Тема 4.5 — Данные, аналитика и управление здоровьем населения

В здравоохранении и уходе аналитику стоит строить только тогда, когда она меняет решение, маршрут или жизнь: превращает данные в понимание, доходящее до тех, кому оно нужнее всего, и делает это способами, которым может доверять общество.

Почему это важно в здравоохранении и уходе#

Тема 4.3 — Интероперабельность и стандарты данных — о безопасном перемещении данных между системами, чтобы они приходили туда, где нужны. Эта тема о том, что происходит дальше: превращении данных в понимание, а понимания — в действие. Их легко смешать, и путаница обходится дорого. Можно иметь безупречную интероперабельность и всё равно принимать плохие решения, а можно иметь богатую аналитику, не касающуюся ухода ни за одним пациентом.

Аналитика в здравоохранении и уходе несёт вес, которого нет у аналитики в рознице или логистике. Когда вы сегментируете население и направляете вмешательство, вы решаете, чей приём по астме состоится первым, какие немощные пожилые люди получат упреждающий звонок до зимнего кризиса и где перегруженная общинная команда потратит свои ограниченные часы. Ошибка в анализе — предвзятая модель риска, пробел в качестве данных, занижающий учёт неблагополучного района, дашборд, льстящий показателям, — может расширить то самое неравенство, которое вы хотели закрыть. Последствия клинические и этические, а не только коммерческие.

Общественное доверие — другое ограничение, делающее эту область особой. Люди в целом готовы к тому, чтобы их данные улучшали уход и поддерживали исследования, но лишь когда видят, что с ними обращаются безопасно, законно и для законных целей. Провал программы care.data в Англии в 2014 году, оставленной после того, как общественность и клиницисты потеряли доверие к тому, как данные будут извлекаться и использоваться, остаётся поучительной историей, которую должен знать каждый руководитель аналитики здравоохранения. Утраченное доверие восстанавливается медленно и дорого и ограничивает то, что вы можете делать, ещё годы. Поэтому «как» аналитики — платформа, путь доступа, управление, прозрачность — не закулисная сантехника. Это часть соглашения о клинической безопасности, равенстве и общественном доверии, проходящего через всю эту книгу.

Ключевые понятия#

Бизнес-аналитика — совокупность практик и технологий анализа данных для обоснования решений: дашборды, отчёты и запросы за ними. Она опирается на анализ данных, представленный через хорошую визуализацию данных, потому что график, который занятой клиницист или директор читает за секунды, лучше таблицы, которую никто не открывает.

Полезный способ описать аналитические амбиции — лестница зрелости: описательная аналитика (что произошло), диагностическая (почему произошло), предсказательная аналитика (что вероятно произойдёт дальше) и предписывающая аналитика (что вам следует с этим сделать). Большинство организаций проводят большую часть времени на первой ступени, и часто это правильное место: надёжная описательная картина, которой доверяют и на которую действуют, стоит больше хрупкой предсказательной модели, которой никто не пользуется.

В основе всего лежит платформа данных. Хранилище данных хранит структурированные, смоделированные данные для отчётности; озеро данных хранит сырые данные любой формы для последующей обработки; шаблон «lakehouse» сочетает оба. Какую бы вы ни выбрали, платформа достойна доверия лишь настолько, насколько достойно качество данных — полнота, точность, своевременность и согласованность лежащих в основе записей — и её управление данными: подотчётная рамка владения, определений и решений о доступе, поддерживающая пригодность данных к использованию. Тесно связано управление мастер-данными: ведение единой авторитетной версии базовых справочных данных, таких как пациенты, персонал и организации, чтобы аналитика не рассыпалась по несогласованным идентификаторам.

Здоровье населения и управление им — прикладная дисциплина в сердце этой темы: использование связанных данных, чтобы понять здоровье определённого населения, сегментировать его на группы со схожими потребностями, стратифицировать риск и направлять вмешательства тем, кому они принесут больше всего пользы. При хорошем исполнении это один из острейших доступных инструментов борьбы с неравенством в здоровье: направление упреждающего ухода к недообслуженным группам, а не ожидание, пока они обратятся в кризисе. Ничто из этого не работает без грамотности в работе с данными: способности руководителей, клиницистов и аналитиков читать данные, ставить их под вопрос и честно действовать на их основе.

Наконец, безопасная среда данных (Secure Data Environment, SDE), на международном уровне — доверенная исследовательская среда (Trusted Research Environment, TRE), — контролируемый путь, по которому исследователи и планировщики анализируют чувствительные данные. Вместо копирования данных аналитику аналитика приводят к данным внутри защищённой, аудируемой среды, и покидают её только агрегированные, не идентифицирующие результаты. Это модель, примиряющая аналитические амбиции с общественным доверием, обсуждаемым в теме 1.8 — Этика данных, согласие и общественное доверие.

Лучшие практики#

1. Начинайте с решения, а не с данных. Прежде чем заказывать дашборд или модель, назовите решение, которое они изменят, кому принадлежит это решение и что они будут делать иначе, увидев понимание. Если вы не можете ответить на эти вопросы, вы строите отчёт, на который никто не станет действовать. Эта дисциплина — работа от предполагаемого действия назад — самая надёжная защита от разрастания неиспользуемой аналитики, и она напрямую связана с привычками «от доказательств к действию» из темы 1.3 — Решения, основанные на доказательствах.

2. Поднимайтесь по лестнице аналитики осознанно, а не рефлекторно. Описательная и диагностическая аналитика отвечают на большинство операционных вопросов и дешевле, объяснимее и заслуживают большего доверия, чем предсказательная или предписывающая работа. Обращайтесь к предсказательной модели, только когда решению действительно нужно предвидение и вы можете действовать по предсказанию вовремя. Оценка риска, определяющая пациентов, которым вы не в силах помочь, — академическое упражнение, а не управление здоровьем населения.

3. Относитесь к качеству данных как к полноценному продукту, а не к уборке в последний момент. Измеряйте полноту, точность и своевременность ключевых потоков данных, публикуйте эти меры и закрепляйте за названными владельцами ответственность за них. Плохое кодирование этнической принадлежности, лишений или инвалидности — не техническая сноска: оно систематически скрывает население, которое вам нужнее всего видеть, так что пробелы качества становятся пробелами равенства. Исправляйте качество данных у источника в операционных системах везде, где можете, потому что исправление ниже по потоку бесконечно и с потерями.

4. Ведите явную операционную модель аналитиков и инженеров данных. Разделяйте работу по созданию надёжных, хорошо смоделированных конвейеров данных и работу по анализу и интерпретации. Принимайте общие определения, контроль версий, рецензирование аналитического кода и воспроизводимые методы, чтобы число значило одно и то же для всех и могло быть воссоздано по запросу. Английское движение «воспроизводимых аналитических конвейеров» (Reproducible Analytical Pipelines) в государственном секторе — практическая модель, которую стоит перенять.

5. Включайте самообслуживание, но управляйте определениями централизованно. Позвольте командам исследовать данные и строить собственные представления, потому что центральная команда никогда не ответит на все вопросы достаточно быстро. Защищайтесь от фрагментации, курируя управляемый семантический слой: сертифицированные наборы данных и согласованные определения таких метрик, как «лист ожидания» или «предотвратимая госпитализация», чтобы самообслуживание умножало понимание, а не споры о том, что значат числа.

6. Используйте управление здоровьем населения для направленности на равенство и проверяйте на предвзятость. Сегментируйте население и стратифицируйте риск, чтобы направлять упреждающий уход к тем, кому он принесёт больше всего пользы, сознательно включая группы, исторически обращающиеся поздно или не обращающиеся вовсе. Допрашивайте каждую модель на предвзятость: если инструмент стратификации риска занижает оценку неблагополучной или этнически меньшинственной группы, потому что их данных меньше, он тихо отвернёт от них ресурсы. Аудируйте результаты по защищённым характеристикам и лишениям, а не только в агрегате.

7. Сделайте безопасные среды данных путём по умолчанию к чувствительным данным. Для исследований, планирования и вторичного использования приводите аналитиков к данным внутри SDE или TRE, а не извлекайте копии. Это сужает вашу поверхность атаки, создаёт полный след аудита и даёт обществу защитимую, прозрачную историю о том, как используются их данные. Публикуйте, кто имеет доступ, с какой целью и по чьему одобрению, связывая ваш подход с управлением, рассмотренным в теме 1.7 — Управление информацией, защита данных и кибербезопасность.

8. Замыкайте цикл от аналитики к результатам и ценности. Для каждого значимого аналитического продукта отслеживайте, произошло ли предполагаемое действие и улучшился ли результат, а не только просматривался ли дашборд. Выводите продукты, больше не меняющие решения. Где можете, связывайте аналитическое понимание с измеренной ценностью методами темы 6.1 — Экономика здравоохранения, чтобы инвестиции в платформы данных оправдывались результатами, а не активностью.

9. Управляйте качеством данных как измеряемой дисциплиной, потому что аналитика и ИИ наследуют каждый изъян под ними. Определите и отслеживайте полноту, точность, своевременность и валидность для критичных потоков данных, задайте пороги и действуйте, когда они проседают, а не обнаруживайте пробел в отчёте совету. Модель или дашборд не могут подняться выше записей, которые их питают, поэтому рассматривайте качество как постоянную операционную функцию с названными владельцами, а не разовую чистку перед проектом. Это важнее всего для полей, несущих равенство — этническая принадлежность, лишения, инвалидность, — где скудное или непоследовательное кодирование тихо искажает каждый последующий вывод.

10. Установите управление мастер-данными для базовых справочных данных. Ведите единую авторитетную версию сущностей, к которым привязано всё остальное: пациентов на основе номера NHS, персонала и организаций, с ясным стюардством над тем, как каждая создаётся, сопоставляется и выводится. Без этого один и тот же пациент появляется под несколькими идентификаторами, а одна и та же услуга — под несколькими названиями, так что аналитика рассыпается, а итоги никогда не сходятся. Инвестиции в достоверные мастер-данные непритязательны, но в масштабе один неоднозначный идентификатор может направить уход не туда и исказить показатели целой системы.

Вопросы для обсуждения с командой#

1. Какие из наших дашбордов и отчётов кто-нибудь заметил бы, выключи мы их завтра, и что нам говорит ответ? Большинство аналитических хозяйств нарастают годами, и большая доля того, что они производят, просматривается редко или никогда. Этот вопрос вынуждает к честной инвентаризации: можете ли вы для каждого значимого продукта назвать решение, которое он информирует, человека, которому оно принадлежит, и последний раз, когда продукт его изменил? Выключение, или предложение выключить, — быстрая диагностика: настоящий протест показывает, что важно, тишина показывает, что нет. Процветающие команды беспощадны к выводу неиспользуемого, потому что каждый мёртвый дашборд всё ещё потребляет сопровождение, подрывает доверие, когда его числа дрейфуют, и хоронит важные отчёты. Перенаправление высвобожденных усилий на горстку хорошо используемых, хорошо управляемых продуктов почти всегда повышает ценность всего хозяйства. Остерегайтесь рефлекса хранить всё «на всякий случай»: именно так приходят к аналитике, на которую никто не действует.

2. Делает ли наша аналитика неравенство в здоровье более видимым или скрывает его? Агрегированные метрики — единое время ожидания по всему трасту, общий уровень вакцинации — могут выглядеть успокаивающе, скрывая резкие различия под ними. Проверка в том, разбивают ли ваши стандартные продукты результаты по лишениям, этнической принадлежности, инвалидности и другим релевантным характеристикам и достаточно ли хороши ваши данные, чтобы делать это честно. Если этническая принадлежность плохо закодирована или лишения не связаны, ваша аналитика структурно слепа к населению, до которого вам нужнее всего дотянуться, и эта слепота будет формировать, куда текут ресурсы. Обсудите, где текущее качество данных подводит анализ равенства и что потребуется, чтобы исправить это у источника. Подумайте и о том, проверялись ли ваши предсказательные модели на предвзятость против недообслуженных групп. Этот разговор связывает вашу аналитику напрямую с хребтом равенства книги и с этикой темы 1.8 — Этика данных, согласие и общественное доверие.

3. Если бы журналист спросил, как мы используем данные пациентов для аналитики и исследований, смогли бы мы дать сегодня ясный, честный, успокаивающий ответ? Общественное доверие — лицензия, на которой держится любое вторичное использование данных здравоохранения, и её легче потерять, чем заслужить. Проработайте реальный ответ: где находятся данные, кто имеет к ним доступ, по какому одобрению, для каких целей и как человек из общества мог бы это узнать. Если честный ответ включает копии идентифицируемых данных, разбросанные по таблицам и общим дискам, у вас и проблема безопасности, и проблема доверия. Сопоставьте это с подходом безопасной среды данных, где доступ контролируется, аудируется и может быть опубликован. Обсудите, что вашей организации потребовалось бы изменить, чтобы по-настоящему спокойно относиться к общественному вниманию, до того как инцидент заставит задать вопрос. Помните care.data: технология не была точкой отказа; отказом было общественное доверие к тому, как будут использоваться данные.

4. Когда мы тянемся к предсказательной модели, можем ли мы действительно действовать по тому, что она говорит, и заслужили ли мы право доверять описательному слою под ней? Соблазнительно приравнять аналитическую зрелость к изощрённости и считать «управляемую ИИ» или предсказательную работу пунктом назначения. Но оценка риска, определяющая пациентов, с которыми вы не в силах связаться, — академическое упражнение, а предсказательная модель на шатком описательном фундаменте просто автоматизирует существующие ошибки на скорости. Допросите каждую предлагаемую модель по двум проверкам: есть ли реальное решение, которому нужно именно предвидение, а не надёжный взгляд в зеркало заднего вида, и есть ли операционная мощность, чтобы действовать по предсказанию вовремя и изменить результат? Честный ответ называет конкретное вмешательство, которое предсказание запустит, и команду, которая его выполнит, и откровенен о том, достаточно ли надёжны описательная и диагностическая ступени, чтобы на них строить. Осознанный подъём ступень за ступенью обычно даёт больше ценности, чем прыжок на вершину и обнаружение, что падение некому смягчить.

5. Согласны ли мы в том, что на самом деле значат наши основные числа, и где две команды дали бы разные ответы на один и тот же вопрос? По мере распространения самообслуживания риск смещается от слишком малого числа показателей к слишком многим версиям каждого: «лист ожидания», «предотвратимая госпитализация», «активный пациент» тихо расходятся по дашбордам, пока совещания спорят о том, чья цифра верна, вместо того чтобы решать, что делать. Проверьте это конкретно: попросите две команды независимо вывести одну и ту же ключевую метрику и сравните не только ответ, но и определение и запрос за ним. Честный разговор выявляет, где отсутствуют управляемый семантический слой и сертифицированные наборы данных и где центральные определения не поспевают за местным изобретательством. Компромисс реален: зажмёте слишком сильно — задушите исследование, делающее самообслуживание ценным; оставите без управления — понимание рассыплется в разногласия. Зрелый ответ описывает, какие метрики сертифицированы и принадлежат центру, а какие намеренно оставлены открытыми для местного исследования, а не делает вид, что всё хозяйство может быть чем-то одним.

6. Исправляем ли мы качество данных там, где оно создаётся, или бесконечно поправляем его ниже по потоку? Каждый дашборд и модель наследуют изъяны операционных записей под ними, поэтому самые значимые аналитические решения часто принимаются далеко выше по потоку: в том, как состояние кодируется в точке ухода, или сводятся ли один и тот же пациент и услуга к единому идентификатору. Обсудите, где ваша организация сейчас латает качество на уровне отчётности и что потребовалось бы, чтобы исправлять эти проблемы у источника, признавая, что исправление ниже по потоку и бесконечно, и с потерями. Это неотделимо от управления мастер-данными: без единой авторитетной версии пациентов, персонала и организаций итоги не сходятся, а один человек расщепляется по записям. Ставки равенства выше всего для полей, труднее всего кодируемых хорошо, — этническая принадлежность, лишения, инвалидность, — где скудный или непоследовательный сбор тихо искажает каждый вывод ниже по потоку. Честный ответ называет, кто отвечает за качество каждого критичного потока, доходит ли эта ответственность до операционных систем и где отсутствие достоверных справочных данных молча подрывает числа.

На практике: пример из здравоохранения и ухода#

Совет интегрированной помощи (ICB) в смешанном городском и прибрежном регионе хочет сократить внеплановые госпитализации среди людей с немощью, и сделать это, не расширяя разрыв между своим благополучным рыночным городком и неблагополучными прибрежными округами.

Команда по здоровью населения начинает со связанного набора данных из первичной помощи, общинных услуг и больничных записей, анализируемого внутри безопасной среды данных региона, так что ни одна идентифицируемая выгрузка не покидает контролируемую среду. Они сегментируют население старше 65 и стратифицируют риск немощи, но, прежде чем нацеливаться на кого-либо, проводят проверку равенства. Она показывает, что модель занижает оценку жителей прибрежных округов, потому что эти практики исторически кодировали хронические состояния менее полно: пробел в качестве данных, маскирующийся под меньшую потребность. Вместо того чтобы продолжать по предвзятой оценке, команда заказывает целевую кампанию улучшения кодирования в затронутых практиках и корректирует модель, рассматривая исправление качества данных как часть самого вмешательства.

С более справедливой стратификацией риска они определяют примерно 1400 человек высокого риска, ещё неизвестных общинным службам. Междисциплинарная команда предлагает упреждающие обзоры, намеренно начиная с прибрежных округов. Важно, что аналитика не останавливается на выборе целей. Простой описательный дашборд отслеживает по округам и децилям лишений, сколько упреждающих обзоров состоялось и как менялись госпитализации в следующие шесть месяцев, замыкая цикл от понимания к действию и результату. Когда обзоры в одной местности буксуют, дашборд показывает это рано, и команда разбирается, а не ждёт годового отчёта. Работая с коллегами ICB по финансам и экономике здравоохранения, они переводят предотвращённые госпитализации в обоснование ценности, оправдывающее продолжение программы. Никакого предсказательного волшебства сверх хорошо управляемой оценки риска не потребовалось; ценность дали качество данных, дисциплина равенства, доверенный путь доступа и неотступное доведение до конца.

Секторные линзы#

Стартап#

Стартап в сфере цифрового здравоохранения обычно живёт или умирает по узкому аналитическому утверждению: что его инструмент определяет нужных пациентов или улучшает результат, поэтому его приоритет — доказательства, а не охват. Стройте лёгкий воспроизводимый конвейер и оснащайте продукт измерениями того, меняет ли он решения и результаты, потому что именно эти доказательства потребуют клиенты и регуляторы. Сопротивляйтесь искушению обещать лишнего в предсказательных или «управляемых ИИ» возможностях, пока описательные основы и качество данных не прочны. Работая с данными NHS или ухода, ожидайте работы внутри безопасной среды данных клиента или соблюдения эквивалентного управления; принятие этого как первостепенного проектного ограничения, а не позднего сюрприза, часто отличает стартапы, которые масштабируются, от тех, которые глохнут.

Малый бизнес#

Устоявшийся малый поставщик — общая практика, общинная аптека, дом ухода, клиника на одной площадке — обычно имеет реальных пациентов и законные обязанности, но не имеет выделенного аналитика или команды данных, так что практическая цель — достоверная описательная картина, а не лестница зрелости. Опирайтесь на аналитику, встроенную в уже используемые вами системы, и на доверенные национальные наборы данных и дашборды, предоставляемые ICB, а не разворачивайте платформу, которую не сможете поддерживать. Исправляйте качество данных у источника в собственном операционном кодировании, потому что это единственный рычаг полностью в вашей власти, и именно он питает каждую региональную модель вашего населения. Когда нужно делиться данными для здоровья населения или исследований, используйте безопасную среду данных ICB или национальную, а не рассылайте выгрузки по почте: это сохраняет соответствие теми же обязанностями, что у крупных организаций, не требуя их ресурсов. Одна хорошо выбранная метрика, на которую вы действительно действуете, — список пациентов с просроченным обзором — лучше набора отчётов, которые некогда открыть.

Предприятие#

У крупного поставщика или системного интегратора обычно обратная проблема: слишком много платформ, слишком много конфликтующих определений и длинный хвост унаследованных отчётов. Задача предприятия — консолидация и управление: курируемый семантический слой, сертифицированные наборы данных и ясная операционная модель аналитиков и инженеров данных, чтобы самообслуживание умножало понимание, а не разногласия. Инвестируйте в непритязательную работу над качеством данных и основными определениями, потому что в масштабе предприятия одна неоднозначная метрика может направить не туда миллионы фунтов. Берегитесь империи дашбордов, измеряя использование и выводя неиспользуемое. Уравновешивайте центральные стандарты с местной автономией, иначе вы либо задушите инновации, либо потеряете контроль над числами.

Правительство#

Национальные и региональные органы несут роль стюарда, которой нет у частных организаций: они задают стандарты, ведут крупнейшие безопасные среды данных и отвечают перед обществом за то, как используются данные населения. Приоритеты — легитимность и равенство: прозрачные правила доступа, опубликованные стандарты качества данных и аналитика, активно выявляющая неравенство по всему населению. Правительство также уникально позиционировано сокращать дублирование, предоставляя доверенные национальные наборы данных и воспроизводимые конвейеры, на которые может опереться каждая местная команда, а не изобретать заново. Главный урок care.data: вовлечение общества — не коммуникационная запоздалая мысль, а проектный вход; двигайтесь быстрее, чем позволяет доверие, и вы отбросите всю повестку на годы.

Типичные виды отказов#

• Дашборды, на которые никто не действует. Аналитика, построенная, чтобы показывать данные, а не менять решение, разрастающаяся, пока полезное не погребено под игнорируемым.
• Решение под инструмент, а не под вопрос. Покупка платформы или возможности машинного обучения до того, как известно, какие решения она должна улучшить.
• Слепота к качеству данных. Представление уверенных чисел, построенных на неполных или предвзятых данных, особенно там, где плохое кодирование этнической принадлежности или лишений скрывает недообслуженные группы.
• Расползание выгрузок. Копии чувствительных данных, расползающиеся по таблицам и дискам, создавая и риск безопасности, и обязательство общественного доверия, которых избежала бы безопасная среда данных.
• Дрейф определений. Одна и та же метрика, означающая разное в разных отчётах, так что совещания спорят о том, чьё число верно, вместо того чтобы решать, что делать.
• Предсказательный театр. Построение изощрённых моделей, на которые организация не способна действовать или которые тихо кодируют предвзятость против нуждающегося населения.
• Движение быстрее доверия. Преследование аналитических амбиций без вовлечения общества и потеря общественной лицензии, на которой держится любое вторичное использование данных.
• Понимание без цикла. Отсутствие проверки, произошло ли предполагаемое действие или улучшился ли результат, так что никто не учится и ничего не выводится.

Модель зрелости#

Контрольный список#

• Каждый значимый аналитический продукт называет решение, которое он меняет, и того, кому оно принадлежит.
• Метрики качества данных (полнота, точность, своевременность) измеряются, закреплены за владельцами и публикуются для ключевых потоков.
• Кодирование этнической принадлежности, лишений и инвалидности достаточно хорошо для честного анализа равенства и улучшается там, где это не так.
• Управляемый семантический слой единообразно определяет основные метрики во всех инструментах самообслуживания.
• Аналитический код находится под контролем версий, рецензируется и воспроизводим.
• Чувствительные данные для исследований и планирования доступны через безопасную среду данных, а не копируются наружу.
• Стратификация риска и предсказательные модели аудируются на предвзятость против недообслуженных групп.
• Стандартные отчёты разбивают результаты по лишениям и релевантным защищённым характеристикам.
• Каждый продукт отслеживает, произошло ли предполагаемое действие и улучшился ли результат.
• Неиспользуемые дашборды и отчёты регулярно пересматриваются и выводятся.
• Существует публичное объяснение того, как данные пациентов используются для аналитики, и оно честно.
• Программа грамотности в работе с данными поддерживает руководителей и клиницистов, а не только аналитиков.

Ключевые источники#

• NHS England — ресурсы Population Health Management и Population Health Management Development Programme.
• NHS England — политические руководящие принципы Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — стратегия и руководство Reproducible Analytical Pipelines (RAP).
• The Health Foundation и The King's Fund — анализы управления здоровьем населения и неравенства в здоровье.
• Understanding Patient Data — общественные ресурсы о доверенных исследовательских средах и уроках care.data.
• Data Saves Lives — стратегия данных Англии для здравоохранения и социального ухода.

Литература#

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