Tópico 4.9 — Qualidade de dados e gestão de dados mestres

Na saúde e nos cuidados, um NHS Number errado, uma alergia ausente ou um prontuário duplicado não é um problema de arrumação de dados, mas um perigo clínico, um erro de pagamento e uma falha de pesquisa; por isso a qualidade de dados e a gestão de dados mestres devem ser conduzidas como disciplinas geridas, com responsáveis nomeados — e não deixadas ao acaso no ponto de captação.

Por que isso importa na saúde e nos cuidados#

Toda decisão clínica repousa em dados que alguém registrou antes: uma alergia sinalizada, um resultado arquivado, um medicamento reconciliado, uma identidade confirmada. Quando esses dados são exatos, completos e ligados à pessoa certa, o cuidado flui com segurança. Quando estão errados, ausentes ou ligados à pessoa errada, o sistema faz exatamente o que lhe mandam — e prejudica alguém. Um prontuário duplicado esconde uma alergia crítica na ficha que o clínico não está olhando; um NHS Number digitado errado envia um resultado para o arquivo do paciente errado; um endereço desatualizado significa que um convite para rastreamento de câncer nunca chega. Isso não é hipotético: incidentes de segurança do paciente envolvendo identificação errada e confusão de prontuários são um tema recorrente nos relatórios nacionais de segurança.

A qualidade de dados é, portanto, uma questão de segurança clínica antes de ser analítica (ver Tópico 1.6 — Segurança clínica e gestão de riscos). É também uma questão de dinheiro público e de justiça. O NHS paga os prestadores, planeja os serviços e os responsabiliza com base no que os dados dizem que aconteceu; se a atividade é subregistrada ou mal codificada, o prestador errado recebe o valor errado e as decisões de comissionamento repousam num retrato distorcido. A análise de saúde populacional, a validação das listas de espera e o trabalho sobre desigualdades em saúde herdam a qualidade dos registros subjacentes (ver Tópico 4.5 — Dados, análises e gestão da saúde populacional).

O que está em jogo cresce acentuadamente à medida que os dados são reutilizados. Um registro captado uma vez numa recepção movimentada pode mais tarde treinar um algoritmo, justificar um caso de negócio, alimentar um conjunto de dados nacional e resolver uma disputa de pagamento. A velha máxima — lixo entra, lixo sai — virou lixo entra, dano sai, porque os dados ruins hoje se propagam automaticamente e em escala para modelos de inteligência artificial e decisões automatizadas (ver Tópico 8.4 — Governança de IA e de tecnologias emergentes). E os dados mestres — os fatos compartilhados e de mudança lenta sobre quem são os pacientes, a equipe, as organizações e os medicamentos — são o tecido conectivo que permite a dezenas de sistemas concordar que falam da mesma pessoa. Se os dados mestres estiverem errados, todo sistema a jusante herda a confusão.

Conceitos centrais#

A qualidade de dados é o grau em que os dados são aptos para os usos pretendidos em operações, decisões e planejamento. É convencionalmente avaliada ao longo de um conjunto de dimensões. A exatidão é se os dados descrevem corretamente a coisa do mundo real que representam; a completude, se os dados exigidos estão presentes; a oportunidade, se estão disponíveis quando necessários e refletem o estado atual; a validade, se estão em conformidade com o formato, o tipo e a faixa definidos; a consistência, se concordam consigo mesmos e com outras fontes; e a unicidade, se cada entidade do mundo real aparece uma só vez. Um registro pode ser válido (bem formatado) e, ainda assim, inexato (errado); assim, as dimensões são complementares, e não intercambiáveis.

A gestão de dados mestres (MDM) é a disciplina pela qual o negócio e a tecnologia, juntos, garantem a uniformidade, a exatidão, a curadoria e a responsabilização dos dados mestres compartilhados de uma organização — as entidades centrais a que muitos sistemas se referem: pacientes, equipe, organizações, locais e medicamentos. A aspiração da MDM é um registro de ouro (golden record): uma versão única, confiável e reconciliada de cada entidade, montada a partir de muitos sistemas de origem, que serve de referência autoritativa. Isso se liga de perto à ideia de fonte única da verdade — a prática de manter cada elemento de dados em exatamente um lugar autoritativo, para que todo o resto remeta a ele em vez de guardar a própria cópia divergente.

Os dados de referência são um subtipo específico e importante. Os dados de referência são dados usados para classificar ou categorizar outros dados — listas de códigos, conjuntos de valores, códigos de organizações, unidades de medida —, normalmente definidos externamente e de mudança lenta. Na saúde e nos cuidados, isso inclui terminologias clínicas como a SNOMED CT e códigos nacionais de organizações e locais; os padrões para eles são de propriedade nacional e tornados obrigatórios como padrões de informação (a interoperabilidade e a troca são tratadas no Tópico 4.3 — Interoperabilidade e padrões de dados, que este tópico não repete).

O NHS Number é o principal identificador único de paciente na Inglaterra, no País de Gales e na Ilha de Man — um número de dez dígitos com um dígito verificador que permite aos sistemas detectar um dígito digitado errado. É a âncora dos dados mestres de pacientes. Ligar o NHS Number certo à pessoa certa é um problema de vinculação de registros — encontrar, em fontes diferentes, registros que se referem à mesma entidade —, resolvido na Inglaterra por meio do Personal Demographics Service (PDS), o índice demográfico nacional, e localmente por um Índice Mestre de Pacientes (MPI). Quando a vinculação falha, surgem duplicatas (uma pessoa, muitos registros) ou sobreposições (duas pessoas fundidas em uma), ambas perigosas.

As disciplinas operacionais que mantêm a qualidade alta são a governança de dados — o arcabouço de direitos de decisão e responsabilidades sobre os dados — e o curador de dados (data steward), o papel nomeado responsável pela qualidade e pela adequação de um domínio de dados definido. Duas técnicas se repetem: a perfilagem de dados, examinar os dados para reunir estatísticas sobre sua condição real, e a limpeza de dados, detectar e corrigir registros corrompidos, inexatos ou duplicados. A prevenção vence a cura: a validação de dados no ponto de captação — regras de validação e restrições que rejeitam ou questionam entradas ruins antes de entrarem no sistema — é mais barata e mais segura do que limpá-las depois.

Boas práticas#

1. Defina a qualidade de dados nas dimensões específicas que importam para cada conjunto de dados e meça-as. "Melhorar a qualidade de dados" não é um objetivo; "elevar a completude do NHS Number no conjunto de dados de emergência acima do limiar nacional" é. Acordem quais entre exatidão, completude, oportunidade, validade, consistência e unicidade mais importam para cada conjunto de dados crítico, fixem metas mensuráveis e reportem frente a elas rotineiramente. O NHS Data Quality Maturity Index (DQMI) oferece uma medida pronta e comparável para muitos conjuntos de dados nacionais; usem-no como linha de base e acompanhem as suas métricas locais para os campos de que os clínicos e as finanças realmente dependem.

2. Valide no ponto de captação, e não numa limpeza a jusante. O erro mais barato de corrigir é o que nunca entra no sistema, e a pessoa mais bem posicionada para corrigir um registro é quem o cria, enquanto o paciente está à sua frente. Incorporem regras de validação, campos obrigatórios, listas de escolha controladas e verificação do dígito verificador do NHS Number aos formulários e interfaces que a equipe de fato usa e confirmem a identidade no Personal Demographics Service no cadastro. Todo erro pego na captação é um erro que nunca precisa ser encontrado, investigado e revertido a jusante — depois de talvez já ter causado dano.

3. Trate o NHS Number como âncora crítica para a segurança e verifique-o em toda parte. O NHS Number é o identificador mais valioso do sistema porque é a chave que vincula com segurança os registros de uma pessoa entre organizações. Rastreiem-no no Personal Demographics Service, validem seu dígito verificador na entrada e sinalizem os registros que não têm um número verificado, em vez de deixar dados sem correspondência seguirem adiante. Um resultado, encaminhamento ou prescrição ligado ao número errado é um perigo clínico; trate, portanto, a qualidade do NHS Number como um controle de segurança do paciente, monitorado e escalado como qualquer outro.

4. Estabeleça a gestão de dados mestres com um registro de ouro para cada entidade central. Decidam deliberadamente qual sistema é mestre de cada entidade — pacientes, equipe, organizações, medicamentos — e como um único registro de ouro reconciliado é montado e mantido a partir dos sistemas de origem. Operem um Índice Mestre de Pacientes reconciliado com o serviço demográfico nacional e gerenciem um processo controlado e auditável para fundir duplicatas e desfazer sobreposições errôneas, porque ambas as operações tocam prontuários clínicos ativos e podem, elas próprias, causar dano se feitas com descuido. Estendam o mesmo rigor aos dados mestres de equipe e de organizações, que sustentam o controle de acesso, o pagamento e os relatórios (ver Tópico 4.2 — Gestão de identidade e acesso e Tópico 5.4 — Planejamento de recursos empresariais (ERP), que responde pelos dados mestres corporativos/financeiros).

5. Nomeie donos de dados e curadores de dados e dê-lhes autoridade real. A qualidade de dados decai sem responsabilização clara; atribuam, portanto, a cada domínio de dados crítico um dono sênior de dados responsável por ele e um curador operacional que monitore, investigue e conduza a correção. Os curadores precisam de posição, ferramentas e tempo — e não de uma linha acrescentada a um trabalho já cheio — e de uma via para escalar problemas sistêmicos (um formulário quebrado, um fluxo confuso, uma interface que perde campos) às pessoas que podem corrigir a causa. A propriedade converte a qualidade de dados de uma preocupação vaga de todos na responsabilidade explícita de alguém.

6. Faça a perfilagem antes de limpar e limpe na origem. Antes de qualquer melhoria ou migração, façam a perfilagem dos dados para entender seu estado real — quantos registros não têm NHS Number, quantas duplicatas existem, que campos são sistematicamente mal codificados —, para dirigir o esforço ao que conta, em vez de adivinhar. Ao limpar, corrijam o registro no sistema que é mestre dele e tratem o processo que produziu o erro, e não apenas a cópia num data warehouse a jusante, ou o mesmo defeito simplesmente reaparecerá. Limpezas pontuais que ignoram a causa são uma esteira sem fim; o objetivo é fechar a torneira, e não apenas enxugar o chão.

7. Adote padrões nacionais de informação e dados de referência em vez de inventar códigos locais. A consistência entre organizações só é possível quando todos classificam o mundo da mesma forma, usando padrões definidos nacionalmente e tornados obrigatórios pelo processo do Data Alliance Partnership Board (DAPB) (antes padrões SCCI/ISB) e terminologias como a SNOMED CT. Gerenciem os dados de referência e as listas de códigos sob controle de versões, com um processo claro de atualização, porque um conjunto de valores alterado em silêncio quebra a análise de tendências e pode corromper a lógica a jusante. As extensões locais devem ser a exceção rara e governada, mapeada de volta ao padrão nacional (ver Tópico 4.3 — Interoperabilidade e padrões de dados).

8. Torne a qualidade de dados visível às pessoas cujas decisões dependem dela. A qualidade de dados melhora quando é vista — publiquem as métricas de qualidade às equipes clínicas, operacionais e financeiras, para que o custo dos dados ruins caia onde o trabalho é feito, e não enterrado numa equipe de dados. Mostrem aos consumidores a jusante a proveniência e as limitações conhecidas dos dados que usam, para que um analista, uma equipe de pagamento ou um construtor de modelos possa julgar se são adequados ao seu propósito (ver Tópico 10.1 — Indicadores-chave de desempenho (KPIs)). A transparência sobre a qualidade gera a confiança que faz as pessoas usarem dados, e o desconforto de uma métrica vermelha visível costuma ser o que finalmente financia a correção.

Perguntas para discutir com a sua equipe#

1. Quais erros de dados específicos na nossa organização poderiam, com maior plausibilidade, prejudicar um paciente, e como sequer saberíamos que estavam acontecendo? Isto reenquadra a qualidade de dados de uma virtude abstrata para uma questão de segurança com perigos nomeados, que é a única versão que ganha prioridade. Percorram os caminhos concretos de falha: um prontuário duplicado que esconde uma alergia, um NHS Number mal verificado que encaminha um resultado errado, um dado de contato desatualizado que faz com que um encaminhamento de espera de duas semanas nunca chegue ao paciente. A parte difícil é a detecção — a maioria dos erros de dados é silenciosa, descoberta apenas quando o dano ocorre ou uma auditoria esbarra neles; debatam, portanto, se vocês têm alguma forma proativa de encontrá-los ou estão contando com a sorte e com as reclamações. Uma boa resposta, honesta, nomeia os dois ou três perigos de dados de maior dano, declara com clareza se vocês conseguiriam hoje detectar cada um e trata as lacunas como riscos de segurança clínica a registrar e assumir (ver Tópico 1.6 — Segurança clínica e gestão de riscos), e não como arrumação a que se chega eventualmente.

2. Onde está a fonte única da verdade das nossas entidades centrais — pacientes, equipe, organizações, medicamentos — e os nossos sistemas de fato a respeitam? Muitas organizações descobrem, quando olham, que o mesmo paciente existe de forma diferente no sistema de administração de pacientes, no sistema de emergência, no sistema de patologia e em três bancos de dados departamentais, sem acordo sobre qual é o autoritativo. Discutam, entidade por entidade, qual sistema deve ser o mestre dela, como um registro de ouro é montado e como as duplicatas e sobreposições são encontradas e resolvidas — incluindo quem pode fundir dois registros, já que essa operação pode, ela própria, causar dano. Tragam à tona a tensão entre a autonomia local (departamentos que querem a própria cópia, que podem controlar) e a segurança de todo o sistema (uma verdade reconciliada) e sejam honestos de que a gestão de dados mestres é curadoria contínua, e não uma migração pontual. Uma resposta forte identifica o sistema mestre de cada entidade, admite onde hoje não há fonte única da verdade acordada e se compromete com um responsável nomeado e um processo de reconciliação, e não com uma limpeza de banco de dados que apodrecerá de novo em silêncio.

3. Quando os nossos dados alimentam um pagamento, um relatório nacional, um caso de negócio ou um modelo de IA, de quem é o trabalho de saber se são aptos para esse fim? Os dados captados por uma razão são constantemente reutilizados para outras, e a qualidade adequada a uma anotação clínica pode ser perigosamente enganosa num algoritmo ou numa fórmula de financiamento. Debatam quem responde por julgar a adequação no ponto de reutilização: o analista, o líder financeiro ou o construtor de modelos conhece a proveniência, a completude e os defeitos conhecidos dos dados em que se apoia, ou supõe que estão limpos porque parecem arrumados? Considerem casos concretos — uma lacuna de codificação que silenciosamente subestima a atividade e, portanto, a receita, ou um campo demográfico com ausência enviesada que inclina um modelo de IA contra um grupo de pacientes (ver Tópico 8.4 — Governança de IA e de tecnologias emergentes e Tópico 1.8 — Ética de dados, consentimento e confiança pública). Uma boa resposta estabelece que a adequação ao propósito é avaliada explicitamente em cada ponto de reutilização, que os dados carregam proveniência visível e ressalvas de qualidade e que ninguém está confiando em silêncio em números cujas limitações nunca viu.

4. Estamos prevenindo erros no ponto de captação, ou empurrando em silêncio o fardo da qualidade de dados para clínicos já sobrecarregados? A prevenção na origem é a forma mais barata e mais segura de qualidade de dados, mas vive ou morre no projeto dos formulários e fluxos de trabalho que a equipe de fato usa sob pressão. Discutam se as suas telas de captação realmente ajudam — validação por dígito verificador, listas de escolha controladas, identidade verificada pelo PDS, padrões sensatos — ou se, em vez disso, empilham campos obrigatórios e avisos numa recepção movimentada até que as pessoas aprendam a clicar sem ler. Há uma tensão real aqui: pouca validação deixa os dados ruins seguirem adiante, mas uma validação desajeitada gera gambiarras, valores fictícios e fadiga de alertas que corrompem os dados de modos mais sutis. Olhem onde a equipe digita "não sabido", reutiliza um padrão ou mantém uma planilha particular para evitar um fluxo penoso, porque cada um é um sinal de que o sistema está lutando contra o trabalho em vez de apoiá-lo. Uma resposta honesta trata o projeto da captação como um problema conjunto clínico, operacional e de dados, testa-o com as pessoas que o usam e mede se a validação de fato reduz os erros a jusante, em vez de apenas realocá-los.

5. As pessoas que chamamos de donos e curadores de dados têm posição, tempo e ferramentas para mudar alguma coisa, ou a curadoria é um título acrescentado a um trabalho já cheio? A qualidade de dados decai sem responsabilização clara, mas nomear um dono num slide não é o mesmo que dotá-lo de recursos, e a curadoria falha em silêncio quando a pessoa nomeada não tem nem autoridade nem capacidade. Debatam o que os seus curadores de fato podem fazer ao encontrar um problema sistêmico — uma interface quebrada que perde campos, um formulário confuso, um fluxo de trabalho que fabrica duplicatas: conseguem fazê-lo ser corrigido, ou só podem registrá-lo e esperar? Tragam à tona a concessão entre espalhar a curadoria finamente por muitas pessoas que fazem, cada uma, um pouco nas margens e concentrá-la num número menor de papéis genuinamente providos de recursos, com tempo reservado e ferramentas fornecidas. Considerem se os curadores têm uma via real de escalação até os donos dos sistemas e processos causadores e se os donos seniores de dados são cobrados pela qualidade de seu domínio. Uma boa resposta é honesta sobre se a curadoria hoje é real ou cerimonial e se compromete com autoridade, tempo e ferramentas, e não com mais uma responsabilidade sem financiamento.

6. Como gerimos padrões nacionais e dados de referência ao longo do tempo, e o que acontece quando uma lista de códigos ou terminologia muda por baixo de nós? Os dados de referência e terminologias como a SNOMED CT são definidos externamente e mudam devagar, mas continuamente, e um conjunto de valores atualizado em silêncio pode quebrar a análise de tendências ou corromper a lógica a jusante sem que ninguém perceba. Discutam se as suas listas de códigos e mapeamentos estão sob controle de versões, com um processo claro de atualização, ou se vivem em tabelas de consulta não documentadas que alguém edita no lugar. Examinem a atração por inventar códigos locais quando o padrão nacional parece desajeitado e sejam honestos sobre o custo de longo prazo: as classificações locais tornam seus dados impossíveis de comparar ou agregar com os de qualquer outro e viram um fardo permanente de mapeamento (ver Tópico 4.3 — Interoperabilidade e padrões de dados). Considerem como vocês sequer detectariam que um valor de referência mudou e como avaliariam o impacto sobre as análises, os pagamentos e os modelos que dependem dele. Uma resposta forte trata os dados de referência como um ativo governado e versionado, com um processo nomeado para adotar mudanças nacionais, mantém as extensões locais raras e mapeadas de volta ao padrão e consegue rastrear quais usos a jusante uma mudança afetaria.

Na prática: um exemplo de saúde e cuidados#

O Northmoor Integrated Care System opera um prontuário de cuidados compartilhado que abrange dois hospitais de agudos, um hospital de saúde mental, serviços comunitários e 60 clínicas gerais. Depois de um incidente grave — a alergia grave à penicilina de um paciente, registrada num hospital, estava invisível em outro porque o prontuário não se vinculou, e o paciente recebeu a prescrição do medicamento —, o conselho trata a qualidade de dados como prioridade de segurança clínica, e não como preocupação de retaguarda. Uma revisão rápida constata que a causa-raiz são os dados mestres: os mesmos pacientes existem como duplicatas entre sistemas, e a verificação do NHS Number é inconsistente na porta de entrada.

O ICS estabelece um fórum de governança de dados, com um dono sênior de dados nomeado para os dados mestres de pacientes e curadores operacionais em cada prestador. Seu primeiro ato é fazer a perfilagem do parque: descobrem que a verificação do NHS Number no Personal Demographics Service acontece de forma confiável em alguns fluxos de cadastro e em outros não, e que o prontuário compartilhado contém uma população significativa de registros duplicados e sem correspondência. Em vez de uma limpeza em massa, corrigem primeiro a causa — impondo a verificação do PDS e a validação do dígito verificador em todo ponto de captação — para que a população de duplicatas pare de crescer enquanto trabalham o passivo.

Montam um Índice Mestre de Pacientes reconciliado com o serviço demográfico nacional, com um processo controlado, auditado e clinicamente supervisionado para fundir duplicatas e reverter quaisquer sobreposições errôneas, reconhecendo que ambas as operações tocam prontuários ativos. Adotam o NHS Data Quality Maturity Index como linha de base externa para suas submissões de conjuntos de dados nacionais e acrescentam métricas locais para os campos de que os clínicos mais dependem — alergias, completude do NHS Number, dados demográficos essenciais —, publicando-as aos líderes clínicos e operacionais de cada prestador para que os números não possam ser ignorados.

Dezoito meses depois, a mudança é visível nos desfechos, e não apenas nos painéis: a verificação do NHS Number é quase universal na captação, a taxa de duplicatas está caindo e as informações de alergias se reconciliam de forma confiável no prontuário compartilhado. Quando o ICS depois delimita um modelo de estratificação de risco de saúde populacional, a equipe de análise consegue declarar a proveniência e a completude dos dados subjacentes e sinalizar onde a ausência poderia enviesar o modelo, porque os dados mestres e as métricas de qualidade agora existem para sustentar esse julgamento (ver Tópico 4.5 — Dados, análises e gestão da saúde populacional). O trabalho pouco glamoroso — um fórum de governança, curadores, validação na captação, um MPI — converteu um risco invisível e danoso em um risco gerido.

Perspectivas setoriais#

Startup#

Uma startup de saúde digital costuma tratar a qualidade de dados como um problema futuro, concentrando-se em funcionalidades e aceitando dados bagunçados para andar depressa. É um erro com dados de saúde, onde um paciente com correspondência errada ou um NHS Number não verificado é uma questão de segurança desde o primeiro paciente em produção, e não do milésimo. Incorporem validação, verificação do dígito verificador do NHS Number e — quando puderem acessá-lo — correspondência com o Personal Demographics Service aos seus fluxos de captação desde o início, porque retroajustar a disciplina de identidade depois de ter um grande corpus de registros sem correspondência é penoso e arriscado. Sua credibilidade junto a compradores do NHS depende de conseguir mostrar que seus dados são confiáveis, que sua proveniência é clara e que vocês não poluirão os dados mestres deles ao se integrar.

Pequena empresa#

Um pequeno prestador estabelecido — um consultório de clínica geral, uma farmácia comunitária, uma casa de repouso ou uma clínica de unidade única — carrega o mesmo dever de acertar identidade e alergias que um grande hospital, mas sem equipe de dados e, muitas vezes, sem TI dedicada. Aqui a gestão de dados mestres não é um projeto de plataforma; é o uso disciplinado das ferramentas que vocês já têm: verificar o NHS Number no Personal Demographics Service no cadastro, manter os dados demográficos atualizados e não deixar duplicatas se acumularem no sistema clínico. Apoiem-se na infraestrutura nacional fornecida para vocês — PDS, SNOMED CT, códigos nacionais de organizações — em vez de inventar atalhos locais, porque ela faz o trabalho pesado que uma pequena organização não consegue. Nomeiem uma pessoa como responsável prática pela qualidade de dados, mesmo que seja parte de um papel mais amplo, e usem os recursos de validação, correspondência e eliminação de duplicatas do seu fornecedor de sistema em vez de tolerar dados bagunçados porque "somos pequenos demais para nos preocupar" — o dano de um registro errado tem o mesmo tamanho, seja qual for a organização.

Grande organização#

Um grande hospital do NHS ou ICS opera dezenas de sistemas que guardam, cada um, a própria versão de pacientes, equipe e organizações; seu desafio central é, portanto, a reconciliação e a curadoria em escala. O objetivo realista é um Índice Mestre de Pacientes governado e um pequeno número de registros de ouro autoritativos, impostos por interfaces e validação, e não um único banco de dados monolítico que substitua tudo. Invistam em donos e curadores de dados nomeados, com autoridade real, liguem os dados mestres à gestão de identidade e acesso e ao pagamento e tratem fusões e sobreposições como operações clinicamente supervisionadas, porque nessa escala tocam o cuidado ativo. Os maiores ganhos vêm da prevenção na captação e da adoção disciplinada de padrões nacionais aplicada de modo consistente, e não de limpezas periódicas heroicas que decaem no instante em que terminam.

Governo#

Um órgão nacional — o NHS England e os organismos de padrões que sucederam o NHS Digital — molda o ambiente de qualidade de dados em que todo prestador trabalha. Opera a infraestrutura compartilhada que torna possível a qualidade local: o Personal Demographics Service como índice demográfico nacional, o NHS Number como chave comum, terminologias e dados de referência nacionais e o Data Quality Maturity Index, que torna o desempenho comparável entre organizações. Sua alavancagem é tornar obrigatórios os padrões de informação pelo processo do Data Alliance Partnership Board, publicar métricas comparáveis de qualidade que criem pressão por melhoria e zelar pelos dados de referência para que todos classifiquem o mundo da mesma forma. O governo também carrega o dever de equidade: monitorar a ausência enviesada e garantir que a qualidade de dados não desfavoreça em silêncio os grupos cujos registros são menos completos (ver Tópico 9.1 — Trabalho com governos locais e nacionais).

Modos de falha comuns#

• Limpar para sempre, não corrigir nada. Limpezas repetidas a jusante que nunca tratam o processo de captação são uma esteira sem fim; as mesmas duplicatas e erros reaparecem a cada ciclo. Corrijam a causa na origem.
• Válido, mas errado. Um registro que passa na validação de formato ainda pode ser inexato — um NHS Number bem formatado, mas errado, é mais perigoso do que um em branco, porque parece confiável. Validem frente a fontes de referência reais, e não apenas ao formato.
• Sem dono nomeado. Quando a qualidade de dados é preocupação de todos, não é trabalho de ninguém; os problemas são admirados em reuniões e nunca resolvidos. Atribuam donos responsáveis e curadores com poder.
• Dados mestres por acidente. Deixar cada sistema guardar a própria cópia divergente de pacientes ou organizações, sem fonte da verdade acordada, garante inconsistência e duplicatas perigosas. Decidam deliberadamente o que é mestre de cada entidade.
• Fusões e sobreposições imprudentes. Fundir dois registros ou desfazer uma fusão errada toca dados clínicos ativos; feito sem controle nem supervisão clínica, pode esconder ou atribuir mal informação crítica. Tornem-no um processo auditado e supervisionado.
• Códigos locais que quebram a comparabilidade. Inventar classificações locais em vez de usar padrões nacionais torna os dados impossíveis de comparar ou agregar e corrompe a análise de tendências quando mudam em silêncio. Adotem e versionem os dados de referência nacionais.
• Reutilização silenciosa. Alimentar pagamentos, relatórios nacionais ou modelos de IA com dados de qualidade desconhecida, sem declarar sua proveniência e limitações, propaga erros ocultos em escala. Façam da adequação ao propósito um julgamento explícito em cada ponto de reutilização.

Modelo de maturidade#

Lista de verificação#

• Os conjuntos de dados críticos têm dimensões de qualidade acordadas, metas mensuráveis e relatórios rotineiros, comparados sempre que possível com o DQMI.
• O NHS Number tem o dígito verificador validado e é verificado no Personal Demographics Service em todo ponto de captação.
• Cada entidade central (paciente, equipe, organização, medicamento) tem um sistema mestre designado e um registro de ouro.
• Um Índice Mestre de Pacientes é reconciliado com o serviço demográfico nacional, com um processo auditado e clinicamente supervisionado de fusão e sobreposição.
• Todo domínio de dados crítico tem um dono de dados nomeado e um curador de dados empoderado, com ferramentas e via de escalação.
• Os dados passam por perfilagem antes da migração ou da melhoria, e a limpeza corrige o sistema de origem e o processo causador, e não apenas as cópias a jusante.
• Padrões e terminologias nacionais de informação (pelo processo do DAPB, SNOMED CT) são adotados, e os dados de referência ficam sob controle de versões.
• As métricas de qualidade de dados são publicadas às equipes clínicas, operacionais e financeiras cujas decisões dependem dos dados.
• A proveniência e as limitações conhecidas de qualidade acompanham os dados quando são reutilizados para pagamento, relatórios nacionais, pesquisa ou IA.
• Os perigos de qualidade de dados de alto dano são registrados e assumidos como riscos de segurança clínica, com um meio de detecção proativa.

Fontes-chave#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — uma medida mensal e comparável da qualidade de dados em conjuntos de dados nacionais.
• NHS England — Personal Demographics Service (PDS) e orientações sobre o NHS Number — o índice demográfico nacional e o principal identificador do paciente.
• NHS England — Information standards publicados pelo processo do Data Alliance Partnership Board (DAPB) (antes padrões SCCI/ISB).
• DAMA International — DMBOK (Data Management Body of Knowledge) — o arcabouço reconhecido de governança, qualidade e gestão de dados mestres.
• SNOMED International / NHS England — terminologia clínica SNOMED CT e dm+d (dicionário de medicamentos e dispositivos) para dados mestres e de referência de medicamentos.
• HM Government — Data Standards Authority e o Government Data Quality Framework — orientações transversais do governo sobre dimensões de qualidade de dados e curadoria.
• National Data Guardian — Princípios de Caldicott — sobre o uso apropriado e a qualidade das informações confidenciais de pacientes.

Referências#

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