विषय 4.9 — डेटा गुणवत्ता और मास्टर डेटा प्रबंधन

स्वास्थ्य और देखभाल में, एक गलत NHS number, एक गायब एलर्जी, या एक डुप्लिकेट रोगी रिकॉर्ड एक डेटा-सफ़ाई समस्या नहीं बल्कि एक क्लिनिकल खतरा, एक भुगतान त्रुटि, और एक अनुसंधान दोष है, इसलिए डेटा गुणवत्ता और मास्टर डेटा प्रबंधन को नामित स्वामियों के साथ प्रबंधित अनुशासनों के रूप में चलाया जाना चाहिए — कैप्चर के बिंदु पर संयोग पर नहीं छोड़ा जाना चाहिए।

यह स्वास्थ्य और देखभाल में क्यों महत्वपूर्ण है#

हर क्लिनिकल निर्णय उस डेटा पर टिका है जिसे किसी ने पहले रिकॉर्ड किया था: एक फ्लैग की गई एलर्जी, एक फ़ाइल किया गया परिणाम, एक समेटी गई दवा, एक पुष्टि की गई पहचान। जब वह डेटा सटीक, पूर्ण है, और सही व्यक्ति से जुड़ा है, देखभाल सुरक्षित रूप से बहती है। जब यह गलत, अनुपस्थित, या गलत व्यक्ति से जुड़ा होता है, तो सिस्टम ठीक वही करता है जो इसे बताया गया है — और किसी को नुकसान पहुंचाता है। एक डुप्लिकेट रिकॉर्ड उस चार्ट पर एक महत्वपूर्ण एलर्जी छुपाता है जिसे क्लिनिशियन नहीं देख रहा है; एक गलत-टाइप किया गया NHS number एक परिणाम को गलत रोगी की फ़ाइल में भेजता है; एक बासी पता का अर्थ है कि एक कैंसर स्क्रीनिंग आमंत्रण कभी नहीं पहुंचता। ये काल्पनिक नहीं हैं: गलत-पहचान और रिकॉर्ड भ्रम से जुड़ी रोगी-सुरक्षा घटनाएं राष्ट्रीय सुरक्षा रिपोर्टिंग में एक आवर्ती विषय हैं।

इसलिए डेटा गुणवत्ता एक विश्लेषणात्मक मुद्दे से पहले एक क्लिनिकल-सुरक्षा मुद्दा है (विषय 1.6 — क्लिनिकल सुरक्षा और जोखिम प्रबंधन देखें)। यह सार्वजनिक धन और निष्पक्षता का प्रश्न भी है। NHS प्रदाताओं को भुगतान करता है, सेवाओं की योजना बनाता है, और डेटा जो कहता है हुआ उसके आधार पर उन्हें जवाबदेह ठहराता है; यदि गतिविधि कम-रिकॉर्ड या गलत-कोडित है, तो गलत प्रदाता को गलत राशि का भुगतान किया जाता है और कमीशनिंग निर्णय एक विकृत तस्वीर पर टिके होते हैं। जनसंख्या स्वास्थ्य विश्लेषिकी, प्रतीक्षा-सूची सत्यापन, और स्वास्थ्य-असमानता काम सभी अंतर्निहित रिकॉर्ड की गुणवत्ता विरासत में लेते हैं (विषय 4.5 — डेटा, विश्लेषिकी, और जनसंख्या स्वास्थ्य प्रबंधन देखें)।

जैसे-जैसे डेटा का पुन: उपयोग होता है दांव तेज़ी से बढ़ते हैं। एक व्यस्त फ्रंट डेस्क पर एक बार कैप्चर किया गया रिकॉर्ड बाद में एक एल्गोरिदम को प्रशिक्षित कर सकता है, एक व्यावसायिक मामले को न्यायोचित ठहरा सकता है, एक राष्ट्रीय डेटासेट को खिला सकता है, और एक भुगतान विवाद को निपटा सकता है। पुरानी कहावत — कचरा अंदर, कचरा बाहर — कचरा अंदर, नुकसान बाहर बन गई है, क्योंकि खराब डेटा अब कृत्रिम-बुद्धिमत्ता मॉडलों और स्वचालित निर्णयों में स्वचालित रूप से और पैमाने पर फैलता है (विषय 8.4 — AI और उभरती तकनीक प्रशासन देखें)। और मास्टर डेटा — साझा, धीरे-धीरे बदलने वाले तथ्य कि रोगी, स्टाफ, संगठन, और दवाएं कौन हैं — वह संयोजी ऊतक है जो दर्जनों सिस्टमों को सहमत होने देता है कि वे एक ही व्यक्ति के बारे में बात कर रहे हैं। मास्टर डेटा गलत करें और हर डाउनस्ट्रीम सिस्टम भ्रम विरासत में लेता है।

मुख्य अवधारणाएं#

डेटा गुणवत्ता वह डिग्री है जिस तक डेटा संचालन, निर्णय-निर्माण, और योजना में अपने इच्छित उपयोगों के लिए उपयुक्त है। इसे पारंपरिक रूप से आयामों के एक समूह में मूल्यांकित किया जाता है। सटीकता यह है कि क्या डेटा उस वास्तविक-दुनिया की चीज़ का सही वर्णन करता है जिसका यह प्रतिनिधित्व करता है; पूर्णता यह है कि क्या आवश्यक डेटा मौजूद है; समयबद्धता यह है कि क्या यह आवश्यकता होने पर उपलब्ध है और वर्तमान स्थिति को प्रतिबिंबित करता है; वैधता यह है कि क्या यह परिभाषित प्रारूप, प्रकार, और सीमा के अनुरूप है; निरंतरता यह है कि क्या यह स्वयं के साथ और अन्य स्रोतों के साथ सहमत है; और विशिष्टता यह है कि क्या हर वास्तविक-दुनिया की इकाई एक बार और केवल एक बार दिखाई देती है। एक रिकॉर्ड वैध (सही ढंग से स्वरूपित) हो सकता है फिर भी गलत (गलत) हो सकता है, इसलिए आयाम पूरक हैं, विनिमेय नहीं।

मास्टर डेटा प्रबंधन (MDM) वह अनुशासन है जिसके द्वारा व्यवसाय और तकनीक मिलकर एक संगठन के साझा मास्टर डेटा — मुख्य संस्थाएं जिन्हें कई सिस्टम संदर्भित करते हैं: रोगी, स्टाफ, संगठन, साइट, और दवाएं — की एकरूपता, सटीकता, प्रबंधन, और जवाबदेही सुनिश्चित करते हैं। MDM की आकांक्षा एक गोल्डन रिकॉर्ड है: हर संस्था का एक एकल, भरोसेमंद, समेटा हुआ संस्करण, कई स्रोत सिस्टमों से इकट्ठा किया गया, जो आधिकारिक संदर्भ के रूप में कार्य करता है। यह एकल सत्य स्रोत के विचार से निकटता से संबंधित है — हर डेटा तत्व को ठीक एक आधिकारिक स्थान पर महारत हासिल करने की प्रथा ताकि बाकी सब कुछ इसकी अपनी अलग प्रति रखने के बजाय इसका संदर्भ ले।

संदर्भ डेटा एक विशिष्ट, महत्वपूर्ण उप-प्रकार है। संदर्भ डेटा वह डेटा है जिसका उपयोग अन्य डेटा को वर्गीकृत या श्रेणीबद्ध करने के लिए किया जाता है — कोड सूची, मूल्य सेट, संगठन कोड, माप इकाइयां — जो आमतौर पर बाहरी रूप से परिभाषित होता है और धीरे-धीरे बदलता है। स्वास्थ्य और देखभाल में इसमें SNOMED CT जैसी क्लिनिकल शब्दावली और राष्ट्रीय संगठन और साइट कोड शामिल हैं; इनके लिए मानक राष्ट्रीय स्तर पर स्वामित्व में हैं और सूचना मानकों के रूप में अनिवार्य हैं (अंतरसंचालनीयता और विनिमय विषय 4.3 — अंतरसंचालनीयता और डेटा मानक में कवर किए गए हैं, जिसे यह विषय दोहराता नहीं है)।

NHS number इंग्लैंड, वेल्स, और आइल ऑफ मैन में प्राथमिक अद्वितीय रोगी पहचानकर्ता है — एक दस-अंकीय संख्या जिसमें एक चेकसम है जो सिस्टमों को एक गलत टाइप किए गए अंक का पता लगाने देता है। यह रोगी मास्टर डेटा का लंगर है। सही व्यक्ति से सही NHS number जोड़ना एक रिकॉर्ड लिंकेज समस्या है — विभिन्न स्रोतों में रिकॉर्ड खोजना जो एक ही इकाई को संदर्भित करते हैं — इंग्लैंड में Personal Demographics Service (PDS), राष्ट्रीय जनसांख्यिकीय सूचकांक, और स्थानीय रूप से एक Master Patient Index (MPI) के माध्यम से हल किया गया। जब लिंकेज विफल होता है तो आपको डुप्लिकेट मिलते हैं (एक व्यक्ति, कई रिकॉर्ड) या ओवरले (दो लोग एक में मर्ज किए गए), दोनों खतरनाक।

जो परिचालन अनुशासन गुणवत्ता को उच्च रखते हैं वे हैं डेटा प्रशासन — डेटा के लिए निर्णय अधिकारों और जवाबदेहियों का ढांचा — और डेटा स्टीवर्ड, एक परिभाषित डेटा क्षेत्र की गुणवत्ता और उपयुक्तता के लिए जिम्मेदार नामित भूमिका। दो तकनीकें बार-बार आती हैं: डेटा प्रोफाइलिंग, इसकी वास्तविक स्थिति के बारे में आंकड़े इकट्ठा करने के लिए डेटा की जांच करना, और डेटा सफ़ाई, भ्रष्ट, गलत, या डुप्लिकेट रिकॉर्ड का पता लगाना और सुधारना। रोकथाम इलाज को हराती है: कैप्चर के बिंदु पर डेटा सत्यापन — सत्यापन नियम और बाधाएं जो सिस्टम में प्रवेश करने से पहले खराब इनपुट को अस्वीकार या प्रश्न करती हैं — बाद में इसे साफ़ करने से सस्ता और सुरक्षित है।

सर्वोत्तम प्रथाएं#

1. हर डेटासेट के लिए मायने रखने वाले विशिष्ट आयामों में डेटा गुणवत्ता को परिभाषित करें, और उन्हें मापें। "डेटा गुणवत्ता सुधारें" एक उद्देश्य नहीं है; "आपातकालीन डेटासेट पर NHS number पूर्णता को राष्ट्रीय थ्रेशोल्ड से ऊपर बढ़ाएं" है। सहमत हों कि सटीकता, पूर्णता, समयबद्धता, वैधता, निरंतरता, और विशिष्टता में से कौन सी हर महत्वपूर्ण डेटासेट के लिए सबसे अधिक मायने रखती है, मापने योग्य लक्ष्य निर्धारित करें, और नियमित रूप से उनके विरुद्ध रिपोर्ट करें। NHS Data Quality Maturity Index (DQMI) कई राष्ट्रीय डेटासेटों के लिए एक तैयार, तुलनीय माप देता है; इसे एक बेसलाइन के रूप में उपयोग करें और उन फ़ील्ड के लिए अपने स्वयं के स्थानीय मीट्रिक ट्रैक करें जिन पर क्लिनिशियन और वित्त वास्तव में निर्भर करते हैं।

2. कैप्चर के बिंदु पर सत्यापन करें, एक डाउनस्ट्रीम सफ़ाई में नहीं। ठीक करने के लिए सबसे सस्ती त्रुटि वह है जो कभी सिस्टम में प्रवेश नहीं करती, और एक रिकॉर्ड को सही करने के लिए सबसे अच्छी जगह वाला व्यक्ति वह है जो इसे बना रहा है, जबकि रोगी उनके सामने है। सत्यापन नियम, अनिवार्य फ़ील्ड, नियंत्रित पिक-लिस्ट, और NHS-number चेकसम सत्यापन को उन फॉर्म और इंटरफेस में बनाएं जिनका स्टाफ वास्तव में उपयोग करता है, और पंजीकरण पर Personal Demographics Service के विरुद्ध पहचान की पुष्टि करें। कैप्चर पर पकड़ी गई हर त्रुटि एक त्रुटि है जिसे डाउनस्ट्रीम खोजने, जांच करने, और उलटने की कभी आवश्यकता नहीं है — इसके बाद यह पहले ही नुकसान पहुंचा चुकी हो सकती है।

3. NHS number को एक सुरक्षा-महत्वपूर्ण लंगर मानें और इसे हर जगह सत्यापित करें। NHS number सिस्टम में सबसे मूल्यवान एकल पहचानकर्ता है क्योंकि यह वह कुंजी है जो संगठनों में एक व्यक्ति के रिकॉर्ड को सुरक्षित रूप से जोड़ती है। इसे Personal Demographics Service के विरुद्ध ट्रेस करें, प्रविष्टि पर इसके चेकसम को सत्यापित करें, और बेमेल डेटा को आगे बहने देने के बजाय उन रिकॉर्डों को फ्लैग करें जिनमें एक सत्यापित संख्या का अभाव है। गलत संख्या से जुड़ा एक परिणाम, रेफ़रल, या प्रिस्क्रिप्शन एक क्लिनिकल खतरा है, इसलिए NHS-number गुणवत्ता को एक रोगी-सुरक्षा नियंत्रण मानें, निगरानी और बढ़ाया गया जैसे कोई अन्य।

4. हर मुख्य संस्था के लिए एक गोल्डन रिकॉर्ड के साथ मास्टर डेटा प्रबंधन स्थापित करें। जानबूझकर तय करें कि कौन सा सिस्टम हर संस्था — रोगी, स्टाफ, संगठन, दवाएं — का मास्टर है, और स्रोत सिस्टमों से एक एकल समेटा हुआ गोल्डन रिकॉर्ड कैसे इकट्ठा और बनाए रखा जाता है। राष्ट्रीय जनसांख्यिकीय सेवा के विरुद्ध समेटा हुआ एक Master Patient Index चलाएं, और डुप्लिकेट को मर्ज करने और गलत ओवरले को अन-मर्ज करने के लिए एक नियंत्रित, ऑडिट योग्य प्रक्रिया प्रबंधित करें, क्योंकि दोनों ऑपरेशन लाइव क्लिनिकल रिकॉर्ड को छूते हैं और लापरवाही से किए जाने पर स्वयं नुकसान पहुंचा सकते हैं। स्टाफ और संगठन मास्टर डेटा तक वही कठोरता बढ़ाएं, जो अभिगम नियंत्रण, भुगतान, और रिपोर्टिंग को आधार देता है (विषय 4.2 — पहचान और अभिगम प्रबंधन, और विषय 5.4 — एंटरप्राइज़ रिसोर्स प्लानिंग (ERP) देखें, जो कॉर्पोरेट/वित्त मास्टर डेटा का स्वामी है)।

5. डेटा स्वामियों और डेटा स्टीवर्डों को नाम दें, और उन्हें वास्तविक अधिकार दें। डेटा गुणवत्ता स्पष्ट जवाबदेही के बिना क्षय होती है, इसलिए हर महत्वपूर्ण डेटा क्षेत्र को इसके लिए जवाबदेह एक वरिष्ठ डेटा स्वामी और एक परिचालन डेटा स्टीवर्ड असाइन करें जो निगरानी, जांच, और सुधार चलाता है। स्टीवर्डों को स्थिति, टूलिंग, और समय की आवश्यकता है — पहले से भरी नौकरी में जोड़ी गई एक पंक्ति नहीं — और व्यवस्थित समस्याओं (एक टूटा हुआ फॉर्म, एक भ्रामक वर्कफ़्लो, एक इंटरफ़ेस जो फ़ील्ड गिराता है) को उन लोगों तक बढ़ाने का एक मार्ग जो कारण को ठीक कर सकते हैं। स्वामित्व डेटा गुणवत्ता को हर किसी की अस्पष्ट चिंता से किसी की स्पष्ट जिम्मेदारी में बदलता है।

6. सफ़ाई से पहले प्रोफ़ाइल करें, और स्रोत पर सफ़ाई करें। किसी भी सुधार या माइग्रेशन से पहले, इसकी सच्ची स्थिति को समझने के लिए डेटा को प्रोफ़ाइल करें — कितने रिकॉर्ड में NHS number की कमी है, कितने डुप्लिकेट मौजूद हैं, कौन से फ़ील्ड व्यवस्थित रूप से गलत-कोडित हैं — ताकि आप अनुमान लगाने के बजाय प्रयास को वहां लक्षित करें जहां यह मायने रखता है। जब आप सफ़ाई करते हैं, तो उस सिस्टम में रिकॉर्ड को ठीक करें जो इसका मास्टर है और उस प्रक्रिया को संबोधित करें जिसने त्रुटि उत्पन्न की, केवल एक डाउनस्ट्रीम वेयरहाउस में प्रति नहीं, अन्यथा वही दोष बस फिर से प्रकट होगा। एक बार की सफ़ाई जो कारण को अनदेखा करती है एक ट्रेडमिल है; लक्ष्य नल को बंद करना है, केवल फर्श को पोंछना नहीं।

7. स्थानीय कोड का आविष्कार करने के बजाय राष्ट्रीय सूचना मानक और संदर्भ डेटा अपनाएं। संगठनों में निरंतरता तभी संभव है जब हर कोई दुनिया को उसी तरह वर्गीकृत करे, Data Alliance Partnership Board (DAPB) प्रक्रिया (पहले SCCI/ISB मानक) और SNOMED CT जैसी शब्दावली के माध्यम से अनिवार्य राष्ट्रीय रूप से परिभाषित मानकों का उपयोग करते हुए। संदर्भ डेटा और कोड सूचियों को एक स्पष्ट अपडेट प्रक्रिया के साथ संस्करण नियंत्रण के तहत प्रबंधित करें, क्योंकि एक चुपचाप बदला गया मूल्य सेट रुझान विश्लेषण को तोड़ता है और डाउनस्ट्रीम तर्क को भ्रष्ट कर सकता है। स्थानीय विस्तार दुर्लभ, शासित अपवाद होने चाहिए, राष्ट्रीय मानक में वापस मैप किए गए (विषय 4.3 — अंतरसंचालनीयता और डेटा मानक देखें)।

8. डेटा गुणवत्ता को उन लोगों के लिए दृश्यमान बनाएं जिनके निर्णय इस पर निर्भर करते हैं। डेटा गुणवत्ता तब सुधरती है जब इसे देखा जाता है — क्लिनिकल, परिचालन, और वित्त टीमों को गुणवत्ता मीट्रिक प्रकाशित करें ताकि खराब डेटा की लागत वहां उतरे जहां काम किया जाता है, एक डेटा टीम में दबी नहीं। डाउनस्ट्रीम उपभोक्ताओं को उनके उपयोग किए जा रहे डेटा की उत्पत्ति और ज्ञात सीमाएं दिखाएं, ताकि एक विश्लेषक, एक भुगतान टीम, या एक मॉडल-निर्माता यह आंक सके कि क्या यह उनके उद्देश्य के लिए उपयुक्त है (विषय 10.1 — प्रमुख प्रदर्शन संकेतक (KPI) देखें)। गुणवत्ता के बारे में पारदर्शिता वह विश्वास बनाती है जो लोगों को डेटा का उपयोग करने के लिए प्रेरित करती है, और एक दृश्यमान लाल मीट्रिक की असुविधा अक्सर वह है जो अंततः फिक्स को वित्तपोषित करती है।

आपकी टीम के साथ चर्चा करने के लिए प्रश्न#

1. हमारे संगठन में कौन सी विशिष्ट डेटा त्रुटियां एक रोगी को सबसे अधिक भरोसेमंद रूप से नुकसान पहुंचा सकती हैं, और हमें कैसे पता चलेगा कि वे हो रही हैं? यह डेटा गुणवत्ता को एक अमूर्त गुण से नामित खतरों वाले एक सुरक्षा प्रश्न में पुनः फ्रेम करता है, जो एकमात्र संस्करण है जिसे प्राथमिकता दी जाती है। ठोस विफलता मार्गों के माध्यम से काम करें: एक डुप्लिकेट रिकॉर्ड जो एक एलर्जी छुपाता है, एक गलत-सत्यापित NHS number जो एक परिणाम को गलत मार्ग देता है, एक बासी संपर्क विवरण जिसका अर्थ है कि एक दो-सप्ताह-प्रतीक्षा रेफ़रल कभी रोगी तक नहीं पहुंचता। कठिन हिस्सा पहचान है — अधिकांश डेटा त्रुटियां मौन हैं, केवल तब खोजी जाती हैं जब नुकसान होता है या एक ऑडिट उन पर ठोकर खाता है, इसलिए बहस करें कि क्या आपके पास उन्हें खोजने का कोई सक्रिय तरीका है या आप भाग्य और शिकायतों पर निर्भर हैं। एक अच्छा, ईमानदार उत्तर आपके दो या तीन सबसे अधिक-नुकसान वाले डेटा खतरों को नाम देता है, स्पष्ट रूप से बताता है कि क्या आप वर्तमान में हर एक का पता लगा सकते हैं, और अंतरालों को क्लिनिकल-सुरक्षा जोखिमों के रूप में मानता है जिन्हें लॉग और स्वामित्व में लिया जाना है (विषय 1.6 — क्लिनिकल सुरक्षा और जोखिम प्रबंधन देखें) बजाय अंततः पहुंचने वाली सफ़ाई के।

2. हमारी मुख्य संस्थाओं — रोगी, स्टाफ, संगठन, दवाएं — के लिए एकल सत्य स्रोत कहां है, और क्या हमारे सिस्टम वास्तव में इसका सम्मान करते हैं? कई संगठन, जब वे देखते हैं, खोजते हैं कि एक ही रोगी रोगी प्रशासन प्रणाली, आपातकालीन प्रणाली, पैथोलॉजी प्रणाली, और तीन विभागीय डेटाबेस में अलग-अलग मौजूद है, इस पर कोई सहमति नहीं कि कौन सा आधिकारिक है। संस्था-दर-संस्था चर्चा करें कि कौन सा सिस्टम इसे मास्टर करने वाला है, एक गोल्डन रिकॉर्ड कैसे इकट्ठा किया जाता है, और डुप्लिकेट और ओवरले कैसे खोजे और हल किए जाते हैं — यह भी शामिल है कि दो रिकॉर्ड मर्ज करने की अनुमति किसे है, क्योंकि वह ऑपरेशन स्वयं नुकसान पहुंचा सकता है। स्थानीय स्वायत्तता (विभाग जो अपनी खुद की प्रति चाहते हैं जिसे वे नियंत्रित कर सकते हैं) और सिस्टम-व्यापी सुरक्षा (एक समेटा हुआ सत्य) के बीच तनाव को सतह पर लाएं, और ईमानदार रहें कि मास्टर डेटा प्रबंधन निरंतर प्रबंधन है, एक बार का माइग्रेशन नहीं। एक मज़बूत उत्तर हर संस्था के लिए मास्टरिंग सिस्टम की पहचान करता है, स्वीकार करता है कि आज सत्य का कोई सहमत स्रोत कहां नहीं है, और एक नामित स्वामी और एक सामंजस्य प्रक्रिया के लिए प्रतिबद्ध होता है बजाय एक डेटाबेस सफ़ाई के जो चुपचाप फिर से सड़ जाएगी।

3. जब हमारा डेटा एक भुगतान, एक राष्ट्रीय रिटर्न, एक व्यावसायिक मामला, या एक AI मॉडल को खिलाता है, तो यह जानना किसका काम है कि क्या यह उस उद्देश्य के लिए उपयुक्त है? एक कारण के लिए कैप्चर किया गया डेटा लगातार अन्य के लिए पुन: उपयोग किया जाता है, और जो गुणवत्ता एक क्लिनिकल नोट के लिए पर्याप्त है एक एल्गोरिदम या एक वित्तपोषण सूत्र में खतरनाक रूप से भ्रामक हो सकती है। बहस करें कि पुन: उपयोग के बिंदु पर उपयुक्तता आंकने के लिए कौन जवाबदेह है: क्या विश्लेषक, वित्त लीड, या मॉडल-निर्माता उस डेटा की उत्पत्ति, पूर्णता, और ज्ञात दोष जानता है जिस पर वे भरोसा कर रहे हैं, या क्या वे मानते हैं कि यह साफ़ है क्योंकि यह साफ़-सुथरा दिखता है? ठोस मामलों पर विचार करें — एक कोडिंग अंतराल जो चुपचाप गतिविधि और इसलिए आय को कम बताता है, या एक जनसांख्यिकीय फ़ील्ड जिसमें पक्षपाती गुमशुदगी है जो एक AI मॉडल को एक रोगी समूह के खिलाफ तिरछा करती है (विषय 8.4 — AI और उभरती तकनीक प्रशासन, और विषय 1.8 — डेटा नैतिकता, सहमति, और सार्वजनिक विश्वास देखें)। एक अच्छा उत्तर स्थापित करता है कि पुन: उपयोग के हर बिंदु पर उद्देश्य-के-लिए-उपयुक्तता स्पष्ट रूप से मूल्यांकित है, कि डेटा दृश्यमान उत्पत्ति और गुणवत्ता चेतावनियां रखता है, और कोई भी चुपचाप उन संख्याओं पर भरोसा नहीं कर रहा है जिनकी सीमाएं उन्होंने कभी नहीं देखीं।

4. क्या हम कैप्चर के बिंदु पर त्रुटियों को रोक रहे हैं, या चुपचाप डेटा गुणवत्ता का बोझ पहले से फैले क्लिनिशियनों पर डाल रहे हैं? स्रोत पर रोकथाम डेटा गुणवत्ता का सबसे सस्ता और सुरक्षित रूप है, लेकिन यह उन फॉर्म और वर्कफ़्लो के डिज़ाइन पर जीती या मरती है जिनका स्टाफ वास्तव में दबाव में उपयोग करता है। चर्चा करें कि क्या आपकी कैप्चर स्क्रीन वास्तव में मदद करती हैं — चेकसम सत्यापन, नियंत्रित पिक-लिस्ट, PDS-सत्यापित पहचान, समझदार डिफ़ॉल्ट — या क्या वे इसके बजाय एक व्यस्त पंजीकरण डेस्क पर अनिवार्य फ़ील्ड और चेतावनियां ढेर करती हैं जब तक लोग उन्हें क्लिक करके पास करना सीख न जाएं। यहां एक वास्तविक तनाव है: बहुत कम सत्यापन खराब डेटा को आगे बहने देता है, लेकिन अनाड़ी सत्यापन वर्कअराउंड, डमी मूल्य, और अलर्ट थकान पैदा करता है जो डेटा को अधिक सूक्ष्म तरीकों से भ्रष्ट करता है। देखें कि स्टाफ कहां "पता नहीं" दर्ज कर रहा है, एक डिफ़ॉल्ट का पुन: उपयोग कर रहा है, या एक दर्दनाक वर्कफ़्लो से बचने के लिए एक निजी स्प्रेडशीट रख रहा है, क्योंकि हर एक एक संकेत है कि सिस्टम काम का समर्थन करने के बजाय इसके खिलाफ लड़ रहा है। एक ईमानदार उत्तर कैप्चर डिज़ाइन को एक संयुक्त क्लिनिकल, परिचालन, और डेटा समस्या मानता है, इसका परीक्षण उन लोगों के साथ करता है जो इसका उपयोग करते हैं, और मापता है कि क्या सत्यापन वास्तव में डाउनस्ट्रीम त्रुटियों को कम करता है बजाय केवल उन्हें स्थानांतरित करने के।

5. क्या जिन लोगों को हम डेटा स्वामी और स्टीवर्ड कहते हैं उनके पास कुछ भी बदलने की स्थिति, समय, और उपकरण हैं, या स्टीवर्डशिप एक शीर्षक है जो पहले से भरी नौकरी पर बोल्ट किया गया है? डेटा गुणवत्ता स्पष्ट जवाबदेही के बिना क्षय होती है, लेकिन एक स्लाइड पर एक स्वामी को नाम देना एक को संसाधित करने के समान नहीं है, और जब नामित व्यक्ति के पास न तो अधिकार है और न ही क्षमता तो स्टीवर्डशिप चुपचाप विफल हो जाती है। बहस करें कि आपके स्टीवर्ड वास्तव में क्या कर सकते हैं जब वे एक व्यवस्थित समस्या पाते हैं — एक टूटा हुआ इंटरफ़ेस जो फ़ील्ड गिराता है, एक भ्रामक फॉर्म, एक वर्कफ़्लो जो डुप्लिकेट बनाता है: क्या वे इसे ठीक करवा सकते हैं, या क्या वे केवल इसे लॉग कर सकते हैं और आशा कर सकते हैं? स्टीवर्डशिप को कई लोगों में पतला फैलाने के बीच व्यापार को सतह पर लाएं जो हर एक हाशिये पर थोड़ा करते हैं, और इसे समय निकाला गया और टूलिंग प्रदान की गई वास्तव में संसाधित भूमिकाओं की एक छोटी संख्या में केंद्रित करने के बीच। विचार करें कि क्या स्टीवर्डों के पास कारण बनने वाले सिस्टमों और प्रक्रियाओं के स्वामी लोगों तक एक वास्तविक वृद्धि मार्ग है, और क्या वरिष्ठ डेटा स्वामियों को उनके क्षेत्र की गुणवत्ता के लिए जवाबदेह ठहराया जाता है। एक अच्छा उत्तर ईमानदार है कि क्या स्टीवर्डशिप वर्तमान में वास्तविक या औपचारिक है, और एक और अवित्तपोषित जिम्मेदारी के बजाय अधिकार, समय, और टूलिंग के लिए प्रतिबद्ध होता है।

6. हम समय के साथ राष्ट्रीय मानकों और संदर्भ डेटा का प्रबंधन कैसे करते हैं, और जब हमारे नीचे एक कोड सूची या शब्दावली बदलती है तो क्या होता है? SNOMED CT जैसी संदर्भ डेटा और शब्दावली बाहरी रूप से परिभाषित होती हैं और धीरे-धीरे लेकिन लगातार बदलती हैं, और एक चुपचाप अपडेट किया गया मूल्य सेट किसी के ध्यान दिए बिना रुझान विश्लेषण को तोड़ सकता है या डाउनस्ट्रीम तर्क को भ्रष्ट कर सकता है। चर्चा करें कि क्या आपकी कोड सूचियां और मैपिंग एक स्पष्ट अपडेट प्रक्रिया के साथ संस्करण नियंत्रण के तहत हैं, या क्या वे अदस्तावेज़ीकृत लुकअप में रहती हैं जिन्हें कोई जगह पर संपादित करता है। जब राष्ट्रीय मानक अजीब लगता है तो स्थानीय कोड का आविष्कार करने के खिंचाव की जांच करें, और दीर्घकालिक लागत के बारे में ईमानदार रहें: स्थानीय वर्गीकरण आपके डेटा को किसी और के साथ तुलना करना या एकत्र करना असंभव बनाते हैं और एक स्थायी मैपिंग बोझ बन जाते हैं (विषय 4.3 — अंतरसंचालनीयता और डेटा मानक देखें)। विचार करें कि आप कैसे पता लगाएंगे कि एक संदर्भ मूल्य बदल गया है, और आप उन विश्लेषणों, भुगतानों, और मॉडलों पर प्रभाव का आकलन कैसे करेंगे जो इस पर निर्भर करते हैं। एक मज़बूत उत्तर संदर्भ डेटा को राष्ट्रीय परिवर्तनों को अपनाने के लिए एक नामित प्रक्रिया के साथ एक शासित, संस्करणित संपत्ति मानता है, स्थानीय विस्तार को दुर्लभ रखता है और मानक में वापस मैप करता है, और यह ट्रेस कर सकता है कि एक परिवर्तन किन डाउनस्ट्रीम उपयोगों को प्रभावित करेगा।

व्यवहार में: एक स्वास्थ्य और देखभाल उदाहरण#

Northmoor Integrated Care System दो तीव्र ट्रस्ट, एक मानसिक-स्वास्थ्य ट्रस्ट, सामुदायिक सेवाओं, और 60 GP प्रैक्टिसों में फैला एक साझा देखभाल रिकॉर्ड चलाता है। एक गंभीर घटना के बाद — एक रोगी की गंभीर पेनिसिलिन एलर्जी एक ट्रस्ट में रिकॉर्ड की गई थी लेकिन दूसरे में अदृश्य थी क्योंकि रिकॉर्ड लिंक होने में विफल रहा, और रोगी को दवा निर्धारित की गई — बोर्ड डेटा गुणवत्ता को एक बैक-ऑफ़िस चिंता के बजाय एक क्लिनिकल-सुरक्षा प्राथमिकता मानता है। एक तेज़ समीक्षा पाती है कि मूल कारण मास्टर डेटा है: वही रोगी सिस्टमों में डुप्लिकेट के रूप में मौजूद हैं, और फ्रंट डोर पर NHS-number सत्यापन असंगत है।

ICS रोगी मास्टर डेटा के लिए एक नामित वरिष्ठ डेटा स्वामी और हर प्रदाता में परिचालन डेटा स्टीवर्डों के साथ एक डेटा प्रशासन मंच स्थापित करता है। उनका पहला कार्य संपत्ति को प्रोफ़ाइल करना है: वे खोजते हैं कि Personal Demographics Service के विरुद्ध NHS-number सत्यापन कुछ पंजीकरण वर्कफ़्लो में विश्वसनीय रूप से होता है और अन्य में नहीं, और साझा रिकॉर्ड में डुप्लिकेट और बेमेल रिकॉर्ड की एक महत्वपूर्ण जनसंख्या शामिल है। एक बड़े पैमाने पर सफ़ाई के बजाय, वे पहले कारण ठीक करते हैं — कैप्चर के हर बिंदु पर PDS सत्यापन और चेकसम सत्यापन लागू करना — ताकि जब वे बैकलॉग के माध्यम से काम करें तो डुप्लिकेट जनसंख्या बढ़ना बंद कर दे।

वे राष्ट्रीय जनसांख्यिकीय सेवा के विरुद्ध समेटा हुआ एक Master Patient Index खड़ा करते हैं, डुप्लिकेट को मर्ज करने और किसी भी गलत ओवरले को उलटने के लिए एक नियंत्रित, ऑडिट किया गया, क्लिनिकल रूप से पर्यवेक्षित प्रक्रिया के साथ, यह पहचानते हुए कि दोनों ऑपरेशन लाइव रिकॉर्ड को छूते हैं। वे अपने राष्ट्रीय डेटासेट सबमिशन के लिए एक बाहरी बेसलाइन के रूप में NHS Data Quality Maturity Index अपनाते हैं और उन फ़ील्ड के लिए स्थानीय मीट्रिक जोड़ते हैं जिन पर क्लिनिशियन सबसे अधिक निर्भर करते हैं — एलर्जी, NHS-number पूर्णता, मुख्य जनसांख्यिकी — उन्हें हर प्रदाता के क्लिनिकल और परिचालन नेताओं को प्रकाशित करते हुए ताकि संख्याओं को अनदेखा न किया जा सके।

अठारह महीने बाद परिवर्तन परिणामों में दिखाई देता है, केवल डैशबोर्ड में नहीं: कैप्चर पर NHS-number सत्यापन लगभग सार्वभौमिक है, डुप्लिकेट दर गिर रही है, और एलर्जी जानकारी साझा रिकॉर्ड में विश्वसनीय रूप से समेटती है। जब ICS बाद में एक जनसंख्या-स्वास्थ्य जोखिम-स्तरीकरण मॉडल का दायरा तय करता है, विश्लेषिकी टीम अंतर्निहित डेटा की उत्पत्ति और पूर्णता बता सकती है और फ्लैग कर सकती है कि कहां गुमशुदगी मॉडल को तिरछा कर सकती है, क्योंकि मास्टर डेटा और गुणवत्ता मीट्रिक अब उस निर्णय का समर्थन करने के लिए मौजूद हैं (विषय 4.5 — डेटा, विश्लेषिकी, और जनसंख्या स्वास्थ्य प्रबंधन देखें)। अचमकदार काम — एक प्रशासन मंच, स्टीवर्ड, कैप्चर पर सत्यापन, एक MPI — ने एक अदृश्य, हानिकारक जोखिम को एक प्रबंधित में बदल दिया।

क्षेत्र दृष्टिकोण#

स्टार्टअप#

एक डिजिटल-स्वास्थ्य स्टार्टअप अक्सर डेटा गुणवत्ता को एक भविष्य की समस्या मानता है, तेज़ी से आगे बढ़ने के लिए गन्दे डेटा को स्वीकार करते हुए सुविधाओं पर ध्यान केंद्रित करता है। स्वास्थ्य डेटा के साथ यह एक गलती है, जहां एक बेमेल रोगी या एक असत्यापित NHS number पहले जीवित रोगी से एक सुरक्षा मुद्दा है, हज़ारवें से नहीं। शुरुआत से अपने कैप्चर प्रवाहों में सत्यापन, NHS-number चेकसम सत्यापन, और — जहां आप इसे एक्सेस कर सकते हैं — Personal Demographics Service मिलान बनाएं, क्योंकि बेमेल रिकॉर्ड के एक बड़े संग्रह के बाद पहचान अनुशासन को रेट्रोफिट करना दर्दनाक और जोखिम भरा है। NHS खरीदारों के साथ आपकी विश्वसनीयता इस पर निर्भर करती है कि आप दिखा सकें कि आपका डेटा भरोसेमंद है, इसकी उत्पत्ति स्पष्ट है, और जब आप एकीकृत होते हैं तो आप उनके मास्टर डेटा को प्रदूषित नहीं करेंगे।

छोटा व्यवसाय#

एक स्थापित छोटा प्रदाता — एक GP प्रैक्टिस, एक सामुदायिक फार्मेसी, एक केयर होम, या एक एकल-साइट क्लिनिक — एक बड़े ट्रस्ट के समान पहचान और एलर्जी को सही करने का कर्तव्य उठाता है, लेकिन बिना किसी डेटा टीम और अक्सर बिना किसी समर्पित IT के। यहां मास्टर डेटा प्रबंधन एक प्लेटफ़ॉर्म परियोजना नहीं है; यह उन उपकरणों का अनुशासित उपयोग है जो आपके पास पहले से हैं: पंजीकरण पर Personal Demographics Service के विरुद्ध NHS number सत्यापित करना, जनसांख्यिकी को वर्तमान रखना, और अपने क्लिनिकल सिस्टम में डुप्लिकेट रिकॉर्ड जमा न होने देना। स्थानीय शॉर्टकट का आविष्कार करने के बजाय आपके लिए प्रदान किए गए राष्ट्रीय बुनियादी ढांचे — PDS, SNOMED CT, राष्ट्रीय संगठन कोड — पर झुकें, क्योंकि यह भारी काम करता है जिसे एक छोटा संगठन नहीं कर सकता। डेटा गुणवत्ता के व्यावहारिक स्वामी के रूप में एक व्यक्ति को नाम दें भले ही यह एक व्यापक भूमिका का हिस्सा हो, और "हम इसके बारे में चिंता करने के लिए बहुत छोटे हैं" कहकर गन्दे डेटा को सहने के बजाय अपने सिस्टम आपूर्तिकर्ता की सत्यापन, मिलान, और डी-डुप्लिकेशन सुविधाओं का उपयोग करें — एक गलत रिकॉर्ड से नुकसान संगठन चाहे जो भी हो समान आकार का है।

बड़ा संगठन#

एक बड़ा NHS ट्रस्ट या ICS दर्जनों सिस्टम चलाता है जो प्रत्येक रोगियों, स्टाफ, और संगठनों का अपना संस्करण रखते हैं, इसलिए इसकी केंद्रीय चुनौती पैमाने पर सामंजस्य और स्टीवर्डशिप है। यथार्थवादी लक्ष्य एक शासित Master Patient Index और आधिकारिक गोल्डन रिकॉर्ड की एक छोटी संख्या है, इंटरफेस और सत्यापन के माध्यम से लागू, हर चीज़ को बदलने वाला एक एकल मोनोलिथिक डेटाबेस नहीं। वास्तविक अधिकार के साथ नामित डेटा स्वामियों और स्टीवर्डों में निवेश करें, मास्टर डेटा को पहचान और अभिगम प्रबंधन और भुगतान से बांधें, और मर्ज और ओवरले को क्लिनिकल रूप से पर्यवेक्षित ऑपरेशन मानें क्योंकि इस पैमाने पर वे लाइव देखभाल को छूते हैं। सबसे बड़ी जीत कैप्चर पर रोकथाम और अनुशासित राष्ट्रीय-मानक अपनाने से आती है जो लगातार लागू होती है, न कि वीरतापूर्ण आवधिक सफ़ाई से जो समाप्त होते ही क्षय हो जाती है।

सरकार#

एक राष्ट्रीय निकाय — NHS England, और वे मानक निकाय जो NHS Digital के उत्तराधिकारी बने — हर प्रदाता जिस डेटा-गुणवत्ता वातावरण में काम करता है उसे आकार देता है। यह साझा बुनियादी ढांचा चलाता है जो स्थानीय गुणवत्ता को संभव बनाता है: राष्ट्रीय जनसांख्यिकीय सूचकांक के रूप में Personal Demographics Service, सामान्य कुंजी के रूप में NHS number, राष्ट्रीय शब्दावली और संदर्भ डेटा, और Data Quality Maturity Index जो संगठनों में प्रदर्शन को तुलनीय बनाता है। इसका लाभ Data Alliance Partnership Board प्रक्रिया के माध्यम से सूचना मानकों को अनिवार्य करना, तुलनीय गुणवत्ता मीट्रिक प्रकाशित करना जो सुधार दबाव बनाते हैं, और संदर्भ डेटा का प्रबंधन करना है ताकि हर कोई दुनिया को उसी तरह वर्गीकृत करे। सरकार समानता कर्तव्य भी उठाती है: पक्षपाती गुमशुदगी की निगरानी करना और यह सुनिश्चित करना कि डेटा गुणवत्ता चुपचाप उन समूहों को नुकसान नहीं पहुंचाती जिनके रिकॉर्ड सबसे कम पूर्ण हैं (विषय 9.1 — स्थानीय और राष्ट्रीय सरकारों के साथ काम करना देखें)।

सामान्य विफलता मोड#

• हमेशा के लिए सफ़ाई, कुछ भी ठीक नहीं करना। दोहराई गई डाउनस्ट्रीम सफ़ाई जो कभी कैप्चर प्रक्रिया को संबोधित नहीं करती एक ट्रेडमिल है; वही डुप्लिकेट और त्रुटियां हर चक्र में फिर से प्रकट होती हैं। स्रोत पर कारण ठीक करें।
• वैध लेकिन गलत। एक रिकॉर्ड जो प्रारूप सत्यापन पास करता है फिर भी गलत हो सकता है — एक सही ढंग से स्वरूपित लेकिन गलत NHS number एक खाली से अधिक खतरनाक है क्योंकि यह भरोसेमंद दिखता है। केवल प्रारूप के विरुद्ध नहीं, वास्तविक संदर्भ स्रोतों के विरुद्ध सत्यापित करें।
• कोई नामित स्वामी नहीं। जब डेटा गुणवत्ता हर किसी की चिंता है तो यह किसी का काम नहीं है; समस्याओं की बैठकों में प्रशंसा की जाती है और कभी हल नहीं की जातीं। जवाबदेह स्वामी और सशक्त स्टीवर्ड असाइन करें।
• दुर्घटना से मास्टर डेटा। हर सिस्टम को रोगियों या संगठनों की अपनी अलग प्रति रखने देना, सत्य के किसी सहमत स्रोत के बिना, असंगति और खतरनाक डुप्लिकेट की गारंटी देता है। जानबूझकर तय करें कि हर संस्था को क्या मास्टर करता है।
• लापरवाह मर्ज और ओवरले। दो रिकॉर्ड मर्ज करना या एक गलत-मर्ज को विभाजित करना लाइव क्लिनिकल डेटा को छूता है; बिना नियंत्रण या क्लिनिकल निगरानी के किया गया यह महत्वपूर्ण जानकारी छुपा या गलत बता सकता है। इसे एक ऑडिट किया गया, पर्यवेक्षित प्रक्रिया बनाएं।
• स्थानीय कोड जो तुलनीयता तोड़ते हैं। राष्ट्रीय मानकों का उपयोग करने के बजाय स्थानीय वर्गीकरण का आविष्कार करना डेटा को किसी और के साथ तुलना या एकत्र करना असंभव बनाता है और जब वे चुपचाप बदलते हैं तो रुझान विश्लेषण को भ्रष्ट करता है। राष्ट्रीय संदर्भ डेटा अपनाएं और संस्करणित करें।
• मौन पुन: उपयोग। भुगतानों, राष्ट्रीय रिटर्न, या AI मॉडलों में अज्ञात गुणवत्ता का डेटा खिलाना बिना इसकी उत्पत्ति और सीमाओं को बताए पैमाने पर छुपी हुई त्रुटियां फैलाता है। पुन: उपयोग के हर बिंदु पर उद्देश्य-के-लिए-उपयुक्तता को एक स्पष्ट निर्णय बनाएं।

परिपक्वता मॉडल#

जांच-सूची#

• महत्वपूर्ण डेटासेटों में सहमत गुणवत्ता आयाम, मापने योग्य लक्ष्य, और नियमित रिपोर्टिंग है, जहां संभव हो DQMI के विरुद्ध बेंचमार्क किया गया।
• NHS number कैप्चर के हर बिंदु पर चेकसम-सत्यापित और Personal Demographics Service के विरुद्ध सत्यापित है।
• हर मुख्य संस्था (रोगी, स्टाफ, संगठन, दवा) के पास एक नामित मास्टरिंग सिस्टम और एक गोल्डन रिकॉर्ड है।
• एक Master Patient Index राष्ट्रीय जनसांख्यिकीय सेवा के विरुद्ध समेटा गया है, एक ऑडिट किए गए, क्लिनिकल रूप से पर्यवेक्षित मर्ज और ओवरले प्रक्रिया के साथ।
• हर महत्वपूर्ण डेटा क्षेत्र के पास एक नामित डेटा स्वामी और टूलिंग और एक वृद्धि मार्ग वाला एक सशक्त डेटा स्टीवर्ड है।
• माइग्रेशन या सुधार से पहले डेटा प्रोफ़ाइल किया जाता है, और सफ़ाई केवल डाउनस्ट्रीम प्रतियों को नहीं, स्रोत सिस्टम और कारण बनने वाली प्रक्रिया को ठीक करती है।
• राष्ट्रीय सूचना मानक और शब्दावली (DAPB प्रक्रिया, SNOMED CT के माध्यम से) अपनाए गए हैं, और संदर्भ डेटा संस्करण-नियंत्रित है।
• डेटा गुणवत्ता मीट्रिक क्लिनिकल, परिचालन, और वित्त टीमों को प्रकाशित की जाती हैं जिनके निर्णय डेटा पर निर्भर करते हैं।
• उत्पत्ति और ज्ञात गुणवत्ता सीमाएं डेटा के साथ यात्रा करती हैं जब इसे भुगतान, राष्ट्रीय रिटर्न, अनुसंधान, या AI के लिए पुन: उपयोग किया जाता है।
• उच्च-नुकसान डेटा-गुणवत्ता खतरे क्लिनिकल-सुरक्षा जोखिमों के रूप में लॉग और स्वामित्व में हैं, सक्रिय पहचान के साधन के साथ।

मुख्य स्रोत#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — राष्ट्रीय डेटासेटों में डेटा गुणवत्ता का एक मासिक तुलनीय माप।
• NHS England — Personal Demographics Service (PDS) और NHS number मार्गदर्शन — राष्ट्रीय जनसांख्यिकीय सूचकांक और प्राथमिक रोगी पहचानकर्ता।
• NHS England — Data Alliance Partnership Board (DAPB) प्रक्रिया (पहले SCCI/ISB मानक) के माध्यम से प्रकाशित सूचना मानक।
• DAMA International — DMBOK (Data Management Body of Knowledge) — डेटा प्रशासन, गुणवत्ता, और मास्टर डेटा प्रबंधन के लिए मान्यता प्राप्त ढांचा।
• SNOMED International / NHS England — दवा मास्टर और संदर्भ डेटा के लिए SNOMED CT क्लिनिकल शब्दावली और dm+d (dictionary of medicines and devices)।
• HM Government — Data Standards Authority और Government Data Quality Framework — डेटा गुणवत्ता आयामों और स्टीवर्डशिप पर क्रॉस-गवर्नमेंट मार्गदर्शन।
• National Data Guardian — Caldicott Principles — गोपनीय रोगी जानकारी के उचित उपयोग और गुणवत्ता पर।

संदर्भ#

1. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
2. Master data management — Wikipedia — https://en.wikipedia.org/wiki/Master_data_management
3. Single source of truth — Wikipedia — https://en.wikipedia.org/wiki/Single_source_of_truth
4. Reference data — Wikipedia — https://en.wikipedia.org/wiki/Reference_data
5. SNOMED CT — Wikipedia — https://en.wikipedia.org/wiki/SNOMED_CT
6. NHS number — Wikipedia — https://en.wikipedia.org/wiki/NHS_number
7. Record linkage — Wikipedia — https://en.wikipedia.org/wiki/Record_linkage
8. Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
9. Data steward — Wikipedia — https://en.wikipedia.org/wiki/Data_steward
10. Data profiling — Wikipedia — https://en.wikipedia.org/wiki/Data_profiling
11. Data cleansing — Wikipedia — https://en.wikipedia.org/wiki/Data_cleansing
12. Data validation — Wikipedia — https://en.wikipedia.org/wiki/Data_validation
13. NHS England — Data Quality Maturity Index (DQMI) — NHS England — https://digital.nhs.uk/data-and-information/data-tools-and-services/data-services/data-quality
14. NHS England — Personal Demographics Service (PDS) — NHS England — https://digital.nhs.uk/services/personal-demographics-service
15. NHS England — Information standards and the Data Alliance Partnership Board — NHS England — https://www.england.nhs.uk/digitaltechnology/digital-primary-care/information-standards/
16. DAMA International — Data Management Body of Knowledge (DMBOK) — DAMA International — https://www.dama.org/
17. HM Government — The Government Data Quality Framework — GOV.UK — https://www.gov.uk/government/publications/the-government-data-quality-framework
18. National Data Guardian — Caldicott Principles — GOV.UK — https://www.gov.uk/government/publications/the-caldicott-principles