Onderwerp 4.5 — Data, analyse en beheer van bevolkingsgezondheid

In gezondheid en zorg is analyse alleen de moeite waard te bouwen als zij een beslissing, een traject of een leven verandert — data omzetten in inzicht dat de mensen bereikt die het het meest nodig hebben, en dat doen op manieren die het publiek kan vertrouwen.

Waarom dit ertoe doet in gezondheid en zorg#

Onderwerp 4.3 — Interoperabiliteit en datastandaarden gaat over het veilig verplaatsen van data tussen systemen zodat ze aankomen waar ze nodig zijn. Dit onderwerp gaat over wat daarna komt: data omzetten in inzicht en inzicht in actie. De twee worden gemakkelijk verward en zijn duur om te verwarren. U kunt vlekkeloze interoperabiliteit hebben en toch slechte beslissingen nemen, en u kunt rijke analyse hebben die nooit de zorg van één patiënt raakt.

Analyse in gezondheid en zorg draagt een gewicht dat analyse in de detailhandel of logistiek niet draagt. Wanneer u een populatie segmenteert en een interventie richt, beslist u wiens astmatoetsing eerst plaatsvindt, welke kwetsbare ouderen vóór een winterse crisis een proactief telefoontje krijgen en waar een uitgerekt gemeenschapsteam zijn eindige uren aan besteedt. Doet u de analyse fout — een vertekend risicomodel, een kloof in datakwaliteit die een achtergestelde wijk onderrapporteert, een dashboard dat prestaties flatteert — dan kunt u juist de ongelijkheden vergroten die u wilde dichten. De gevolgen zijn klinisch en ethisch, niet louter commercieel.

Publiek vertrouwen is de andere beperking die dit domein onderscheidend maakt. Mensen zijn over het algemeen bereid hun data te laten gebruiken om zorg te verbeteren en onderzoek te ondersteunen, maar alleen wanneer zij kunnen zien dat ze veilig, rechtmatig en voor legitieme doeleinden worden behandeld. Het mislukken van het programma care.data in Engeland in 2014, opgegeven nadat het publiek en clinici het vertrouwen verloren in hoe data zouden worden onttrokken en gebruikt, blijft het waarschuwende verhaal dat elke leider van gezondheidsanalyse moet kennen. Eenmaal verloren vertrouwen is traag en duur te herbouwen en beperkt jarenlang wat u kunt doen. Het “hoe” van analyse — het platform, de toegangsroute, het bestuur, de transparantie — is dus geen backofficeleidingwerk. Het is onderdeel van de afspraak over klinische veiligheid, billijkheid en publiek vertrouwen die door dit hele boek loopt.

Kernbegrippen#

Business intelligence is de set praktijken en technologieën om data te analyseren om beslissingen te informeren — dashboards, rapporten en de bevraging erachter. Zij rust op data-analyse gepresenteerd via goede datavisualisatie, omdat een grafiek die een drukke clinicus of directeur in seconden kan lezen een tabel verslaat die niemand opent.

Een nuttige manier om analytische ambitie te beschrijven is de volwassenheidsladder: beschrijvende analyse (wat gebeurde er), diagnostische analyse (waarom gebeurde het), voorspellende analyse (wat zal waarschijnlijk hierna gebeuren) en prescriptieve analyse (wat u eraan zou moeten doen). De meeste organisaties besteden het grootste deel van hun tijd aan de eerste sport, en dat is vaak de juiste plek om te zijn — een betrouwbaar beschrijvend beeld, vertrouwd en opgevolgd, is meer waard dan een breekbaar voorspellend model dat niemand gebruikt.

Onder dit alles ligt een dataplatform. Een datawarehouse slaat gestructureerde, gemodelleerde data op voor rapportage; een datalake slaat ruwe data van elke vorm op voor latere verwerking; het “lakehouse”-patroon mengt de twee. Welke u ook kiest, het platform is slechts zo betrouwbaar als haar datakwaliteit — de volledigheid, juistheid, tijdigheid en consistentie van de onderliggende dossiers — en haar databestuur (data governance), het verantwoordelijke kader van eigenaarschap, definities en toegangsbeslissingen dat data geschikt voor gebruik houdt. Nauw verwant is stamgegevensbeheer (master data management) — een enkele, gezaghebbende versie bijhouden van kernreferentiedata zoals patiënten, personeel en organisaties — zodat analyse niet versplintert over inconsistente identificatoren.

Beheer van bevolkingsgezondheid (population health management) is de toegepaste discipline in het hart van dit onderwerp: gekoppelde data gebruiken om de gezondheid van een omschreven populatie te begrijpen, haar te segmenteren in groepen met vergelijkbare behoeften, risico te stratificeren en interventies te richten op wie er het meest van zal profiteren. Goed gedaan is het een van de scherpste instrumenten die beschikbaar zijn om gezondheidsbillijkheid aan te pakken — proactieve zorg richten op ondervertegenwoordigde groepen in plaats van te wachten tot zij in crisis aankomen. Niets hiervan werkt zonder datageletterdheid — het vermogen van leiders, clinici en analisten om data eerlijk te lezen, te bevragen en erop te handelen.

Ten slotte is een Secure Data Environment (SDE) — internationaal een Trusted Research Environment (TRE) — de beheerste route waarlangs onderzoekers en planners gevoelige data analyseren. In plaats van de data naar de analist te kopiëren, wordt de analist naar de data gebracht binnen een beveiligde, geauditeerde omgeving, en verlaten alleen geaggregeerde, niet-identificerende resultaten haar. Dit is het model dat analytische ambitie verzoent met het publieke vertrouwen besproken in Onderwerp 1.8 — Data-ethiek, toestemming en publiek vertrouwen.

Beste praktijken#

1. Begin bij de beslissing, niet bij de data. Noem voordat u een dashboard of model in opdracht geeft de beslissing die het zal veranderen, wie die beslissing bezit en wat zij anders zullen doen zodra zij het inzicht zien. Als u die vragen niet kunt beantwoorden, bouwt u een rapport waar niemand op handelt. Deze discipline — terugwerken vanuit de beoogde actie — is de meest betrouwbare verdediging tegen de wildgroei van ongebruikte analyse, en sluit rechtstreeks aan bij de gewoonten van bewijs-naar-actie van Onderwerp 1.3 — Op bewijs gebaseerde besluitvorming.

2. Beklim de analyseladder bewust, niet reflexmatig. Beschrijvende en diagnostische analyse beantwoorden de meeste operationele vragen en zijn goedkoper, beter uitlegbaar en meer vertrouwd dan voorspellend of prescriptief werk. Grijp alleen naar een voorspellend model wanneer een beslissing werkelijk vooruitzicht nodig heeft en u op de voorspelling kunt handelen op tijd om ertoe te doen. Een risicoscore die patiënten identificeert die u geen capaciteit hebt te helpen is een academische oefening, geen beheer van bevolkingsgezondheid.

3. Behandel datakwaliteit als eersteklas product, niet als opruiming achteraf. Meet volledigheid, juistheid en tijdigheid van uw belangrijkste datastromen, publiceer die maten en maak benoemde eigenaren ervoor verantwoordelijk. Slechte codering van etniciteit, achterstand of beperking is geen technische voetnoot — zij verbergt systematisch de populaties die u het meest moet zien, dus kwaliteitsgaten worden billijkheidsgaten. Herstel datakwaliteit waar mogelijk bij de bron in operationele systemen, omdat correctie stroomafwaarts eindeloos en met verlies gepaard gaat.

4. Run een expliciet operationeel model voor analisten en data-engineering. Scheid het werk van het engineeren van betrouwbare, goed gemodelleerde datapijplijnen van het werk van analyseren en interpreteren. Neem gedeelde definities, versiebeheer, toetsing van analytische code door collega’s en reproduceerbare methoden over zodat een getal voor iedereen hetzelfde betekent en op aanvraag kan worden geregenereerd. De Engelse beweging “Reproducible Analytical Pipelines” in de publieke sector is een praktisch model om te lenen.

5. Maak zelfbediening mogelijk, maar bestuur de definities centraal. Laat teams data verkennen en eigen weergaven bouwen, omdat een centraal team nooit elke vraag snel genoeg kan beantwoorden. Waak tegen fragmentatie door een bestuurde semantische laag te cureren — gecertificeerde datasets en afgesproken definities van maten als “wachtlijst” of “vermijdbare opname” — zodat zelfbediening inzicht vermenigvuldigt in plaats van onenigheid over wat de getallen betekenen.

6. Gebruik beheer van bevolkingsgezondheid om op billijkheid te richten, en controleer op bias. Segmenteer uw populatie en stratificeer risico om proactieve zorg te richten op wie er het meest van zal profiteren, met bewust inbegrip van groepen die historisch laat of helemaal niet verschijnen. Ondervraag elk model op bias: als een instrument voor risicostratificatie een achtergestelde of etnische-minderheidsgroep te laag scoort omdat hun data schaarser zijn, zal het stilletjes middelen van hen wegleiden. Audit uitkomsten naar beschermd kenmerk en achterstand, niet alleen in aggregaat.

7. Maak Secure Data Environments de standaardroute naar gevoelige data. Breng analisten voor onderzoek, planning en secundair gebruik naar de data binnen een SDE of TRE in plaats van kopieën te onttrekken. Dit verkleint uw aanvalsoppervlak, creëert een volledig controlespoor en geeft het publiek een verdedigbaar, transparant verhaal over hoe hun data worden gebruikt. Publiceer wie toegang heeft, voor welk doel en onder wiens goedkeuring, en koppel uw aanpak aan het bestuur behandeld in Onderwerp 1.7 — Informatiebeheer, gegevensbescherming en cyberbeveiliging.

8. Sluit de lus van analyse naar uitkomsten en waarde. Volg voor elk significant analyseproduct of de beoogde actie plaatsvond en of de uitkomst verbeterde — niet alleen of het dashboard werd bekeken. Faseer producten uit die geen beslissingen meer veranderen. Verbind analytisch inzicht waar mogelijk met gemeten waarde met de methoden van Onderwerp 6.1 — Gezondheidseconomie, zodat investering in dataplatforms wordt gerechtvaardigd door uitkomsten en niet door activiteit.

9. Beheer datakwaliteit als gemeten discipline, omdat analyse en AI elk gebrek eronder erven. Definieer en monitor volledigheid, juistheid, tijdigheid en geldigheid voor uw kritieke datastromen, stel drempels en handel wanneer ze wegglijden in plaats van het gat in een bestuursrapport te ontdekken. Een model of dashboard kan niet boven de dossiers uitstijgen die het voeden, dus behandel kwaliteit als doorlopende operationele functie met benoemde eigenaren, niet een eenmalige schoonmaak vóór een project. Dit doet het meest ertoe voor de velden die billijkheid dragen — etniciteit, achterstand, beperking — waar schaarse of inconsistente codering stilletjes elke stroomafwaartse conclusie vervormt.

10. Richt stamgegevensbeheer in voor uw kernreferentiedata. Houd één gezaghebbende versie bij van de entiteiten waaraan al het andere is gekoppeld — patiënten gesleuteld op het NHS-nummer, personeel en organisaties — met duidelijk rentmeesterschap over hoe elk wordt aangemaakt, gematcht en uit dienst genomen. Zonder dit verschijnt dezelfde patiënt onder meerdere identificatoren en dezelfde dienst onder meerdere namen, zodat analyse versplintert en totalen nooit sluiten. Investeren in betrouwbare stamgegevens is onglamoureus, maar op schaal kan een enkele dubbelzinnige identificator zorg misleiden en prestaties over een heel stelsel verkeerd weergeven.

Vragen om met uw team te bespreken#

1. Welke van onze dashboards en rapporten zou iemand opmerken als wij ze morgen uitzetten — en wat vertelt het antwoord ons? De meeste analysebestanden groeien over de jaren aan, en een groot deel van wat zij produceren wordt zelden of nooit bekeken. Deze vraag dwingt een eerlijke inventaris af: kunt u voor elk significant product de beslissing noemen die het informeert, de persoon die die beslissing bezit en de laatste keer dat het er een veranderde? Uitzetten, of aanbieden uit te zetten, is een snelle diagnose — echt protest onthult wat ertoe doet, stilte onthult wat niet. De teams die gedijen zijn meedogenloos in het uitfaseren van het ongebruikte, omdat elk dood dashboard nog onderhoud verbruikt, vertrouwen aantast wanneer zijn getallen afdrijven en de rapporten begraaft die ertoe doen. Die vrijgekomen inspanning herverdelen naar een handvol veelgebruikte, goed bestuurde producten verhoogt de waarde van het hele bestand bijna altijd. Wees op uw hoede voor de reflex alles “voor het geval dat” te houden — die reflex is precies hoe u bij analyse uitkomt waar niemand op handelt.

2. Maakt onze analyse gezondheidsongelijkheden zichtbaarder, of verbergt zij ze? Geaggregeerde maten — één wachttijd voor het hele ziekenhuis, een algemeen vaccinatiepercentage — kunnen geruststellend ogen terwijl zij scherpe verschillen eronder verhullen. De toets is of uw standaardproducten resultaten uitsplitsen naar achterstand, etniciteit, beperking en andere relevante kenmerken, en of uw data goed genoeg zijn om dat eerlijk te doen. Als etniciteit slecht is gecodeerd of achterstand niet is gekoppeld, is uw analyse structureel blind voor de populaties die u het meest moet bereiken, en die blindheid zal vormen waar middelen heen stromen. Bespreek waar uw huidige datakwaliteit de analyse van billijkheid in de steek laat en wat nodig zou zijn om dat bij de bron te herstellen. Overweeg ook of uw voorspellende modellen zijn gecontroleerd op bias tegen ondervertegenwoordigde groepen. Dit gesprek verbindt uw analyse rechtstreeks met de ruggengraat van billijkheid van het boek en met de ethiek van Onderwerp 1.8 — Data-ethiek, toestemming en publiek vertrouwen.

3. Als een journalist vroeg hoe wij patiëntgegevens gebruiken voor analyse en onderzoek, zouden wij vandaag een duidelijk, eerlijk, geruststellend antwoord kunnen geven? Publiek vertrouwen is de licentie waarop al het secundaire gebruik van gezondheidsdata berust, en het is gemakkelijker te verliezen dan te verdienen. Werk het werkelijke antwoord door: waar zitten de data, wie heeft toegang, via welke goedkeuring, voor welke doeleinden, en hoe zou een burger dat ontdekken. Als het eerlijke antwoord kopieën van identificeerbare data verspreid over spreadsheets en gedeelde schijven omvat, hebt u zowel een beveiligingsprobleem als een vertrouwensprobleem. Stel daar een aanpak met een Secure Data Environment tegenover, waar toegang beheerst, geaudit en publiceerbaar is. Bespreek wat uw organisatie zou moeten veranderen om werkelijk comfortabel te zijn met publieke toetsing — voordat een incident de vraag afdwingt. Onthoud care.data: de technologie was niet het punt van falen; het falen was het publieke vertrouwen in hoe data zouden worden gebruikt.

4. Wanneer wij naar een voorspellend model grijpen, kunnen wij dan werkelijk handelen op wat het ons vertelt — en hebben wij het recht verdiend de beschrijvende laag eronder te vertrouwen? Het is verleidelijk analytische volwassenheid gelijk te stellen aan verfijning en “AI-gedreven” of voorspellend werk als bestemming te behandelen. Maar een risicoscore die patiënten identificeert die u geen capaciteit hebt te benaderen is een academische oefening, en een voorspellend model gebouwd op wankele beschrijvende grond automatiseert bestaande fouten simpelweg op snelheid. Ondervraag elk voorgesteld model aan twee toetsen: is er een echte beslissing die werkelijk vooruitzicht nodig heeft in plaats van een betrouwbaar beeld in de achteruitkijkspiegel, en bestaat de operationele capaciteit om op de voorspelling te handelen op tijd om een uitkomst te veranderen? Een eerlijk antwoord noemt de specifieke interventie die de voorspelling zal triggeren en het team dat haar zal leveren, en is openhartig over of de beschrijvende en diagnostische sporten betrouwbaar genoeg zijn om op te bouwen. De ladder bewust beklimmen, sport voor sport, levert gewoonlijk meer waarde op dan naar de top springen en ontdekken dat niets de val opvangt.

5. Zijn wij het eens over wat onze kerngetallen werkelijk betekenen — en waar zouden twee teams verschillende antwoorden geven op dezelfde vraag? Naarmate zelfbediening zich verspreidt, verschuift het risico van te weinig getallen hebben naar te veel versies van elk: de “wachtlijst”, de “vermijdbare opname”, de “actieve patiënt” die stilletjes uiteenlopen over dashboards totdat vergaderingen ruziën over wiens cijfer klopt in plaats van over wat te doen. Test dit concreet door twee teams te vragen dezelfde kopmaat onafhankelijk te produceren en niet alleen het antwoord te vergelijken maar ook de definitie en de query erachter. Het eerlijke gesprek brengt aan het licht waar een bestuurde semantische laag en gecertificeerde datasets ontbreken en waar centrale definities het tempo van lokale uitvindingen niet hebben bijgehouden. De afweging is echt — grijp te hard in en u smoort het verkennen dat zelfbediening waardevol maakt; laat het onbestuurd en inzicht versplintert tot onenigheid. Een volwassen antwoord beschrijft welke maten centraal zijn gecertificeerd en bezeten en welke bewust open staan voor lokaal verkennen, in plaats van te doen alsof het hele bestand het ene of het andere kan zijn.

6. Herstellen wij datakwaliteit waar zij wordt gecreëerd, of corrigeren wij haar eindeloos stroomafwaarts? Elk dashboard en model erft de gebreken van de operationele dossiers eronder, dus de meest ingrijpende beslissingen over analyse worden vaak ver stroomopwaarts genomen — in hoe een aandoening op het zorgmoment wordt gecodeerd, of dezelfde patiënt en dienst tot één identificator worden herleid. Bespreek waar uw organisatie kwaliteit nu in de rapportagelaag oplapt en wat nodig zou zijn om die problemen in plaats daarvan bij de bron te herstellen, erkennend dat correctie stroomafwaarts zowel eindeloos als met verlies is. Dit is onlosmakelijk van stamgegevensbeheer: zonder één gezaghebbende versie van patiënten, personeel en organisaties sluiten totalen nooit en versplintert dezelfde persoon over dossiers. De inzet voor billijkheid is het hoogst voor de velden die het moeilijkst goed te coderen zijn — etniciteit, achterstand, beperking — waar schaarse of inconsistente vastlegging stilletjes elke conclusie stroomafwaarts vervormt. Een eerlijk antwoord noemt wie kwaliteit voor elke kritieke stroom bezit, of dat eigenaarschap tot in de operationele systemen reikt en waar de afwezigheid van betrouwbare referentiedata stilletjes de getallen ondermijnt.

In de praktijk: een voorbeeld uit gezondheid en zorg#

Een Integrated Care Board (ICB) in een gemengde stedelijke en kustregio wil ongeplande opnames onder mensen met kwetsbaarheid verminderen, en dat doen zonder de kloof te vergroten tussen zijn welvarende marktstad en zijn achtergestelde kustwijken.

Het team voor bevolkingsgezondheid begint met een gekoppelde dataset uit de eerste lijn, gemeenschapsdiensten en ziekenhuisdossiers, geanalyseerd binnen de Secure Data Environment van de regio zodat geen identificeerbaar extract de beheerste omgeving verlaat. Zij segmenteren de populatie boven de 65 en stratificeren het risico op kwetsbaarheid, maar voordat zij iemand richten voeren zij een controle op billijkheid uit. Die onthult dat het model inwoners van de kustwijken te laag scoort, omdat die praktijken historisch langdurige aandoeningen minder volledig hebben gecodeerd — een kloof in datakwaliteit vermomd als lagere behoefte. In plaats van door te gaan op een vertekende score geeft het team opdracht tot een gerichte verbetering van codering in de betrokken praktijken en past het model aan, waarbij de oplossing voor datakwaliteit als onderdeel van de interventie zelf wordt behandeld.

Met een eerlijker risicostratificatie op zijn plaats identificeren zij ruwweg 1.400 hoogrisicomensen die nog niet bij gemeenschapsdiensten bekend zijn. Een multidisciplinair team biedt proactieve toetsingen aan, bewust beginnend in de kustwijken. Cruciaal is dat de analyse niet stopt bij het richten. Een eenvoudig beschrijvend dashboard volgt per wijk en per achterstandsdecile hoeveel proactieve toetsingen plaatsvonden en hoe opnames de volgende zes maanden bewogen — en sluit zo de lus van inzicht naar actie naar uitkomst. Wanneer de toetsingen in één lokaal gebied stokken, brengt het dashboard dat vroeg aan het licht en onderzoekt het team het in plaats van op het jaarlijkse rapport te wachten. Samen met de collega’s van financiën en gezondheidseconomie van het ICB zetten zij de vermeden opnames om in een waardecase die voortzetting van het programma rechtvaardigt. Er was geen voorspellende toverkunst nodig buiten een goed bestuurde risicoscore; de waarde kwam van datakwaliteit, discipline rond billijkheid, een vertrouwde toegangsroute en onophoudelijke opvolging.

Sectorperspectieven#

Startup#

Een startup in gezondheidstechnologie leeft of sterft gewoonlijk bij een smalle analytische bewering — dat haar instrument de juiste patiënten identificeert of een uitkomst verbetert — dus haar prioriteit is bewijs, niet breedte. Bouw een slanke, reproduceerbare pijplijn en instrumenteer uw product om te meten of het beslissingen en uitkomsten verandert, omdat dat bewijs is wat klanten en toezichthouders zullen eisen. Weersta de verleiding voorspellende of “AI-gedreven” capaciteit te overbeloven voordat de beschrijvende fundamenten en datakwaliteit solide zijn. Wanneer u NHS- of zorgdata verwerkt, verwacht dan te werken binnen de Secure Data Environment van de klant of aan gelijkwaardig bestuur te voldoen; dat behandelen als eersteklas ontwerpbeperking in plaats van late verrassing is vaak wat de startups die opschalen scheidt van die welke vastlopen.

Klein bedrijf#

Een gevestigde kleine aanbieder — een huisartsenpraktijk, een gemeenschapsapotheek, een verzorgingshuis, een kliniek met één vestiging — heeft gewoonlijk echte patiënten en wettelijke plichten maar geen toegewijde analist of datateam, dus het praktische doel is een betrouwbaar beschrijvend beeld, geen volwassenheidsladder. Leun op de analyse die is ingebouwd in de systemen die u al draait en op vertrouwde nationale of door het ICB geleverde datasets en dashboards in plaats van een platform op te zetten dat u niet kunt onderhouden. Herstel datakwaliteit bij de bron in uw eigen operationele codering, omdat dat de ene hefboom is die geheel binnen uw controle ligt en het is wat elk regionaal model van uw populatie voedt. Wanneer u data moet delen voor bevolkingsgezondheid of onderzoek, gebruik dan de Secure Data Environment van het ICB of een nationale in plaats van extracten te e-mailen, wat u in lijn houdt met dezelfde plichten als grote organisaties zonder hun middelen nodig te hebben. Eén goed gekozen maat waarop u werkelijk handelt — een lijst patiënten die aan een toetsing toe zijn — verslaat een suite rapporten die niemand tijd heeft te openen.

Grote onderneming#

Een grote aanbieder of systeemintegrator heeft doorgaans het tegenovergestelde probleem: te veel platforms, te veel botsende definities en een lange staart aan legacyrapporten. De taak van de onderneming is consolidatie en bestuur — een gecureerde semantische laag, gecertificeerde datasets en een duidelijk operationeel model voor analisten en data-engineering — zodat zelfbediening inzicht vermenigvuldigt in plaats van onenigheid. Investeer in het onglamoureuze werk van datakwaliteit en hoofddefinities, omdat op ondernemingsschaal één dubbelzinnige maat miljoenen ponden kan misleiden. Waak tegen het rijk van dashboards door gebruik te meten en het ongebruikte uit te faseren. Balanceer centrale normen met lokale autonomie, of u zult ofwel innovatie smoren ofwel de controle over de getallen verliezen.

Overheid#

Nationale en regionale organen dragen een rentmeesterrol die private organisaties niet dragen: zij stellen de normen vast, runnen de grootste Secure Data Environments en staan het publiek verantwoording verschuldigd over hoe bevolkingsdata worden gebruikt. De prioriteiten zijn legitimiteit en billijkheid — transparante toegangsregels, gepubliceerde normen voor datakwaliteit en analyse die ongelijkheden over de hele bevolking actief aan het licht brengt. De overheid is ook uniek geplaatst om duplicatie te verminderen, door vertrouwde nationale datasets en reproduceerbare pijplijnen te bieden waarop elk lokaal team kan voortbouwen in plaats van opnieuw uit te vinden. De overheersende les van care.data is dat publieke betrokkenheid geen communicatiebijzaak is maar een ontwerpinput; beweeg sneller dan vertrouwen toelaat en u zet de hele agenda jaren terug.

Veelvoorkomende faalpatronen#

• Dashboards waar niemand op handelt. Analyse gebouwd om data te tonen in plaats van een beslissing te veranderen, woekerend totdat het nuttige onder het genegeerde is begraven.
• Oplossen voor het instrument, niet de vraag. Een platform of capaciteit voor machine learning kopen voordat u weet welke beslissingen zij moet verbeteren.
• Blindheid voor datakwaliteit. Zelfverzekerde getallen presenteren gebouwd op onvolledige of vertekende data, vooral waar slechte codering van etniciteit of achterstand ondervertegenwoordigde groepen verbergt.
• Wildgroei van extracten. Kopieën van gevoelige data die zich verspreiden over spreadsheets en schijven, wat zowel een beveiligingsrisico als een aansprakelijkheid voor publiek vertrouwen creëert die een Secure Data Environment had vermeden.
• Drift van definities. Dezelfde maat die in verschillende rapporten iets anders betekent, zodat vergaderingen ruziën over wiens getal klopt in plaats van wat te doen.
• Voorspellend theater. Verfijnde modellen bouwen waarop de organisatie geen capaciteit heeft te handelen, of die stilletjes bias coderen tegen de populaties met de grootste behoefte.
• Sneller bewegen dan vertrouwen. Analytische ambitie najagen zonder publieke betrokkenheid, en de maatschappelijke licentie verliezen waarvan al het secundaire datagebruik afhangt.
• Inzicht zonder lus. Nooit controleren of de beoogde actie plaatsvond of de uitkomst verbeterde, zodat niemand leert en niets wordt uitgefaseerd.

Volwassenheidsmodel#

Checklist#

• Elk significant analyseproduct noemt de beslissing die het verandert en wie die beslissing bezit.
• Maten voor datakwaliteit (volledigheid, juistheid, tijdigheid) worden gemeten, bezeten en gepubliceerd voor belangrijke stromen.
• Codering van etniciteit, achterstand en beperking is goed genoeg om eerlijke analyse van billijkheid te ondersteunen — en wordt verbeterd waar dat niet zo is.
• Een bestuurde semantische laag definieert kernmaten consistent over hulpmiddelen voor zelfbediening.
• Analytische code staat onder versiebeheer, wordt door collega’s getoetst en is reproduceerbaar.
• Toegang tot gevoelige data voor onderzoek en planning verloopt via een Secure Data Environment, niet gekopieerd.
• Risicostratificatie en voorspellende modellen worden geaudit op bias tegen ondervertegenwoordigde groepen.
• Standaardrapporten splitsen resultaten uit naar achterstand en relevante beschermde kenmerken.
• Elk product volgt of de beoogde actie plaatsvond en de uitkomst verbeterde.
• Ongebruikte dashboards en rapporten worden volgens een vaste cyclus getoetst en uitgefaseerd.
• Een publieke uitleg van hoe patiëntgegevens voor analyse worden gebruikt bestaat en is eerlijk.
• Een programma voor datageletterdheid ondersteunt leiders en clinici, niet alleen analisten.

Belangrijkste bronnen#

• NHS England — middelen voor Population Health Management en het Population Health Management Development Programme.
• NHS England — beleidsrichtlijnen Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — strategie en richtlijnen Reproducible Analytical Pipelines (RAP).
• The Health Foundation en The King’s Fund — analyses van beheer van bevolkingsgezondheid en gezondheidsongelijkheden.
• Understanding Patient Data — publieke middelen over trusted research environments en de lessen van care.data.
• Data Saves Lives — de datastrategie van Engeland voor gezondheid en sociale zorg.

Referenties#

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