Topik 4.5 — Data, Analitik & Manajemen Kesehatan Populasi

Dalam kesehatan dan perawatan, analitik hanya layak dibangun jika ia mengubah keputusan, jalur, atau kehidupan — mengubah data menjadi wawasan yang sampai kepada orang yang paling membutuhkannya, dan melakukannya dengan cara yang dapat dipercaya publik.

Mengapa ini penting dalam kesehatan dan perawatan#

Topik 4.3 — Interoperabilitas & Standar Data adalah tentang memindahkan data dengan aman antarsistem agar tiba di tempat yang dibutuhkan. Topik ini tentang apa yang terjadi berikutnya: mengubah data itu menjadi wawasan, dan wawasan menjadi tindakan. Keduanya mudah dikacaukan dan mahal jika tertukar. Anda dapat punya interoperabilitas sempurna dan tetap membuat keputusan buruk, dan Anda dapat punya analitik kaya yang tak pernah menyentuh perawatan satu pasien pun.

Analitik dalam kesehatan dan perawatan membawa bobot yang tak dimiliki analitik di ritel atau logistik. Ketika Anda menyegmentasi populasi dan menargetkan intervensi, Anda memutuskan asma siapa yang ditinjau lebih dulu, lansia rapuh mana yang mendapat telepon proaktif sebelum krisis musim dingin, dan di mana tim komunitas yang kewalahan menghabiskan jamnya yang terbatas. Salah menganalisis — model risiko yang bias, celah kualitas data yang menghitung kurang lingkungan miskin, dasbor yang menyanjung kinerja — dan Anda dapat memperlebar ketimpangan yang justru ingin Anda tutup. Konsekuensinya klinis dan etis, bukan sekadar komersial.

Kepercayaan publik adalah kendala lain yang membuat ranah ini khas. Orang secara umum bersedia datanya memperbaiki perawatan dan mendukung riset, tetapi hanya ketika mereka dapat melihat ia ditangani dengan aman, sah, dan untuk tujuan yang sah. Kegagalan program care.data di Inggris pada 2014, ditinggalkan setelah publik dan klinisi kehilangan kepercayaan pada bagaimana data akan diekstrak dan dipakai, tetap kisah peringatan yang harus diketahui setiap pemimpin analitik kesehatan. Kepercayaan, begitu hilang, lambat dan mahal dibangun kembali, dan ia membatasi apa yang dapat Anda lakukan bertahun-tahun sesudahnya. Jadi "bagaimana" analitik — platform, rute akses, tata kelola, transparansi — bukan pipa kantor belakang. Ia bagian dari penyelesaian keselamatan klinis, kesetaraan, dan kepercayaan publik yang berjalan di seluruh buku ini.

Konsep inti#

Kecerdasan bisnis (business intelligence) adalah seperangkat praktik dan teknologi untuk menganalisis data guna menginformasikan keputusan — dasbor, laporan, dan kueri di baliknya. Ia bertumpu pada analisis data yang disajikan melalui visualisasi data yang baik, karena grafik yang dapat dibaca klinisi atau direktur sibuk dalam detik mengalahkan tabel yang tak dibuka siapa pun.

Cara berguna menggambarkan ambisi analitis adalah tangga kematangan: analitik deskriptif (apa yang terjadi), analitik diagnostik (mengapa terjadi), analitik prediktif (apa yang mungkin terjadi berikutnya), dan analitik preskriptif (apa yang harus Anda lakukan tentangnya). Kebanyakan organisasi menghabiskan sebagian besar waktu di anak tangga pertama, dan itu sering tempat yang tepat — gambaran deskriptif yang andal, dipercaya, dan ditindaklanjuti lebih berharga daripada model prediktif rapuh yang tak dipakai siapa pun.

Menopang semua ini adalah platform data. Gudang data (data warehouse) menyimpan data terstruktur dan terpola untuk pelaporan; danau data (data lake) menyimpan data mentah berbentuk apa pun untuk diproses kemudian; pola "lakehouse" memadukan keduanya. Mana pun yang Anda pilih, platform hanya setepercaya kualitas data-nya — kelengkapan, akurasi, ketepatan waktu, dan konsistensi rekam di bawahnya — dan tata kelola data-nya, kerangka akuntabel kepemilikan, definisi, dan keputusan akses yang menjaga data layak pakai. Berkaitan erat adalah manajemen data induk — memelihara satu versi otoritatif data referensi inti seperti pasien, staf, dan organisasi — agar analitik tidak terpecah di antara pengidentifikasi yang tak konsisten.

Kesehatan populasi manajemen adalah disiplin terapan di jantung topik ini: memakai data tertaut untuk memahami kesehatan populasi terdefinisi, menyegmentasikannya ke kelompok dengan kebutuhan serupa, menstratifikasi risiko, dan menargetkan intervensi pada mereka yang akan paling diuntungkan. Dilakukan baik, ia salah satu alat paling tajam untuk menangani kesetaraan kesehatan — mengarahkan perawatan proaktif ke kelompok yang kurang terlayani alih-alih menunggu mereka datang dalam krisis. Tak ada yang berfungsi tanpa literasi data — kemampuan pemimpin, klinisi, dan analis sama-sama untuk membaca, mempertanyakan, dan bertindak atas data dengan jujur.

Akhirnya, Secure Data Environment (SDE) — secara internasional, Trusted Research Environment (TRE) — adalah rute terkendali yang melaluinya peneliti dan perencana menganalisis data sensitif. Alih-alih menyalin data keluar ke analis, analis dibawa ke data di dalam lingkungan aman dan diaudit, dan hanya hasil agregat yang tak mengidentifikasi yang keluar. Inilah model yang mendamaikan ambisi analitis dengan kepercayaan publik yang dibahas dalam Topik 1.8 — Etika Data, Persetujuan & Kepercayaan Publik.

Praktik terbaik#

1. Mulai dari keputusan, bukan data. Sebelum mengomisikan dasbor atau model, namai keputusan yang akan diubahnya, siapa yang memiliki keputusan itu, dan apa yang akan mereka lakukan secara berbeda begitu melihat wawasannya. Jika Anda tak dapat menjawab pertanyaan itu, Anda membangun laporan yang tak akan ditindaklanjuti siapa pun. Disiplin ini — bekerja mundur dari tindakan yang dimaksud — adalah pertahanan paling andal terhadap sebaran analitik tak terpakai, dan terhubung langsung dengan kebiasaan bukti-ke-tindakan Topik 1.3 — Keputusan Berbasis Bukti.

2. Naiki tangga analitik dengan sengaja, bukan refleks. Analitik deskriptif dan diagnostik menjawab sebagian besar pertanyaan operasional dan lebih murah, lebih dapat dijelaskan, dan lebih dipercaya daripada kerja prediktif atau preskriptif. Raih model prediktif hanya ketika keputusan benar-benar membutuhkan pandangan ke depan dan Anda dapat bertindak atas prediksi itu tepat waktu agar berarti. Skor risiko yang mengidentifikasi pasien yang tak punya kapasitas Anda bantu adalah latihan akademis, bukan manajemen kesehatan populasi.

3. Perlakukan kualitas data sebagai produk kelas satu, bukan renungan belakangan pembersihan. Ukur kelengkapan, akurasi, dan ketepatan waktu aliran data kunci Anda, publikasikan ukuran itu, dan buat pemilik bernama akuntabel atasnya. Pengodean etnisitas, kemiskinan, atau disabilitas yang buruk bukan catatan kaki teknis — ia secara sistematis menyembunyikan populasi yang paling perlu Anda lihat, sehingga celah mutu menjadi celah kesetaraan. Perbaiki kualitas data di sumber dalam sistem operasional di mana pun Anda bisa, karena koreksi hilir tak berujung dan lossy.

4. Jalankan model operasi analis dan rekayasa data yang eksplisit. Pisahkan kerja merekayasa jalur data yang andal dan terpola baik dari kerja menganalisis dan menafsirkan. Adopsi definisi bersama, kendali versi, tinjauan sejawat kode analitis, dan metode yang dapat direproduksi agar angka berarti hal yang sama bagi semua orang dan dapat dihasilkan ulang sesuai permintaan. Gerakan "Reproducible Analytical Pipelines" Inggris di sektor publik adalah model praktis yang layak dipinjam.

5. Aktifkan swalayan, tetapi atur definisi secara terpusat. Biarkan tim menjelajahi data dan membangun pandangan sendiri, karena tim pusat tak pernah dapat menjawab setiap pertanyaan cukup cepat. Jaga dari fragmentasi dengan mengkurasi lapisan semantik terkelola — himpunan data tersertifikasi dan definisi yang disepakati untuk metrik seperti "daftar tunggu" atau "rawat inap yang dapat dihindari" — agar swalayan melipatgandakan wawasan alih-alih melipatgandakan ketidaksepakatan tentang apa arti angka.

6. Pakai manajemen kesehatan populasi untuk menargetkan kesetaraan, dan periksa bias. Segmentasikan populasi Anda dan stratifikasi risiko untuk mengarahkan perawatan proaktif kepada mereka yang akan paling diuntungkan, dengan sengaja menyertakan kelompok yang secara historis datang terlambat atau tidak sama sekali. Interogasi setiap model untuk bias: jika alat stratifikasi risiko memberi skor terlalu rendah pada kelompok miskin atau etnis minoritas karena datanya lebih jarang, ia akan diam-diam mengalihkan sumber daya dari mereka. Audit hasil menurut karakteristik terlindungi dan kemiskinan, bukan hanya secara agregat.

7. Jadikan Secure Data Environment rute bawaan ke data sensitif. Untuk riset, perencanaan, dan penggunaan sekunder, bawa analis ke data di dalam SDE atau TRE alih-alih mengekstrak salinan. Ini menyusutkan permukaan serangan Anda, menciptakan jejak audit penuh, dan memberi publik cerita yang dapat dibela dan transparan tentang bagaimana datanya dipakai. Publikasikan siapa yang punya akses, untuk tujuan apa, dan di bawah persetujuan siapa, menghubungkan pendekatan Anda dengan tata kelola yang dicakup dalam Topik 1.7 — Tata Kelola Informasi, Perlindungan Data & Keamanan Siber.

8. Tutup lingkar dari analitik ke hasil dan nilai. Untuk setiap produk analitik signifikan, lacak apakah tindakan yang dimaksud terjadi dan apakah hasil membaik — bukan hanya apakah dasbor dilihat. Pensiunkan produk yang tak lagi mengubah keputusan. Di mana pun Anda bisa, hubungkan wawasan analitis dengan nilai terukur memakai metode Topik 6.1 — Ekonomi Kesehatan, agar investasi pada platform data dibenarkan oleh hasil, bukan oleh aktivitas.

9. Kelola kualitas data sebagai disiplin terukur, karena analitik dan AI mewarisi setiap cacat di bawahnya. Definisikan dan pantau kelengkapan, akurasi, ketepatan waktu, dan validitas aliran data kritis Anda, tetapkan ambang, dan bertindak ketika melorot alih-alih menemukan celah dalam laporan dewan. Model atau dasbor tak dapat naik di atas rekam yang menyuplainya, jadi perlakukan mutu sebagai fungsi operasional berkelanjutan dengan pemilik bernama, bukan pembersihan sekali sebelum proyek. Ini paling penting untuk kolom yang membawa kesetaraan — etnisitas, kemiskinan, disabilitas — di mana pengodean yang jarang atau tak konsisten diam-diam mendistorsi setiap kesimpulan hilir.

10. Tetapkan manajemen data induk untuk data referensi inti Anda. Pelihara satu versi otoritatif entitas yang menjadi tautan segala hal lain — pasien dengan kunci NHS Number, staf, dan organisasi — dengan pengelolaan jelas atas bagaimana tiap entitas dibuat, dicocokkan, dan dipensiunkan. Tanpanya, pasien yang sama muncul di bawah beberapa pengidentifikasi dan layanan yang sama di bawah beberapa nama, sehingga analitik terpecah dan total tak pernah cocok. Berinvestasi pada data induk yang tepercaya tak glamor, tetapi pada skala satu pengidentifikasi ambigu dapat salah-mengarahkan perawatan dan salah-menyatakan kinerja di seluruh sistem.

Pertanyaan untuk didiskusikan dengan tim Anda#

1. Dasbor dan laporan kami yang mana yang akan disadari ada yang hilang jika kami mematikannya besok — dan apa yang dikatakan jawabannya kepada kami? Kebanyakan estat analitik menumpuk selama bertahun-tahun, dan bagian besar yang dihasilkannya jarang atau tak pernah dilihat. Pertanyaan ini memaksa inventaris jujur: untuk tiap produk signifikan, dapatkah Anda menamai keputusan yang diinformasikannya, orang yang memiliki keputusan itu, dan kali terakhir ia mengubahnya? Mematikan, atau menawarkan untuk mematikan, adalah diagnostik cepat — protes sejati mengungkap apa yang penting, keheningan mengungkap apa yang tidak. Tim yang berkembang tanpa ampun mempensiunkan yang tak terpakai, karena setiap dasbor mati masih memakan pemeliharaan, mengikis kepercayaan ketika angkanya melenceng, dan mengubur laporan yang penting. Mengalihkan upaya yang dibebaskan itu ke segelintir produk yang banyak dipakai dan terkelola baik hampir selalu menaikkan nilai seluruh estat. Waspadai refleks mempertahankan segalanya "untuk jaga-jaga" — refleks itu persis cara Anda tiba pada analitik yang tak ditindaklanjuti siapa pun.

2. Apakah analitik kami membuat ketimpangan kesehatan lebih terlihat, atau menyembunyikannya? Metrik agregat — satu waktu tunggu seluruh trust, laju vaksinasi keseluruhan — dapat tampak menenangkan sambil menyembunyikan kesenjangan tajam di bawahnya. Ujiannya apakah produk standar Anda memecah hasil menurut kemiskinan, etnisitas, disabilitas, dan karakteristik relevan lain, dan apakah data Anda cukup baik untuk melakukannya dengan jujur. Jika etnisitas dikodekan buruk atau kemiskinan tak tertaut, analitik Anda buta secara struktural pada populasi yang paling perlu Anda jangkau, dan kebutaan itu akan membentuk ke mana sumber daya mengalir. Diskusikan di mana kualitas data Anda saat ini mengecewakan analisis kesetaraan, dan apa yang dibutuhkan untuk memperbaikinya di sumber. Pertimbangkan juga apakah model prediktif Anda telah diperiksa untuk bias terhadap kelompok kurang terlayani. Percakapan ini menghubungkan analitik Anda langsung dengan tulang punggung kesetaraan buku ini dan dengan etika Topik 1.8 — Etika Data, Persetujuan & Kepercayaan Publik.

3. Jika wartawan bertanya bagaimana kami memakai data pasien untuk analitik dan riset, dapatkah kami memberi jawaban yang jelas, jujur, dan menenangkan hari ini? Kepercayaan publik adalah izin tempat semua penggunaan sekunder data kesehatan bergantung, dan lebih mudah hilang daripada diraih. Telusuri jawaban sebenarnya: di mana data berada, siapa yang dapat mengakses, melalui persetujuan apa, untuk tujuan apa, dan bagaimana anggota masyarakat dapat mengetahuinya. Jika jawaban jujurnya melibatkan salinan data yang dapat mengidentifikasi tersebar di spreadsheet dan drive bersama, Anda punya masalah keamanan sekaligus masalah kepercayaan. Bandingkan dengan pendekatan Secure Data Environment, di mana akses terkendali, diaudit, dan dapat dipublikasikan. Diskusikan apa yang perlu diubah organisasi Anda agar benar-benar nyaman dengan pengawasan publik — sebelum insiden memaksa pertanyaan itu. Ingat care.data: teknologi bukan titik kegagalan; kegagalannya adalah kepercayaan publik pada bagaimana data akan dipakai.

4. Ketika kami meraih model prediktif, dapatkah kami benar-benar bertindak atas apa yang dikatakannya — dan sudahkah kami layak memercayai lapisan deskriptif di bawahnya? Menggoda menyamakan kematangan analitis dengan kecanggihan, dan memperlakukan kerja "digerakkan AI" atau prediktif sebagai tujuan. Tetapi skor risiko yang mengidentifikasi pasien yang tak punya kapasitas Anda hubungi adalah latihan akademis, dan model prediktif yang dibangun di atas fondasi deskriptif goyah sekadar mengotomatiskan galat yang ada dengan kecepatan tinggi. Interogasi tiap model yang diusulkan terhadap dua ujian: apakah ada keputusan nyata yang benar-benar membutuhkan pandangan ke depan dan bukan gambaran kaca spion yang andal, dan apakah kapasitas operasional ada untuk bertindak atas prediksi tepat waktu mengubah hasil? Jawaban jujur menamai intervensi spesifik yang akan dipicu prediksi dan tim yang akan menyampaikannya, dan terus terang tentang apakah anak tangga deskriptif dan diagnostik cukup tepercaya untuk dibangun di atasnya. Menaiki tangga dengan sengaja, anak tangga demi anak tangga, biasanya memberi lebih banyak nilai daripada melompat ke puncak dan menemukan tak ada yang menangkap jatuhnya.

5. Apakah kami sepakat apa arti angka inti kami — dan di mana dua tim akan memberi jawaban berbeda untuk pertanyaan yang sama? Seiring swalayan analitik menyebar, risiko bergeser dari terlalu sedikit angka ke terlalu banyak versi tiap angka: "daftar tunggu", "rawat inap yang dapat dihindari", "pasien aktif" diam-diam menyimpang antardasbor sampai rapat memperdebatkan angka siapa yang benar alih-alih apa yang harus dilakukan. Uji ini secara konkret dengan meminta dua tim menghasilkan metrik utama yang sama secara independen dan membandingkan bukan hanya jawabannya tetapi definisi dan kueri di baliknya. Percakapan jujur memunculkan di mana lapisan semantik terkelola dan himpunan data tersertifikasi hilang, dan di mana definisi pusat gagal mengikuti penemuan lokal. Trade-off-nya nyata — menekan terlalu keras mencekik penjelajahan yang membuat swalayan berharga; membiarkan tak diatur membuat wawasan terpecah menjadi ketidaksepakatan. Jawaban matang menggambarkan metrik mana yang tersertifikasi dan dimiliki terpusat dan mana yang sengaja dibiarkan terbuka untuk penjelajahan lokal, alih-alih berpura-pura seluruh estat dapat menjadi salah satunya.

6. Apakah kami memperbaiki kualitas data di tempat ia diciptakan, atau tanpa henti mengoreksinya di hilir? Setiap dasbor dan model mewarisi cacat rekam operasional di bawahnya, sehingga keputusan analitik paling berkonsekuensi sering dibuat jauh di hulu — dalam bagaimana kondisi dikodekan di titik perawatan, atau apakah pasien dan layanan yang sama diselesaikan ke satu pengidentifikasi. Diskusikan di mana organisasi Anda saat ini menambal mutu di lapisan pelaporan, dan apa yang dibutuhkan untuk memperbaiki masalah itu di sumber, menyadari bahwa koreksi hilir tak berujung sekaligus lossy. Ini tak terpisahkan dari manajemen data induk: tanpa satu versi otoritatif pasien, staf, dan organisasi, total tak pernah cocok dan orang yang sama terpecah di seluruh rekam. Taruhan kesetaraan paling tinggi untuk kolom yang paling sulit dikodekan dengan baik — etnisitas, kemiskinan, disabilitas — di mana penangkapan yang jarang atau tak konsisten diam-diam mendistorsi setiap kesimpulan hilir. Jawaban jujur menamai siapa yang memiliki mutu untuk tiap aliran kritis, apakah kepemilikan itu menjangkau sistem operasional, dan di mana ketiadaan data referensi tepercaya diam-diam merusak angka.

Dalam praktik: contoh kesehatan & perawatan#

Sebuah Integrated Care Board (ICB) di wilayah perkotaan dan pesisir campuran ingin mengurangi rawat inap tak terencana di antara orang yang hidup dengan kerapuhan, dan melakukannya tanpa memperlebar jarak antara kota pasar yang makmur dan bangsal pesisirnya yang miskin.

Tim kesehatan populasi mulai dengan himpunan data tertaut yang ditarik dari perawatan primer, layanan komunitas, dan rekam rumah sakit, dianalisis di dalam Secure Data Environment wilayah agar tak ada ekstrak yang dapat mengidentifikasi keluar dari lingkungan terkendali. Mereka menyegmentasi populasi di atas 65 tahun dan menstratifikasi risiko kerapuhan, tetapi sebelum menargetkan siapa pun mereka menjalankan pemeriksaan kesetaraan. Ia mengungkap bahwa model memberi skor terlalu rendah pada penduduk bangsal pesisir, karena praktik-praktik itu secara historis mengodekan kondisi jangka panjang kurang lengkap — celah kualitas data yang menyamar sebagai kebutuhan lebih rendah. Alih-alih melanjutkan dengan skor bias, tim mengomisikan dorongan perbaikan pengodean terfokus di praktik terdampak dan menyesuaikan model, memperlakukan perbaikan kualitas data sebagai bagian dari intervensi itu sendiri.

Dengan stratifikasi risiko yang lebih adil, mereka mengidentifikasi sekitar 1.400 orang berisiko tinggi yang belum dikenal layanan komunitas. Tim multidisiplin menawarkan tinjauan proaktif, dimulai dengan sengaja dari bangsal pesisir. Yang krusial, analitik tidak berhenti pada penargetan. Dasbor deskriptif sederhana melacak, menurut bangsal dan desil kemiskinan, berapa banyak tinjauan proaktif terjadi dan bagaimana rawat inap bergerak selama enam bulan berikutnya — menutup lingkar dari wawasan ke tindakan ke hasil. Ketika tinjauan di satu lokalitas macet, dasbor memunculkannya sejak dini, dan tim menyelidiki alih-alih menunggu laporan akhir tahun. Bekerja dengan kolega keuangan dan ekonomi kesehatan ICB, mereka menerjemahkan rawat inap yang terhindari menjadi kasus nilai yang membenarkan melanjutkan program. Tak ada keajaiban prediktif yang dibutuhkan di luar skor risiko yang terkelola baik; nilai datang dari kualitas data, disiplin kesetaraan, rute akses tepercaya, dan tindak lanjut tanpa lelah.

Lensa sektor#

Startup#

Startup teknologi kesehatan biasanya hidup-matinya bergantung pada klaim analitis sempit — bahwa alatnya mengidentifikasi pasien yang tepat, atau memperbaiki hasil — sehingga prioritasnya bukti, bukan keluasan. Bangun jalur ramping yang dapat direproduksi dan instrumentasikan produk Anda untuk mengukur apakah ia mengubah keputusan dan hasil, karena bukti itulah yang akan dituntut pelanggan dan regulator. Tahan godaan menjanjikan berlebihan kapabilitas prediktif atau "digerakkan AI" sebelum fondasi deskriptif dan kualitas data kokoh. Ketika Anda menangani data NHS atau perawatan, harapkan bekerja di dalam Secure Data Environment pelanggan atau memenuhi tata kelola setara; memperlakukannya sebagai kendala desain kelas satu, alih-alih kejutan terlambat, sering yang memisahkan startup yang berskala dari yang macet.

Usaha kecil#

Penyedia kecil yang mapan — praktik dokter umum, apotek komunitas, panti jompo, klinik satu lokasi — biasanya punya pasien nyata dan kewajiban undang-undang tetapi tanpa analis atau tim data khusus, sehingga tujuan praktisnya adalah gambaran deskriptif tepercaya, bukan tangga kematangan. Bersandarlah pada analitik yang sudah dibangun ke dalam sistem yang Anda jalankan dan pada himpunan data dan dasbor nasional atau ICB tepercaya alih-alih mendirikan platform yang tak dapat Anda pelihara. Perbaiki kualitas data di sumber dalam pengodean operasional Anda sendiri, karena itu satu-satunya tuas yang sepenuhnya dalam kendali Anda dan itulah yang menyuplai setiap model regional populasi Anda. Ketika Anda harus berbagi data untuk kesehatan populasi atau riset, pakai Secure Data Environment ICB atau nasional alih-alih mengirim ekstrak lewat email, yang menjaga Anda patuh pada kewajiban yang sama dengan organisasi besar tanpa membutuhkan sumber dayanya. Satu metrik terpilih baik yang benar-benar Anda tindaklanjuti — daftar pasien yang terlambat tinjauan — mengalahkan rangkaian laporan yang tak ada waktu untuk dibuka.

Perusahaan besar#

Penyedia besar atau integrator sistem biasanya punya masalah sebaliknya: terlalu banyak platform, terlalu banyak definisi bertentangan, dan ekor panjang laporan warisan. Tugas perusahaan adalah konsolidasi dan tata kelola — lapisan semantik terkurasi, himpunan data tersertifikasi, dan model operasi analis dan rekayasa data yang jelas — agar swalayan melipatgandakan wawasan alih-alih melipatgandakan ketidaksepakatan. Berinvestasilah pada kerja tak glamor kualitas data dan definisi induk, karena pada skala perusahaan satu metrik ambigu dapat salah-mengarahkan jutaan pound. Jaga dari kerajaan dasbor dengan mengukur penggunaan dan mempensiunkan yang tak terpakai. Seimbangkan standar pusat dengan otonomi lokal, atau Anda akan mencekik inovasi atau kehilangan kendali atas angka.

Pemerintah#

Badan nasional dan regional memikul peran pengelolaan yang tak dimiliki organisasi swasta: mereka menetapkan standar, menjalankan Secure Data Environment terbesar, dan bertanggung jawab kepada publik atas bagaimana data populasi dipakai. Prioritasnya legitimasi dan kesetaraan — aturan akses transparan, standar kualitas data yang dipublikasikan, dan analitik yang secara aktif memunculkan ketimpangan di seluruh populasi. Pemerintah juga unik berposisi untuk mengurangi duplikasi, dengan menyediakan himpunan data nasional tepercaya dan jalur yang dapat direproduksi yang dapat dibangun setiap tim lokal alih-alih menemukan ulang. Pelajaran utama dari care.data adalah pelibatan publik bukan renungan belakangan komunikasi melainkan masukan desain; bergerak lebih cepat daripada yang diizinkan kepercayaan dan Anda memundurkan seluruh agenda bertahun-tahun.

Mode kegagalan umum#

• Dasbor yang tak ditindaklanjuti siapa pun. Analitik dibangun untuk menampilkan data alih-alih mengubah keputusan, berbiak sampai yang berguna terkubur di bawah yang diabaikan.
• Memecahkan untuk perkakas, bukan pertanyaan. Membeli platform atau kapabilitas pembelajaran mesin sebelum mengetahui keputusan mana yang harus diperbaikinya.
• Kebutaan kualitas data. Menyajikan angka percaya diri yang dibangun di atas data tak lengkap atau bias, terutama di mana pengodean etnisitas atau kemiskinan yang buruk menyembunyikan kelompok kurang terlayani.
• Sebaran ekstrak. Salinan data sensitif menyebar di spreadsheet dan drive, menciptakan risiko keamanan sekaligus liabilitas kepercayaan publik yang akan dihindari Secure Data Environment.
• Penyimpangan definisi. Metrik yang sama berarti hal berbeda di laporan berbeda, sehingga rapat memperdebatkan angka siapa yang benar alih-alih apa yang harus dilakukan.
• Teater prediktif. Membangun model canggih yang tak punya kapasitas organisasi untuk bertindak atasnya, atau yang diam-diam menyandikan bias terhadap populasi yang paling membutuhkan.
• Bergerak lebih cepat daripada kepercayaan. Mengejar ambisi analitis tanpa pelibatan publik, dan kehilangan izin sosial yang menjadi sandaran semua penggunaan data sekunder.
• Wawasan tanpa lingkar. Tak pernah memeriksa apakah tindakan yang dimaksud terjadi atau hasil membaik, sehingga tak ada yang belajar dan tak ada yang dipensiunkan.

Model kematangan#

Daftar periksa#

• Setiap produk analitik signifikan menamai keputusan yang diubahnya dan siapa yang memiliki keputusan itu.
• Metrik kualitas data (kelengkapan, akurasi, ketepatan waktu) diukur, dimiliki, dan dipublikasikan untuk aliran kunci.
• Pengodean etnisitas, kemiskinan, dan disabilitas cukup baik untuk mendukung analisis kesetaraan yang jujur — dan diperbaiki di mana belum.
• Lapisan semantik terkelola mendefinisikan metrik inti secara konsisten di seluruh perkakas swalayan.
• Kode analitis dikendalikan versi, ditinjau sejawat, dan dapat direproduksi.
• Data sensitif untuk riset dan perencanaan diakses melalui Secure Data Environment, tidak disalin keluar.
• Stratifikasi risiko dan model prediktif diaudit untuk bias terhadap kelompok kurang terlayani.
• Laporan standar memecah hasil menurut kemiskinan dan karakteristik terlindungi yang relevan.
• Setiap produk melacak apakah tindakan yang dimaksud terjadi dan hasil membaik.
• Dasbor dan laporan tak terpakai ditinjau dan dipensiunkan secara siklus teratur.
• Penjelasan menghadap publik tentang bagaimana data pasien dipakai untuk analitik ada dan jujur.
• Program literasi data mendukung pemimpin dan klinisi, bukan hanya analis.

Sumber utama#

• NHS England — sumber daya Population Health Management dan Population Health Management Development Programme.
• NHS England — pedoman kebijakan Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — strategi dan panduan Reproducible Analytical Pipelines (RAP).
• The Health Foundation dan The King's Fund — analisis manajemen kesehatan populasi dan ketimpangan kesehatan.
• Understanding Patient Data — sumber daya publik tentang trusted research environments dan pelajaran care.data.
• Data Saves Lives — strategi data Inggris untuk kesehatan dan perawatan sosial.

Referensi#

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