वास में चर्चा किए गए सार्वजनिक विश्वास के साथ विश्लेषणात्मक महत्वाकांक्षा को समेटता है।

सर्वोत्तम प्रथाएं#

1. डेटा से नहीं, निर्णय से शुरू करें। एक डैशबोर्ड या मॉडल कमीशन करने से पहले, यह नाम दें कि यह किस निर्णय को बदलेगा, उस निर्णय का स्वामी कौन है, और अंतर्दृष्टि देखने के बाद वे अलग तरीके से क्या करेंगे। यदि आप उन प्रश्नों का उत्तर नहीं दे सकते, तो आप एक रिपोर्ट बना रहे हैं जिस पर कोई कार्रवाई नहीं करेगा। यह अनुशासन — इच्छित कार्रवाई से पीछे की ओर काम करना — अप्रयुक्त विश्लेषिकी के फैलाव के खिलाफ एकमात्र सबसे विश्वसनीय बचाव है, और यह विषय 1.3 — साक्ष्य-संचालित निर्णयों की साक्ष्य-से-कार्रवाई आदतों से सीधे जुड़ता है।

2. विश्लेषिकी सीढ़ी को जानबूझकर चढ़ें, प्रतिवर्ती रूप से नहीं। वर्णनात्मक और निदान विश्लेषिकी अधिकांश परिचालन प्रश्नों का उत्तर देती है और भविष्यसूचक या निर्देशात्मक काम से सस्ती, अधिक व्याख्या योग्य, और अधिक भरोसेमंद है। एक भविष्यसूचक मॉडल के लिए तभी पहुंचें जब एक निर्णय को वास्तव में दूरदर्शिता की आवश्यकता हो और आप मायने रखने के लिए समय पर भविष्यवाणी पर कार्य कर सकें। एक जोखिम स्कोर जो उन रोगियों की पहचान करता है जिनकी मदद करने की आपके पास कोई क्षमता नहीं है एक शैक्षणिक अभ्यास है, जनसंख्या स्वास्थ्य प्रबंधन नहीं।

3. डेटा गुणवत्ता को एक प्रथम-श्रेणी उत्पाद मानें, बाद का सफ़ाई विचार नहीं। अपने मुख्य डेटा प्रवाह की पूर्णता, सटीकता, और समयबद्धता को मापें, उन मापों को प्रकाशित करें, और नामित स्वामियों को उनके लिए जवाबदेह बनाएं। जातीयता, वंचन, या विकलांगता की खराब कोडिंग एक तकनीकी फ़ुटनोट नहीं है — यह व्यवस्थित रूप से उन जनसंख्याओं को छुपाती है जिन्हें आपको सबसे अधिक देखने की आवश्यकता है, इसलिए गुणवत्ता अंतराल समानता अंतराल बन जाते हैं। जहां भी हो सके परिचालन सिस्टमों में स्रोत पर डेटा गुणवत्ता ठीक करें, क्योंकि डाउनस्ट्रीम सुधार अंतहीन और हानिकर है।

4. एक स्पष्ट विश्लेषक और डेटा-इंजीनियरिंग परिचालन मॉडल चलाएं। विश्वसनीय, अच्छी तरह से मॉडल किए गए डेटा पाइपलाइनों की इंजीनियरिंग के काम को विश्लेषण और व्याख्या के काम से अलग करें। साझा परिभाषाएं, संस्करण नियंत्रण, विश्लेषणात्मक कोड की सहकर्मी समीक्षा, और पुनरुत्पादनीय तरीके अपनाएं ताकि एक संख्या हर किसी के लिए एक ही अर्थ रखे और मांग पर फिर से उत्पन्न की जा सके। सार्वजनिक क्षेत्र में अंग्रेज़ी "Reproducible Analytical Pipelines" आंदोलन उधार लेने लायक एक व्यावहारिक मॉडल है।

5. स्व-सेवा सक्षम करें, लेकिन परिभाषाओं को केंद्रीय रूप से शासित करें। टीमों को डेटा का अन्वेषण करने और अपने खुद के दृश्य बनाने दें, क्योंकि एक केंद्रीय टीम कभी हर प्रश्न का पर्याप्त तेज़ी से उत्तर नहीं दे सकती। एक शासित शब्दार्थ परत की देखभाल करके विखंडन के खिलाफ रक्षा करें — प्रमाणित डेटासेट और "प्रतीक्षा सूची" या "टालने योग्य प्रवेश" जैसे मीट्रिक की सहमत परिभाषाएं — ताकि स्व-सेवा असहमति को गुणा करने के बजाय अंतर्दृष्टि को गुणा करे कि संख्याओं का क्या अर्थ है।

6. समानता को लक्षित करने के लिए जनसंख्या स्वास्थ्य प्रबंधन का उपयोग करें, और पूर्वाग्रह की जांच करें। उन लोगों की ओर सक्रिय देखभाल को निर्देशित करने के लिए अपनी जनसंख्या को खंडित करें और जोखिम को स्तरीकृत करें जो सबसे अधिक लाभान्वित होंगे, जानबूझकर उन समूहों को शामिल करते हुए जो ऐतिहासिक रूप से देर से या बिल्कुल नहीं प्रस्तुत होते। हर मॉडल में पूर्वाग्रह की जांच करें: यदि एक जोखिम स्तरीकरण उपकरण एक वंचित या अल्पसंख्यक-जातीय समूह को कम स्कोर करता है क्योंकि उनका डेटा विरल है, तो यह चुपचाप संसाधन को उनसे दूर मोड़ देगा। संरक्षित विशेषता और वंचन के अनुसार परिणामों का ऑडिट करें, केवल समग्र में नहीं।

7. Secure Data Environments को संवेदनशील डेटा का डिफ़ॉल्ट मार्ग बनाएं। अनुसंधान, योजना, और द्वितीयक उपयोग के लिए, प्रतियां निकालने के बजाय विश्लेषकों को एक SDE या TRE के अंदर डेटा तक लाएं। यह आपकी हमला सतह को सिकोड़ता है, एक पूर्ण ऑडिट ट्रेल बनाता है, और जनता को एक बचाव योग्य, पारदर्शी कहानी देता है कि उनके डेटा का उपयोग कैसे किया जाता है। प्रकाशित करें कि किसके पास अभिगम है, किस उद्देश्य के लिए, और किसकी स्वीकृति के तहत, अपने दृष्टिकोण को विषय 1.7 — सूचना प्रशासन, डेटा सुरक्षा और साइबर सुरक्षा में कवर किए गए प्रशासन से जोड़ते हुए।

8. विश्लेषिकी से परिणामों और मूल्य तक लूप बंद करें। हर महत्वपूर्ण विश्लेषिकी उत्पाद के लिए, ट्रैक करें कि क्या इच्छित कार्रवाई हुई और क्या परिणाम में सुधार हुआ — केवल यह नहीं कि क्या डैशबोर्ड देखा गया था। ऐसे उत्पादों को रिटायर करें जो अब निर्णय नहीं बदलते। जहां भी आप कर सकते हैं, विषय 6.1 — स्वास्थ्य अर्थशास्त्र के तरीकों का उपयोग करके विश्लेषणात्मक अंतर्दृष्टि को मापे गए मूल्य से जोड़ें, ताकि डेटा प्लेटफ़ॉर्म में निवेश गतिविधि के बजाय परिणामों द्वारा न्यायोचित हो।

9. डेटा गुणवत्ता को एक मापित अनुशासन के रूप में प्रबंधित करें, क्योंकि विश्लेषिकी और AI उनके नीचे की हर खामी को विरासत में लेते हैं। अपने महत्वपूर्ण डेटा प्रवाह के लिए पूर्णता, सटीकता, समयबद्धता, और वैधता को परिभाषित और निगरानी करें, थ्रेशोल्ड सेट करें, और जब वे फिसलें तो एक बोर्ड रिपोर्ट में अंतराल खोजने के बजाय कार्य करें। एक मॉडल या डैशबोर्ड इसे खिलाने वाले रिकॉर्ड से ऊपर नहीं उठ सकता, इसलिए गुणवत्ता को नामित स्वामियों के साथ एक चालू परिचालन कार्य के रूप में मानें, एक परियोजना से पहले एक बार की सफ़ाई नहीं। यह उन क्षेत्रों के लिए सबसे अधिक मायने रखता है जो समानता उठाते हैं — जातीयता, वंचन, विकलांगता — जहां विरल या असंगत कोडिंग चुपचाप हर डाउनस्ट्रीम निष्कर्ष को विकृत करती है।

10. अपने मुख्य संदर्भ डेटा के लिए मास्टर डेटा प्रबंधन स्थापित करें। उन संस्थाओं का एक एकल, आधिकारिक संस्करण बनाए रखें जिनसे बाकी सब कुछ जुड़ता है — NHS Number पर कुंजीबद्ध रोगी, स्टाफ, और संगठन — हर एक कैसे बनाया, मिलान, और रिटायर किया जाता है इस पर स्पष्ट प्रबंधन के साथ। इसके बिना, एक ही रोगी कई पहचानकर्ताओं के तहत दिखाई देता है और एक ही सेवा कई नामों के तहत, इसलिए विश्लेषिकी टूट जाती है और योग कभी मेल नहीं खाते। भरोसेमंद मास्टर डेटा में निवेश करना अचमकदार है, लेकिन पैमाने पर एक अस्पष्ट पहचानकर्ता पूरे सिस्टम में देखभाल को गलत निर्देशित कर सकता है और प्रदर्शन को गलत बता सकता है।

आपकी टीम के साथ चर्चा करने के लिए प्रश्न#

1. अगर हम अपने डैशबोर्ड और रिपोर्ट कल बंद कर दें तो किसे नोटिस होगा — और उत्तर हमें क्या बताता है? अधिकांश विश्लेषिकी संपत्ति वर्षों में जमा होती है, और यह जो पैदा करती है उसका एक बड़ा हिस्सा शायद ही कभी या कभी नहीं देखा जाता। यह प्रश्न एक ईमानदार सूची को मजबूर करता है: हर महत्वपूर्ण उत्पाद के लिए, क्या आप उस निर्णय को नाम दे सकते हैं जिसे यह सूचित करता है, उस निर्णय का स्वामी व्यक्ति, और आखिरी बार जब इसने एक को बदला? बंद करना, या बंद करने की पेशकश करना, एक तेज़ निदान है — वास्तविक विरोध यह प्रकट करता है कि क्या मायने रखता है, मौन यह प्रकट करता है कि क्या नहीं। जो टीमें फलती-फूलती हैं वे अप्रयुक्त को रिटायर करने में निर्दयी हैं, क्योंकि हर मृत डैशबोर्ड अभी भी रखरखाव का उपभोग करता है, जब इसकी संख्याएं बहती हैं तो विश्वास को क्षय करता है, और उन रिपोर्टों को दफना देता है जो मायने रखती हैं। उस मुक्त किए गए प्रयास को कुछ अच्छी तरह से उपयोग किए गए, अच्छी तरह से शासित उत्पादों की ओर पुनः आवंटित करना लगभग हमेशा पूरी संपत्ति के मूल्य को बढ़ाता है। "बस मामले में" सब कुछ रखने की प्रतिवर्ती प्रतिक्रिया से सावधान रहें — यह प्रतिवर्ती प्रतिक्रिया ठीक वही है जो आपको ऐसी विश्लेषिकी तक पहुंचाती है जिस पर कोई कार्रवाई नहीं करता।

2. क्या हमारी विश्लेषिकी स्वास्थ्य असमानताओं को अधिक दृश्यमान बनाती है, या क्या वे उन्हें छुपाती हैं? समग्र मीट्रिक — एक एकल ट्रस्ट-व्यापी प्रतीक्षा समय, एक समग्र टीकाकरण दर — नीचे तीव्र असमानताओं को छुपाते हुए आश्वस्त कर सकते हैं। परीक्षण यह है कि क्या आपके मानक उत्पाद वंचन, जातीयता, विकलांगता, और अन्य प्रासंगिक विशेषताओं द्वारा परिणामों को तोड़ते हैं, और क्या आपका डेटा ईमानदारी से ऐसा करने के लिए पर्याप्त अच्छा है। यदि जातीयता खराब रूप से कोडित है या वंचन जुड़ा नहीं है, तो आपकी विश्लेषिकी उन जनसंख्याओं के प्रति संरचनात्मक रूप से अंधी है जिन तक आपको सबसे अधिक पहुंचने की आवश्यकता है, और वह अंधापन आकार देगा कि संसाधन कहां बहते हैं। चर्चा करें कि आपकी वर्तमान डेटा गुणवत्ता समानता विश्लेषण को कहां निराश करती है, और इसे स्रोत पर ठीक करने के लिए क्या लगेगा। यह भी विचार करें कि क्या आपके भविष्यसूचक मॉडलों की कम सेवा प्राप्त समूहों के खिलाफ पूर्वाग्रह के लिए जांच की गई है। यह बातचीत आपकी विश्लेषिकी को किताब की समानता रीढ़ और विषय 1.8 — डेटा नैतिकता, सहमति, और सार्वजनिक विश्वास की नैतिकता से सीधे जोड़ती है।

3. अगर एक पत्रकार पूछे कि हम विश्लेषिकी और अनुसंधान के लिए रोगियों के डेटा का उपयोग कैसे करते हैं, तो क्या हम आज एक स्पष्ट, ईमानदार, आश्वस्त करने वाला उत्तर दे सकते हैं? सार्वजनिक विश्वास वह लाइसेंस है जिस पर स्वास्थ्य डेटा का सभी द्वितीयक उपयोग निर्भर करता है, और यह अर्जित करने की तुलना में खोना आसान है। वास्तविक उत्तर के माध्यम से काम करें: डेटा कहां बैठता है, कौन पहुंच सकता है, किस स्वीकृति के माध्यम से, किन उद्देश्यों के लिए, और एक आम नागरिक यह कैसे पता लगाएगा। यदि ईमानदार उत्तर में पहचान योग्य डेटा की प्रतियां स्प्रेडशीट और साझा ड्राइव में बिखरी हुई शामिल हैं, तो आपके पास एक सुरक्षा समस्या और एक विश्वास समस्या दोनों हैं। इसकी तुलना एक Secure Data Environment दृष्टिकोण से करें, जहां अभिगम नियंत्रित, ऑडिट, और प्रकाशन योग्य है। चर्चा करें कि आपके संगठन को वास्तव में सार्वजनिक जांच के साथ सहज होने के लिए क्या बदलने की आवश्यकता होगी — एक घटना प्रश्न को मजबूर करने से पहले। care.data को याद रखें: तकनीक विफलता का बिंदु नहीं था; विफलता डेटा का उपयोग कैसे किया जाएगा इस पर सार्वजनिक विश्वास था।

4. जब हम एक भविष्यसूचक मॉडल के लिए पहुंचते हैं, तो क्या हम वास्तव में इसके द्वारा हमें बताई गई बात पर कार्य कर सकते हैं — और क्या हमने इसके नीचे वर्णनात्मक परत पर भरोसा करने का अधिकार अर्जित किया है? विश्लेषणात्मक परिपक्वता को परिष्कार के बराबर मानना, और "AI-संचालित" या भविष्यसूचक काम को गंतव्य मानना, आकर्षक है। लेकिन एक जोखिम स्कोर जो उन रोगियों की पहचान करता है जिनसे संपर्क करने की आपके पास कोई क्षमता नहीं है एक शैक्षणिक अभ्यास है, और एक अस्थिर वर्णनात्मक नींव पर बनाया गया एक भविष्यसूचक मॉडल बस गति से मौजूदा त्रुटियों को स्वचालित करता है। हर प्रस्तावित मॉडल को दो परीक्षणों के खिलाफ जांचें: क्या एक वास्तविक निर्णय है जिसे वास्तव में एक विश्वसनीय पीछे-दृश्य चित्र के बजाय दूरदर्शिता की आवश्यकता है, और क्या एक परिणाम बदलने के लिए समय पर भविष्यवाणी पर कार्य करने की परिचालन क्षमता मौजूद है? एक ईमानदार उत्तर विशिष्ट हस्तक्षेप को नाम देता है जिसे भविष्यवाणी ट्रिगर करेगी और वह टीम जो इसे वितरित करेगी, और यह इस बारे में स्पष्ट है कि क्या वर्णनात्मक और निदान सीढ़ियां निर्माण के लिए पर्याप्त भरोसेमंद हैं। सीढ़ी को जानबूझकर, कदम-दर-कदम चढ़ना, आमतौर पर शीर्ष पर कूदने और यह खोजने से अधिक मूल्य देता है कि गिरावट को कुछ भी नहीं पकड़ता।

5. क्या हम सहमत हैं कि हमारी मुख्य संख्याओं का वास्तव में क्या अर्थ है — और कहां दो टीमें एक ही प्रश्न के अलग-अलग उत्तर देंगी? जैसे-जैसे स्व-सेवा विश्लेषिकी फैलती है, जोखिम बहुत कम संख्याओं से हर एक के कई संस्करणों में स्थानांतरित हो जाता है: "प्रतीक्षा सूची", "टालने योग्य प्रवेश", "सक्रिय रोगी" चुपचाप डैशबोर्डों में अलग हो जाते हैं जब तक बैठकें इस बारे में बहस न करें कि किसका आंकड़ा सही है बजाय क्या करना है इसके। दो टीमों को स्वतंत्र रूप से एक ही मुख्य मीट्रिक बनाने के लिए कहकर और केवल उत्तर ही नहीं बल्कि इसके पीछे की परिभाषा और क्वेरी की तुलना करके इसे ठोस रूप से परखें। ईमानदार बातचीत सतह पर लाती है कि कहां एक शासित शब्दार्थ परत और प्रमाणित डेटासेट गायब हैं, और कहां केंद्रीय परिभाषाएं स्थानीय आविष्कार के साथ गति बनाए रखने में विफल रही हैं। व्यापार वास्तविक है — बहुत कठोरता से जकड़ें और आप उस अन्वेषण का गला घोंट देते हैं जो स्व-सेवा को मूल्यवान बनाता है; इसे अशासित छोड़ दें और अंतर्दृष्टि असहमति में टूट जाती है। एक परिपक्व उत्तर वर्णन करता है कि कौन से मीट्रिक केंद्रीय रूप से प्रमाणित और स्वामित्व में हैं और कौन से जानबूझकर स्थानीय अन्वेषण के लिए खुले छोड़े गए हैं, यह दिखावा करने के बजाय कि पूरी संपत्ति एक या दूसरी हो सकती है।

6. क्या हम डेटा गुणवत्ता को वहां ठीक कर रहे हैं जहां यह बनाई गई है, या इसे डाउनस्ट्रीम में अंतहीन रूप से सुधार रहे हैं? हर डैशबोर्ड और मॉडल इसके नीचे के परिचालन रिकॉर्ड की खामियां विरासत में लेता है, इसलिए सबसे महत्वपूर्ण विश्लेषिकी निर्णय अक्सर बहुत ऊपर की ओर लिए जाते हैं — देखभाल के बिंदु पर एक स्थिति कैसे कोडित की जाती है, या क्या एक ही रोगी और सेवा एक एकल पहचानकर्ता में हल होती है। चर्चा करें कि आपका संगठन वर्तमान में रिपोर्टिंग परत में गुणवत्ता को कहां पैच करता है, और इसके बजाय उन समस्याओं को स्रोत पर ठीक करने के लिए क्या लगेगा, यह पहचानते हुए कि डाउनस्ट्रीम सुधार अंतहीन और हानिकर दोनों है। यह मास्टर डेटा प्रबंधन से अविभाज्य है: रोगियों, स्टाफ, और संगठनों के एक एकल आधिकारिक संस्करण के बिना, योग कभी मेल नहीं खाते और एक ही व्यक्ति रिकॉर्ड में टूट जाता है। समानता दांव उन क्षेत्रों के लिए सबसे अधिक हैं जिन्हें अच्छी तरह से कोड करना सबसे कठिन है — जातीयता, वंचन, विकलांगता — जहां विरल या असंगत कैप्चर चुपचाप हर डाउनस्ट्रीम निष्कर्ष को विकृत करता है। एक ईमानदार उत्तर हर महत्वपूर्ण प्रवाह के लिए गुणवत्ता का स्वामी कौन है इसे नाम देता है, क्या वह स्वामित्व परिचालन सिस्टमों तक पहुंचता है, और कहां भरोसेमंद संदर्भ डेटा की अनुपस्थिति चुपचाप संख्याओं को कमज़ोर कर रही है।

व्यवहार में: एक स्वास्थ्य और देखभाल उदाहरण#

एक मिश्रित शहरी और तटीय क्षेत्र में एक Integrated Care Board (ICB) कमज़ोरी के साथ रहने वाले लोगों के बीच अनियोजित प्रवेश को कम करना चाहता है, और अपने समृद्ध बाज़ार शहर और अपने वंचित तटीय वार्डों के बीच अंतर को व्यापक बनाए बिना ऐसा करना चाहता है।

जनसंख्या स्वास्थ्य टीम प्राथमिक देखभाल, सामुदायिक सेवाओं, और अस्पताल रिकॉर्ड से निकाले गए एक जुड़े डेटासेट से शुरू होती है, क्षेत्र के Secure Data Environment के अंदर विश्लेषित ताकि कोई पहचान योग्य उद्धरण नियंत्रित वातावरण से बाहर न निकले। वे 65-से-ऊपर की जनसंख्या को खंडित करते हैं और कमज़ोरी जोखिम को स्तरीकृत करते हैं, लेकिन किसी को भी लक्षित करने से पहले वे एक समानता जांच चलाते हैं। यह प्रकट करता है कि मॉडल तटीय वार्डों के निवासियों को कम स्कोर कर रहा है, क्योंकि उन प्रैक्टिसों ने ऐतिहासिक रूप से दीर्घकालिक स्थितियों को कम पूरी तरह से कोडित किया है — कम आवश्यकता के रूप में प्रच्छन्न एक डेटा-गुणवत्ता अंतराल। एक पक्षपाती स्कोर पर आगे बढ़ने के बजाय, टीम प्रभावित प्रैक्टिसों में एक केंद्रित कोडिंग-सुधार पुश कमीशन करती है और मॉडल को समायोजित करती है, डेटा-गुणवत्ता फिक्स को हस्तक्षेप का ही हिस्सा मानते हुए।

एक निष्पक्ष जोखिम स्तरीकरण के साथ, वे लगभग 1,400 उच्च-जोखिम लोगों की पहचान करते हैं जो अभी तक सामुदायिक सेवाओं को ज्ञात नहीं हैं। एक बहु-विषयक टीम सक्रिय समीक्षाएं प्रदान करती है, जानबूझकर तटीय वार्डों से शुरू करते हुए। महत्वपूर्ण रूप से, विश्लेषिकी लक्ष्यीकरण पर नहीं रुकती। एक सरल वर्णनात्मक डैशबोर्ड वार्ड और वंचन दशमांश द्वारा ट्रैक करता है कि कितनी सक्रिय समीक्षाएं हुईं और अगले छह महीनों में प्रवेश कैसे बदले — अंतर्दृष्टि से कार्रवाई से परिणाम तक लूप बंद करते हुए। जब एक इलाके की समीक्षाएं रुकती हैं, तो डैशबोर्ड इसे जल्दी सतह पर लाता है, और टीम वर्ष-अंत रिपोर्ट की प्रतीक्षा करने के बजाय जांच करती है। ICB के वित्त और स्वास्थ्य-अर्थशास्त्र सहयोगियों के साथ काम करते हुए, वे बचाए गए प्रवेशों को एक मूल्य मामले में अनुवादित करते हैं जो कार्यक्रम को जारी रखने को न्यायोचित ठहराता है। एक अच्छी तरह से शासित जोखिम स्कोर से परे किसी भविष्यसूचक जादूगरी की आवश्यकता नहीं थी; मूल्य डेटा गुणवत्ता, समानता अनुशासन, एक भरोसेमंद अभिगम मार्ग, और निरंतर अनुवर्ती कार्रवाई से आया।

क्षेत्र दृष्टिकोण#

स्टार्टअप#

एक स्वास्थ्य-तकनीक स्टार्टअप आमतौर पर एक संकीर्ण विश्लेषणात्मक दावे पर जीता या मरता है — कि इसका उपकरण सही रोगियों की पहचान करता है, या एक परिणाम में सुधार करता है — इसलिए इसकी प्राथमिकता साक्ष्य है, चौड़ाई नहीं। एक दुबली, पुनरुत्पादनीय पाइपलाइन बनाएं और अपने उत्पाद को यह मापने के लिए इंस्ट्रुमेंट करें कि क्या यह निर्णयों और परिणामों को बदलता है, क्योंकि वह साक्ष्य है जो ग्राहक और नियामक मांगेंगे। वर्णनात्मक नींव और डेटा गुणवत्ता ठोस होने से पहले भविष्यसूचक या "AI-संचालित" क्षमता का अधिक-वादा करने के प्रलोभन का विरोध करें। जब आप NHS या देखभाल डेटा को संभालते हैं, तो ग्राहक के Secure Data Environment के अंदर काम करने या समकक्ष प्रशासन को पूरा करने की अपेक्षा करें; इसे एक देर से आश्चर्य के बजाय एक प्रथम-श्रेणी डिज़ाइन बाधा के रूप में मानना अक्सर वही है जो स्केल करने वाले स्टार्टअप को रुकने वालों से अलग करता है।

छोटा व्यवसाय#

एक स्थापित छोटा प्रदाता — एक GP प्रैक्टिस, एक सामुदायिक फार्मेसी, एक केयर होम, एक एकल-साइट क्लिनिक — के पास आमतौर पर वास्तविक रोगी और वैधानिक कर्तव्य होते हैं लेकिन कोई समर्पित विश्लेषक या डेटा टीम नहीं, इसलिए व्यावहारिक लक्ष्य एक भरोसेमंद वर्णनात्मक चित्र है, परिपक्वता सीढ़ी नहीं। एक प्लेटफ़ॉर्म खड़ा करने के बजाय जिसे आप बनाए नहीं रख सकते, उस विश्लेषिकी पर झुकें जो आप पहले से चलाने वाले सिस्टमों में बनी है और भरोसेमंद राष्ट्रीय या ICB-प्रदत्त डेटासेट और डैशबोर्ड पर। अपनी खुद की परिचालन कोडिंग में स्रोत पर डेटा गुणवत्ता ठीक करें, क्योंकि यह वह एकमात्र लीवर है जो पूरी तरह से आपके नियंत्रण में है और यह वही है जो आपकी जनसंख्या के हर क्षेत्रीय मॉडल को खिलाता है। जब आपको जनसंख्या स्वास्थ्य या अनुसंधान के लिए डेटा साझा करना चाहिए, तो उद्धरण ईमेल करने के बजाय ICB या एक राष्ट्रीय Secure Data Environment का उपयोग करें, जो आपको उनके संसाधनों की आवश्यकता के बिना बड़े संगठनों के समान कर्तव्यों के अनुरूप रखता है। एक अच्छी तरह से चुना गया मीट्रिक जिस पर आप वास्तव में कार्य करते हैं — समीक्षा से अधिक हो चुके रोगियों की एक सूची — रिपोर्टों के एक सूट को हराता है जिसे खोलने का किसी के पास समय नहीं है।

बड़ा संगठन#

एक बड़े प्रदाता या सिस्टम इंटीग्रेटर के पास आमतौर पर विपरीत समस्या होती है: बहुत सारे प्लेटफ़ॉर्म, बहुत सारी परस्पर विरोधी परिभाषाएं, और विरासत रिपोर्टों की एक लंबी पूंछ। एंटरप्राइज़ कार्य समेकन और प्रशासन है — एक देखभाल किया गया शब्दार्थ परत, प्रमाणित डेटासेट, और एक स्पष्ट विश्लेषक और डेटा-इंजीनियरिंग परिचालन मॉडल — ताकि स्व-सेवा असहमति को गुणा करने के बजाय अंतर्दृष्टि को गुणा करे। डेटा गुणवत्ता और मास्टर परिभाषाओं के अचमकदार काम में निवेश करें, क्योंकि एंटरप्राइज़ पैमाने पर एक अस्पष्ट मीट्रिक लाखों पाउंड को गलत निर्देशित कर सकता है। उपयोग को मापकर और अप्रयुक्त को रिटायर करके डैशबोर्ड के साम्राज्य के खिलाफ रक्षा करें। केंद्रीय मानकों को स्थानीय स्वायत्तता के साथ संतुलित करें, अन्यथा आप या तो नवाचार का गला घोंट देंगे या संख्याओं पर नियंत्रण खो देंगे।

सरकार#

राष्ट्रीय और क्षेत्रीय निकाय एक प्रबंधन भूमिका उठाते हैं जो निजी संगठन नहीं उठाते: वे मानक निर्धारित करते हैं, सबसे बड़े Secure Data Environments चलाते हैं, और जनसंख्या डेटा का उपयोग कैसे किया जाता है इसके लिए जनता के प्रति जवाबदेह होते हैं। प्राथमिकताएं वैधता और समानता हैं — पारदर्शी अभिगम नियम, प्रकाशित डेटा-गुणवत्ता मानक, और विश्लेषिकी जो पूरी जनसंख्या में सक्रिय रूप से असमानताओं को सतह पर लाती है। सरकार डुप्लिकेशन को कम करने के लिए भी विशिष्ट रूप से रखी गई है, भरोसेमंद राष्ट्रीय डेटासेट और पुनरुत्पादनीय पाइपलाइन प्रदान करके जिन पर हर स्थानीय टीम पुनर्आविष्कार करने के बजाय निर्माण कर सकती है। care.data से सर्वोपरि सबक यह है कि सार्वजनिक जुड़ाव एक संचार बाद का विचार नहीं बल्कि एक डिज़ाइन इनपुट है; विश्वास की अनुमति से तेज़ी से आगे बढ़ें और आप पूरे एजेंडे को वर्षों पीछे सेट कर देते हैं।

सामान्य विफलता मोड#

• डैशबोर्ड जिन पर कोई कार्रवाई नहीं करता। डेटा प्रदर्शित करने के लिए बनाई गई विश्लेषिकी बजाय एक निर्णय बदलने के, तब तक फैलती हुई जब तक उपयोगी अनदेखी के नीचे दब न जाए।
• प्रश्न के लिए नहीं, उपकरण के लिए हल करना। यह जानने से पहले कि इसे कौन से निर्णय सुधारने चाहिए एक प्लेटफ़ॉर्म या मशीन-लर्निंग क्षमता खरीदना।
• डेटा-गुणवत्ता अंधापन। अधूरे या पक्षपाती डेटा पर बने आत्मविश्वासी संख्याएं प्रस्तुत करना, विशेष रूप से जहां जातीयता या वंचन की खराब कोडिंग कम सेवा प्राप्त समूहों को छुपाती है।
• उद्धरण फैलाव। स्प्रेडशीट और ड्राइव में संवेदनशील डेटा की फैलती प्रतियां, एक सुरक्षा जोखिम और एक सार्वजनिक-विश्वास देनदारी दोनों बनाती हैं जिसे एक Secure Data Environment ने टाल दिया होता।
• परिभाषा बहाव। एक ही मीट्रिक विभिन्न रिपोर्टों में अलग-अलग चीज़ों का अर्थ रखता है, इसलिए बैठकें इस बारे में बहस करती हैं कि क्या करना है इसके बजाय किसकी संख्या सही है।
• भविष्यसूचक नाटक। परिष्कृत मॉडल बनाना जिस पर कार्य करने की संगठन के पास कोई क्षमता नहीं है, या जो चुपचाप सबसे अधिक आवश्यकता वाली जनसंख्याओं के खिलाफ पूर्वाग्रह एनकोड करता है।
• विश्वास से तेज़ आगे बढ़ना। सार्वजनिक जुड़ाव के बिना विश्लेषणात्मक महत्वाकांक्षा का पीछा करना, और वह सामाजिक लाइसेंस खोना जिस पर सभी द्वितीयक डेटा उपयोग निर्भर करता है।
• बिना लूप के अंतर्दृष्टि। कभी यह जांच नहीं करना कि इच्छित कार्रवाई हुई या परिणाम में सुधार हुआ, इसलिए कोई नहीं सीखता और कुछ भी रिटायर नहीं होता।

परिपक्वता मॉडल#

जांच-सूची#

• हर महत्वपूर्ण विश्लेषिकी उत्पाद उस निर्णय को नाम देता है जिसे यह बदलता है और उस निर्णय का स्वामी कौन है।
• डेटा-गुणवत्ता मीट्रिक (पूर्णता, सटीकता, समयबद्धता) मुख्य प्रवाहों के लिए मापी, स्वामित्व, और प्रकाशित हैं।
• जातीयता, वंचन, और विकलांगता कोडिंग ईमानदार समानता विश्लेषण का समर्थन करने के लिए पर्याप्त अच्छी है — और जहां नहीं हैं वहां सुधारी गई है।
• एक शासित शब्दार्थ परत स्व-सेवा उपकरणों में मुख्य मीट्रिक को लगातार परिभाषित करती है।
• विश्लेषणात्मक कोड संस्करण-नियंत्रित, सहकर्मी-समीक्षित, और पुनरुत्पादनीय है।
• अनुसंधान और योजना के लिए संवेदनशील डेटा को कॉपी करने के बजाय एक Secure Data Environment के माध्यम से पहुंचा जाता है।
• जोखिम स्तरीकरण और भविष्यसूचक मॉडलों की कम सेवा प्राप्त समूहों के खिलाफ पूर्वाग्रह के लिए ऑडिट की जाती है।
• मानक रिपोर्ट वंचन और प्रासंगिक संरक्षित विशेषताओं द्वारा परिणामों को तोड़ती हैं।
• हर उत्पाद ट्रैक करता है कि क्या इच्छित कार्रवाई हुई और परिणाम में सुधार हुआ।
• अप्रयुक्त डैशबोर्ड और रिपोर्ट एक नियमित चक्र पर समीक्षित और रिटायर की जाती हैं।
• रोगी डेटा का विश्लेषिकी के लिए उपयोग कैसे किया जाता है इसकी एक सार्वजनिक-सामना करने वाली व्याख्या मौजूद और ईमानदार है।
• एक डेटा-साक्षरता कार्यक्रम केवल विश्लेषकों को नहीं बल्कि नेताओं और क्लिनिशियनों का समर्थन करता है।

मुख्य स्रोत#

• NHS England — Population Health Management संसाधन और Population Health Management Development Programme।
• NHS England — Secure Data Environment for NHS Health and Social Care नीति दिशानिर्देश।
• Office for National Statistics / UK Government Analysis Function — Reproducible Analytical Pipelines (RAP) रणनीति और मार्गदर्शन।
• The Health Foundation और The King's Fund — जनसंख्या स्वास्थ्य प्रबंधन और स्वास्थ्य असमानताओं के विश्लेषण।
• Understanding Patient Data — भरोसेमंद अनुसंधान वातावरण और care.data के सबक पर सार्वजनिक संसाधन।
• Data Saves Lives — स्वास्थ्य और सामाजिक देखभाल के लिए इंग्लैंड डेटा रणनीति।

संदर्भ#

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