Tópico 4.5 — Dados, análises e gestão da saúde populacional

Na saúde e nos cuidados, as análises só valem a pena se mudarem uma decisão, uma via ou uma vida — transformando dados em insight que chegue às pessoas que mais precisam dele e fazendo-o de maneiras em que o público possa confiar.

Por que isso importa na saúde e nos cuidados#

O Tópico 4.3 — Interoperabilidade e padrões de dados trata de mover dados com segurança entre sistemas para que cheguem onde são necessários. Este tópico trata do que vem em seguida: transformar esses dados em insight, e o insight em ação. As duas coisas são fáceis de confundir e caras de confundir. É possível ter uma interoperabilidade impecável e ainda tomar más decisões, e é possível ter análises ricas que nunca tocam o cuidado de um único paciente.

As análises na saúde e nos cuidados carregam um peso que as do varejo ou da logística não carregam. Quando você segmenta uma população e direciona uma intervenção, está decidindo de quem será a primeira revisão de asma, que idosos frágeis recebem uma ligação proativa antes de uma crise de inverno e onde uma equipe comunitária sobrecarregada gasta suas horas finitas. Se a análise estiver errada — um modelo de risco enviesado, uma lacuna de qualidade de dados que subconta um bairro carente, um painel que lisonjeia o desempenho —, você pode ampliar as próprias desigualdades que pretendia fechar. As consequências são clínicas e éticas, e não meramente comerciais.

A confiança pública é a outra restrição que torna este domínio distintivo. As pessoas estão, em geral, dispostas a que seus dados melhorem o cuidado e apoiem a pesquisa, mas só quando conseguem ver que são tratados com segurança, de forma lícita e para fins legítimos. O fracasso do programa care.data na Inglaterra em 2014, abandonado depois que o público e os clínicos perderam a confiança em como os dados seriam extraídos e usados, continua sendo a história de advertência que todo líder de análise em saúde deve conhecer. A confiança, uma vez perdida, é lenta e custosa de reconstruir e restringe o que se pode fazer por anos. Assim, o "como" das análises — a plataforma, a via de acesso, a governança, a transparência — não é infraestrutura de retaguarda. Faz parte do pacto de segurança clínica, equidade e confiança pública que atravessa todo este livro.

Conceitos centrais#

A inteligência de negócios (business intelligence) é o conjunto de práticas e tecnologias para analisar dados e informar decisões — painéis, relatórios e as consultas que ficam por trás deles. Repousa na análise de dados apresentada por meio de boa visualização de dados, porque um gráfico que um clínico ou diretor ocupado lê em segundos supera uma tabela que ninguém abre.

Uma forma útil de descrever a ambição analítica é a escada de maturidade: análise descritiva (o que aconteceu), diagnóstica (por que aconteceu), preditiva (o que provavelmente acontecerá a seguir) e prescritiva (o que você deveria fazer a respeito). A maioria das organizações passa a maior parte do tempo no primeiro degrau, e muitas vezes esse é o lugar certo para estar — um retrato descritivo confiável, em que se confia e sobre o qual se age, vale mais do que um modelo preditivo frágil que ninguém usa.

Sustentando tudo isso está uma plataforma de dados. Um data warehouse guarda dados estruturados e modelados para relatórios; um data lake guarda dados brutos de qualquer forma para processamento posterior; o padrão lakehouse mistura os dois. Qualquer que seja a escolha, a plataforma só é tão confiável quanto a sua qualidade de dados — a completude, a exatidão, a oportunidade e a consistência dos registros subjacentes — e a sua governança de dados, o arcabouço responsável de propriedade, definições e decisões de acesso que mantém os dados aptos para uso. Intimamente relacionada está a gestão de dados mestres — manter uma versão única e autoritativa dos dados de referência centrais, como pacientes, equipe e organizações —, para que as análises não se fragmentem em identificadores inconsistentes.

A gestão da saúde populacional é a disciplina aplicada no coração deste tópico: usar dados interligados para entender a saúde de uma população definida, segmentá-la em grupos de necessidades semelhantes, estratificar o risco e direcionar intervenções para quem mais se beneficiará. Bem feita, é uma das ferramentas mais afiadas disponíveis para enfrentar a equidade em saúde — dirigindo o cuidado proativo aos grupos desassistidos, em vez de esperar que se apresentem em crise. Nada disso funciona sem letramento em dados — a capacidade de líderes, clínicos e analistas de ler, questionar e agir sobre os dados com honestidade.

Por fim, um Ambiente Seguro de Dados (SDE) — internacionalmente, um Ambiente de Pesquisa Confiável (TRE) — é a via controlada pela qual pesquisadores e planejadores analisam dados sensíveis. Em vez de copiar os dados para o analista, o analista é levado aos dados dentro de um ambiente seguro e auditado, e apenas resultados agregados e não identificadores saem. É o modelo que concilia a ambição analítica com a confiança pública discutida no Tópico 1.8 — Ética de dados, consentimento e confiança pública.

Boas práticas#

1. Parta da decisão, e não dos dados. Antes de encomendar um painel ou um modelo, nomeie a decisão que ele mudará, quem é dono dessa decisão e o que fará de diferente ao ver o insight. Se você não consegue responder a essas perguntas, está construindo um relatório sobre o qual ninguém agirá. Essa disciplina — trabalhar de trás para a frente, a partir da ação pretendida — é a defesa mais confiável contra a proliferação de análises não usadas e se liga diretamente aos hábitos de transformar evidência em ação do Tópico 1.3 — Decisões baseadas em evidências.

2. Suba a escada analítica deliberadamente, e não por reflexo. As análises descritivas e diagnósticas respondem à maior parte das perguntas operacionais e são mais baratas, mais explicáveis e mais confiáveis do que o trabalho preditivo ou prescritivo. Recorra a um modelo preditivo apenas quando uma decisão genuinamente precisa de antevisão e você consegue agir sobre a previsão a tempo de importar. Uma pontuação de risco que identifica pacientes que você não tem capacidade de ajudar é um exercício acadêmico, e não gestão da saúde populacional.

3. Trate a qualidade de dados como um produto de primeira ordem, e não uma limpeza posterior. Meça a completude, a exatidão e a oportunidade dos seus principais fluxos de dados, publique essas medidas e responsabilize donos nomeados por elas. A má codificação de etnia, privação ou deficiência não é nota de rodapé técnica — esconde sistematicamente as populações que você mais precisa ver, de modo que lacunas de qualidade viram lacunas de equidade. Corrija a qualidade dos dados na origem, nos sistemas operacionais, sempre que puder, porque a correção a jusante é interminável e perde informação.

4. Conduza um modelo operacional explícito de analistas e engenharia de dados. Separe o trabalho de engenharia de esteiras de dados confiáveis e bem modeladas do trabalho de analisar e interpretar. Adote definições compartilhadas, controle de versões, revisão por pares do código analítico e métodos reprodutíveis, para que um número signifique o mesmo para todos e possa ser regenerado sob demanda. O movimento inglês de "Reproducible Analytical Pipelines" no setor público é um modelo prático digno de ser emprestado.

5. Viabilize o autosserviço, mas governe centralmente as definições. Deixe as equipes explorar os dados e construir suas próprias visões, porque uma equipe central jamais responderá a todas as perguntas com a rapidez necessária. Proteja-se da fragmentação curando uma camada semântica governada — conjuntos de dados certificados e definições acordadas de métricas como "lista de espera" ou "internação evitável" —, para que o autosserviço multiplique o insight em vez de multiplicar a discordância sobre o que os números significam.

6. Use a gestão da saúde populacional para direcionar a equidade e verifique o viés. Segmente a sua população e estratifique o risco para dirigir o cuidado proativo a quem mais se beneficiará, incluindo deliberadamente os grupos que historicamente se apresentam tarde ou nunca. Interrogue todo modelo quanto ao viés: se uma ferramenta de estratificação de risco subpontua um grupo carente ou de minoria étnica porque seus dados são mais esparsos, ela desviará recursos para longe deles em silêncio. Audite os desfechos por característica protegida e por privação, e não apenas no agregado.

7. Faça dos Ambientes Seguros de Dados a via padrão para dados sensíveis. Para pesquisa, planejamento e uso secundário, leve os analistas aos dados dentro de um SDE ou TRE, em vez de extrair cópias. Isso reduz a sua superfície de ataque, cria uma trilha de auditoria completa e dá ao público uma história defensável e transparente de como seus dados são usados. Publiquem quem tem acesso, para que fim e sob a aprovação de quem, ligando a sua abordagem à governança tratada no Tópico 1.7 — Governança da informação, proteção de dados e cibersegurança.

8. Feche o ciclo da análise até os desfechos e o valor. Para cada produto analítico significativo, acompanhe se a ação pretendida aconteceu e se o desfecho melhorou — e não apenas se o painel foi visto. Aposente os produtos que já não mudam decisões. Sempre que puder, ligue o insight analítico a um valor medido usando os métodos do Tópico 6.1 — Economia da saúde, para que o investimento em plataformas de dados seja justificado por desfechos, e não por atividade.

9. Gerencie a qualidade de dados como disciplina medida, porque as análises e a IA herdam todos os defeitos que estão por baixo. Definam e monitorem completude, exatidão, oportunidade e validade dos seus fluxos de dados críticos, fixem limiares e ajam quando escorregarem, em vez de descobrir a lacuna num relatório do conselho. Um modelo ou painel não pode ficar acima dos registros que o alimentam; trate, portanto, a qualidade como função operacional contínua, com responsáveis nomeados, e não uma limpeza pontual antes de um projeto. Isso importa mais para os campos que carregam equidade — etnia, privação, deficiência —, onde a codificação esparsa ou inconsistente distorce em silêncio toda conclusão a jusante.

10. Estabeleça a gestão de dados mestres para os seus dados de referência centrais. Mantenha uma versão única e autoritativa das entidades a que todo o resto se junta — pacientes chaveados pelo NHS Number, equipe e organizações —, com curadoria clara de como cada uma é criada, correspondida e aposentada. Sem isso, o mesmo paciente aparece sob vários identificadores e o mesmo serviço sob vários nomes, de modo que as análises se fragmentam e os totais nunca fecham. Investir em dados mestres confiáveis é pouco glamoroso, mas em escala um único identificador ambíguo pode desviar o cuidado e distorcer o desempenho de todo um sistema.

Perguntas para discutir com a sua equipe#

1. Quais dos nossos painéis e relatórios alguém notaria se os desligássemos amanhã — e o que a resposta nos diz? A maioria dos parques de análise se acumula ao longo dos anos, e grande parte do que produz é raramente ou nunca vista. Esta pergunta obriga a um inventário honesto: para cada produto significativo, vocês conseguem nomear a decisão que ele informa, a pessoa que é dona dessa decisão e a última vez que ele a mudou? Desligar, ou oferecer-se para desligar, é um diagnóstico rápido — uma reclamação genuína revela o que importa, o silêncio revela o que não importa. As equipes que prosperam são implacáveis em aposentar o que não é usado, porque todo painel morto ainda consome manutenção, corrói a confiança quando seus números derivam e enterra os relatórios que importam. Realocar esse esforço liberado para um punhado de produtos bem usados e bem governados quase sempre eleva o valor de todo o parque. Cuidado com o reflexo de manter tudo "por via das dúvidas" — esse reflexo é exatamente como se chega a análises sobre as quais ninguém age.

2. As nossas análises tornam as desigualdades em saúde mais visíveis, ou as escondem? As métricas agregadas — um único tempo de espera de todo o hospital, uma taxa geral de vacinação — podem parecer tranquilizadoras enquanto ocultam disparidades agudas por baixo. O teste é se os seus produtos-padrão desdobram os resultados por privação, etnia, deficiência e outras características relevantes e se os seus dados são bons o bastante para fazê-lo com honestidade. Se a etnia é mal codificada ou a privação não é vinculada, suas análises são estruturalmente cegas às populações que vocês mais precisam alcançar, e essa cegueira moldará para onde os recursos fluem. Discutam onde a qualidade atual dos dados deixa a análise de equidade na mão e o que seria preciso para corrigi-la na origem. Considerem também se seus modelos preditivos foram verificados quanto a viés contra grupos desassistidos. Essa conversa liga as suas análises diretamente à espinha de equidade do livro e à ética do Tópico 1.8 — Ética de dados, consentimento e confiança pública.

3. Se um jornalista perguntasse como usamos os dados dos pacientes em análises e pesquisa, conseguiríamos dar hoje uma resposta clara, honesta e tranquilizadora? A confiança pública é a licença sobre a qual todo uso secundário de dados de saúde depende, e é mais fácil de perder do que de conquistar. Percorram a resposta real: onde os dados ficam, quem pode acessá-los, por qual aprovação, para que fins e como um membro do público descobriria isso. Se a resposta honesta envolve cópias de dados identificáveis espalhadas por planilhas e unidades compartilhadas, vocês têm tanto um problema de segurança quanto de confiança. Contrastem isso com uma abordagem de Ambiente Seguro de Dados, em que o acesso é controlado, auditado e publicável. Discutam o que a sua organização precisaria mudar para ficar genuinamente à vontade com o escrutínio público — antes que um incidente force a pergunta. Lembrem-se do care.data: a tecnologia não foi o ponto de falha; a falha foi a confiança do público em como os dados seriam usados.

4. Quando recorremos a um modelo preditivo, conseguimos de fato agir sobre o que ele nos diz — e merecemos confiar na camada descritiva que está por baixo? É tentador equiparar maturidade analítica a sofisticação e tratar o trabalho "movido a IA" ou preditivo como o destino. Mas uma pontuação de risco que identifica pacientes que vocês não têm capacidade de contatar é um exercício acadêmico, e um modelo preditivo construído sobre uma base descritiva frágil simplesmente automatiza erros existentes em alta velocidade. Interroguem cada modelo proposto frente a dois testes: existe uma decisão real que genuinamente precisa de antevisão em vez de um retrato confiável do retrovisor, e a capacidade operacional existe para agir sobre a previsão a tempo de mudar um desfecho? Uma resposta honesta nomeia a intervenção específica que a previsão acionará e a equipe que a entregará, e é franca sobre se os degraus descritivo e diagnóstico são confiáveis o bastante para construir sobre eles. Subir a escada deliberadamente, degrau a degrau, costuma entregar mais valor do que saltar ao topo e descobrir que nada amortece a queda.

5. Concordamos sobre o que os nossos números centrais de fato significam — e onde duas equipes dariam respostas diferentes à mesma pergunta? À medida que o autosserviço de análises se espalha, o risco passa de ter números de menos para ter versões demais de cada um: a "lista de espera", a "internação evitável", o "paciente ativo" divergindo em silêncio entre painéis até que as reuniões discutam de quem é o número certo em vez de o que fazer. Testem isso de forma concreta pedindo a duas equipes que produzam, de forma independente, a mesma métrica de manchete e comparando não apenas a resposta, mas a definição e a consulta por trás. A conversa honesta traz à tona onde faltam uma camada semântica governada e conjuntos de dados certificados e onde as definições centrais não acompanharam a invenção local. A concessão é real — apertar demais sufoca a exploração que torna o autosserviço valioso; deixar sem governança fragmenta o insight em discordância. Uma resposta madura descreve quais métricas são certificadas e de propriedade central e quais são deliberadamente deixadas abertas à exploração local, em vez de fingir que todo o parque pode ser uma coisa ou outra.

6. Estamos corrigindo a qualidade dos dados onde ela é criada, ou corrigindo-a sem fim a jusante? Todo painel e modelo herda os defeitos dos registros operacionais que estão por baixo; assim, as decisões analíticas de maior consequência costumam ser tomadas muito a montante — em como uma condição é codificada no ponto de cuidado ou se o mesmo paciente e serviço se resolvem num único identificador. Discutam onde a sua organização hoje remenda a qualidade na camada de relatórios e o que seria preciso para corrigir esses problemas na origem, reconhecendo que a correção a jusante é, ao mesmo tempo, interminável e perde informação. Isso é indissociável da gestão de dados mestres: sem uma versão única e autoritativa de pacientes, equipe e organizações, os totais nunca fecham e a mesma pessoa se fratura entre registros. O que está em jogo quanto à equidade é maior para os campos mais difíceis de codificar bem — etnia, privação, deficiência —, onde a captação esparsa ou inconsistente distorce em silêncio toda conclusão a jusante. Uma resposta honesta nomeia quem é dono da qualidade de cada fluxo crítico, se essa propriedade alcança os sistemas operacionais e onde a ausência de dados de referência confiáveis está silenciosamente minando os números.

Na prática: um exemplo de saúde e cuidados#

Um Conselho de Cuidados Integrados (ICB) numa região urbana e litorânea mista quer reduzir as internações não planejadas entre pessoas que vivem com fragilidade, e fazê-lo sem ampliar a distância entre a sua afluente cidade-mercado e os seus bairros litorâneos carentes.

A equipe de saúde populacional começa com um conjunto de dados interligado, extraído da atenção primária, dos serviços comunitários e dos registros hospitalares, analisado dentro do Ambiente Seguro de Dados da região, para que nenhum extrato identificável saia do ambiente controlado. Segmentam a população com mais de 65 anos e estratificam o risco de fragilidade, mas, antes de direcionar quem quer que seja, fazem uma verificação de equidade. Ela revela que o modelo está subpontuando os moradores dos bairros litorâneos, porque essas clínicas historicamente codificaram as condições crônicas de forma menos completa — uma lacuna de qualidade de dados disfarçada de menor necessidade. Em vez de prosseguir com uma pontuação enviesada, a equipe encomenda um esforço focado de melhoria de codificação nas clínicas afetadas e ajusta o modelo, tratando a correção da qualidade de dados como parte da própria intervenção.

Com uma estratificação de risco mais justa em vigor, identificam cerca de 1.400 pessoas de alto risco ainda desconhecidas dos serviços comunitários. Uma equipe multidisciplinar oferece revisões proativas, começando deliberadamente pelos bairros litorâneos. De modo decisivo, as análises não param no direcionamento. Um painel descritivo simples acompanha, por bairro e por decil de privação, quantas revisões proativas aconteceram e como as internações se moveram nos seis meses seguintes — fechando o ciclo do insight à ação e ao desfecho. Quando as revisões de uma localidade emperram, o painel o evidencia cedo, e a equipe investiga em vez de esperar o relatório de fim de ano. Trabalhando com os colegas de finanças e de economia da saúde do ICB, traduzem as internações evitadas num caso de valor que justifica a continuidade do programa. Não foi preciso nenhum passe de mágica preditivo além de uma pontuação de risco bem governada; o valor veio da qualidade dos dados, da disciplina de equidade, de uma via de acesso confiável e de uma implacável persistência até o fim.

Perspectivas setoriais#

Startup#

Uma startup de tecnologia em saúde costuma viver ou morrer por uma alegação analítica estreita — que sua ferramenta identifica os pacientes certos ou melhora um desfecho —, de modo que sua prioridade é a evidência, e não a amplitude. Construa uma esteira enxuta e reprodutível e instrumente o seu produto para medir se ele muda decisões e desfechos, porque é essa a evidência que clientes e reguladores exigirão. Resista à tentação de prometer demais uma capacidade preditiva ou "movida a IA" antes de as bases descritivas e a qualidade dos dados estarem sólidas. Quando você trata dados do NHS ou de cuidados, espere trabalhar dentro do Ambiente Seguro de Dados do cliente ou cumprir uma governança equivalente; tratar isso como uma restrição de projeto de primeira ordem, e não uma surpresa tardia, é muitas vezes o que separa as startups que escalam das que emperram.

Pequena empresa#

Um pequeno prestador estabelecido — um consultório de clínica geral, uma farmácia comunitária, uma casa de repouso, uma clínica de unidade única — normalmente tem pacientes reais e deveres estatutários, mas nenhum analista ou equipe de dados dedicada; assim, o objetivo prático é um retrato descritivo confiável, e não uma escada de maturidade. Apoie-se nas análises embutidas nos sistemas que você já opera e em conjuntos de dados e painéis nacionais ou do ICB em que se pode confiar, em vez de montar uma plataforma que você não consegue manter. Corrija a qualidade dos dados na origem, na sua própria codificação operacional, porque essa é a única alavanca totalmente sob o seu controle e é o que alimenta todo modelo regional da sua população. Quando precisar compartilhar dados para saúde populacional ou pesquisa, use o Ambiente Seguro de Dados do ICB ou nacional, em vez de enviar extratos por e-mail, o que o mantém em conformidade com os mesmos deveres das grandes organizações sem precisar dos recursos delas. Uma única métrica bem escolhida sobre a qual você de fato age — uma lista de pacientes com revisão atrasada — vale mais do que um conjunto de relatórios que ninguém tem tempo de abrir.

Grande organização#

Um grande prestador ou integrador de sistemas costuma ter o problema oposto: plataformas demais, definições conflitantes demais e uma longa cauda de relatórios legados. A tarefa da grande organização é a consolidação e a governança — uma camada semântica curada, conjuntos de dados certificados e um modelo operacional claro de analistas e engenharia de dados —, para que o autosserviço multiplique o insight em vez de multiplicar a discordância. Invista no trabalho pouco glamoroso de qualidade de dados e de definições mestras, porque em escala corporativa uma única métrica ambígua pode desviar milhões de libras. Proteja-se do império de painéis medindo o uso e aposentando o que não é usado. Equilibre padrões centrais e autonomia local, ou você sufocará a inovação ou perderá o controle dos números.

Governo#

Os órgãos nacionais e regionais carregam um papel de zelo que as organizações privadas não carregam: definem os padrões, operam os maiores Ambientes Seguros de Dados e respondem ao público pelo modo como os dados populacionais são usados. As prioridades são a legitimidade e a equidade — regras de acesso transparentes, padrões publicados de qualidade de dados e análises que evidenciem ativamente as desigualdades em toda a população. O governo também está singularmente posicionado para reduzir a duplicação, oferecendo conjuntos de dados nacionais confiáveis e esteiras reprodutíveis sobre os quais toda equipe local possa construir, em vez de reinventar. A lição dominante do care.data é que o engajamento público não é uma reflexão tardia de comunicação, mas um insumo de projeto; ande mais depressa do que a confiança permite e você atrasará toda a agenda por anos.

Modos de falha comuns#

• Painéis sobre os quais ninguém age. Análises construídas para exibir dados em vez de mudar uma decisão, proliferando até que o útil fique enterrado sob o ignorado.
• Resolver para a ferramenta, e não para a pergunta. Comprar uma plataforma ou uma capacidade de aprendizado de máquina antes de saber que decisões ela deve melhorar.
• Cegueira de qualidade de dados. Apresentar números confiantes construídos sobre dados incompletos ou enviesados, especialmente quando a má codificação de etnia ou privação esconde grupos desassistidos.
• Proliferação de extratos. Cópias de dados sensíveis espalhando-se por planilhas e unidades, criando um risco de segurança e um passivo de confiança pública que um Ambiente Seguro de Dados teria evitado.
• Deriva de definições. A mesma métrica significando coisas diferentes em relatórios diferentes, de modo que as reuniões discutem de quem é o número certo em vez de o que fazer.
• Teatro preditivo. Construir modelos sofisticados sobre os quais a organização não tem capacidade de agir, ou que silenciosamente codificam viés contra as populações de maior necessidade.
• Andar mais depressa do que a confiança. Perseguir a ambição analítica sem engajamento público e perder a licença social da qual todo uso secundário de dados depende.
• Insight sem ciclo. Nunca verificar se a ação pretendida aconteceu ou se o desfecho melhorou, de modo que ninguém aprende e nada é aposentado.

Modelo de maturidade#

Lista de verificação#

• Todo produto analítico significativo nomeia a decisão que muda e quem é dono dessa decisão.
• As métricas de qualidade de dados (completude, exatidão, oportunidade) são medidas, têm responsável e são publicadas para os fluxos-chave.
• A codificação de etnia, privação e deficiência é boa o bastante para sustentar uma análise honesta de equidade — e melhorada onde não é.
• Uma camada semântica governada define de modo consistente as métricas centrais nas ferramentas de autosserviço.
• O código analítico tem controle de versões, é revisado por pares e reprodutível.
• Os dados sensíveis para pesquisa e planejamento são acessados por um Ambiente Seguro de Dados, e não copiados para fora.
• A estratificação de risco e os modelos preditivos são auditados quanto a viés contra grupos desassistidos.
• Os relatórios-padrão desdobram os resultados por privação e características protegidas relevantes.
• Cada produto acompanha se a ação pretendida aconteceu e se o desfecho melhorou.
• Os painéis e relatórios não usados são revistos e aposentados num ciclo regular.
• Existe uma explicação pública, honesta, de como os dados dos pacientes são usados em análises.
• Um programa de letramento em dados apoia líderes e clínicos, e não apenas analistas.

Fontes-chave#

• NHS England — recursos de Population Health Management e o Population Health Management Development Programme.
• NHS England — diretrizes de política do Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — estratégia e orientações de Reproducible Analytical Pipelines (RAP).
• The Health Foundation e The King's Fund — análises sobre a gestão da saúde populacional e as desigualdades em saúde.
• Understanding Patient Data — recursos públicos sobre ambientes de pesquisa confiáveis e as lições do care.data.
• Data Saves Lives — a estratégia de dados da Inglaterra para a saúde e os cuidados sociais.

Referências#

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