Тема 4.9 — Качество данных и управление мастер-данными

В здравоохранении и уходе неверный номер NHS, пропущенная аллергия или дублирующая запись пациента — не проблема аккуратности данных, а клиническая угроза, ошибка платежа и изъян исследования, поэтому качеством данных и управлением мастер-данными нужно заниматься как управляемыми дисциплинами с названными владельцами, а не оставлять их на волю случая в точке ввода.

Почему это важно в здравоохранении и уходе#

Каждое клиническое решение опирается на данные, которые кто-то записал раньше: отмеченная аллергия, подшитый результат, сверенное лекарство, подтверждённая личность. Когда эти данные точны, полны и привязаны к нужному человеку, уход течёт безопасно. Когда они неверны, отсутствуют или привязаны не к тому человеку, система делает ровно то, что ей говорят, — и вредит кому-то. Дублирующая запись скрывает критическую аллергию на карте, на которую клиницист не смотрит; неверно набранный номер NHS отправляет результат в файл другого пациента; устаревший адрес означает, что приглашение на скрининг рака никогда не придёт. Это не гипотезы: инциденты безопасности пациентов, связанные с неверной идентификацией и путаницей записей, — повторяющаяся тема национальной отчётности по безопасности.

Качество данных поэтому — вопрос клинической безопасности раньше, чем аналитический (см. тему 1.6 — Клиническая безопасность и управление рисками). Это также вопрос общественных денег и справедливости. NHS платит поставщикам, планирует услуги и спрашивает с них на основании того, что данные говорят о произошедшем; если активность недоучтена или неверно закодирована, неверному поставщику платят неверную сумму, а решения комиссионеров опираются на искажённую картину. Аналитика здоровья населения, валидация листов ожидания и работа по неравенству в здоровье наследуют качество лежащих в основе записей (см. тему 4.5 — Данные, аналитика и управление здоровьем населения).

Ставки резко растут по мере повторного использования данных. Запись, один раз внесённая за загруженной стойкой регистрации, может позднее обучить алгоритм, обосновать бизнес-кейс, питать национальный набор данных и разрешить платёжный спор. Старая максима «мусор на входе — мусор на выходе» стала «мусор на входе — вред на выходе», потому что плохие данные теперь автоматически и в масштабе распространяются в модели искусственного интеллекта и автоматизированные решения (см. тему 8.4 — Управление ИИ и новыми технологиями). А мастер-данные — общие, медленно меняющиеся факты о том, кто такие пациенты, персонал, организации и лекарства, — соединительная ткань, позволяющая десяткам систем согласиться, что они говорят об одном и том же человеке. Неверные мастер-данные — и каждая нижестоящая система наследует путаницу.

Ключевые понятия#

Качество данных — степень, в которой данные пригодны для предполагаемого использования в операциях, принятии решений и планировании. Обычно оно оценивается по набору измерений. Точность — правильно ли данные описывают реальный объект, который представляют; полнота — присутствуют ли необходимые данные; своевременность — доступны ли они, когда нужны, и отражают ли текущее состояние; валидность — соответствуют ли заданному формату, типу и диапазону; согласованность — согласуются ли они сами с собой и с другими источниками; и уникальность — появляется ли каждая сущность реального мира один и только один раз. Запись может быть валидной (правильно отформатированной), но неточной (неверной), так что измерения взаимодополняющи, а не взаимозаменяемы.

Управление мастер-данными (MDM) — дисциплина, посредством которой бизнес и технологии вместе обеспечивают единообразие, точность, стюардство и подотчётность общих мастер-данных организации — базовых сущностей, на которые ссылаются многие системы: пациентов, персонала, организаций, площадок и лекарств. Стремление MDM — золотая запись: единая, достоверная, сверенная версия каждой сущности, собранная из многих исходных систем и служащая авторитетным эталоном. Это тесно связано с идеей единого источника истины — практики ведения каждого элемента данных ровно в одном авторитетном месте, чтобы всё остальное ссылалось на него, а не хранило свою расходящуюся копию.

Справочные данные — особый важный подтип. Справочные данные — данные, используемые для классификации или категоризации других данных: списки кодов, наборы значений, коды организаций, единицы измерения; обычно определяются внешне и меняются медленно. В здравоохранении и уходе сюда входят клинические терминологии, такие как SNOMED CT, и национальные коды организаций и площадок; стандарты для них принадлежат национальному уровню и вменены как информационные стандарты (интероперабельность и обмен рассматриваются в теме 4.3 — Интероперабельность и стандарты данных, которую эта тема не повторяет).

Номер NHS — основной уникальный идентификатор пациента в Англии, Уэльсе и на острове Мэн: десятизначное число с контрольной суммой, позволяющей системам обнаружить неверно набранную цифру. Это якорь для мастер-данных пациентов. Привязка верного номера NHS к верному человеку — задача связывания записей: поиска записей в разных источниках, относящихся к одной сущности, решаемая в Англии через Personal Demographics Service (PDS), национальный демографический индекс, а локально — через Master Patient Index (MPI). Когда связывание не удаётся, возникают дубликаты (один человек — много записей) или наложения (два человека слиты в одного), и те и другие опасны.

Операционные дисциплины, поддерживающие высокое качество, — управление данными, рамка прав решений и подотчётности за данные, и распорядитель данных (data steward), названная роль, отвечающая за качество и пригодность определённой области данных. Повторяются две техники: профилирование данных, изучение данных для сбора статистики об их реальном состоянии, и очистка данных, обнаружение и исправление повреждённых, неточных или дублирующих записей. Профилактика лучше лечения: валидация данных в точке ввода — правила валидации и ограничения, отвергающие или переспрашивающие плохой ввод до его попадания в систему, — дешевле и безопаснее последующей очистки.

Лучшие практики#

1. Определяйте качество данных в конкретных измерениях, важных для каждого набора, и измеряйте их. «Улучшить качество данных» — не цель; «поднять полноту номера NHS в наборе данных неотложной помощи выше национального порога» — цель. Согласуйте, какие из точности, полноты, своевременности, валидности, согласованности и уникальности важнее всего для каждого критичного набора данных, задайте измеримые цели и регулярно отчитывайтесь по ним. NHS Data Quality Maturity Index (DQMI) даёт готовую, сопоставимую меру для многих национальных наборов данных; используйте его как базу и отслеживайте собственные местные метрики для полей, от которых реально зависят клиницисты и финансы.

2. Проверяйте в точке ввода, а не в нижестоящей чистке. Самую дешёвую ошибку исправить — ту, что никогда не попала в систему, а лучше всех исправить запись может тот, кто её создаёт, пока пациент перед ним. Встройте правила валидации, обязательные поля, контролируемые выпадающие списки и проверку контрольной суммы номера NHS в формы и интерфейсы, которыми персонал реально пользуется, и подтверждайте личность по Personal Demographics Service при регистрации. Каждая ошибка, пойманная при вводе, — ошибка, которую никогда не придётся искать, расследовать и откатывать ниже по потоку, когда она, возможно, уже причинила вред.

3. Относитесь к номеру NHS как к критичному для безопасности якорю и проверяйте его везде. Номер NHS — самый ценный идентификатор в системе, потому что он ключ, безопасно связывающий записи человека между организациями. Прослеживайте его по Personal Demographics Service, проверяйте контрольную сумму при вводе и помечайте записи без проверенного номера, а не позволяйте несопоставленным данным течь дальше. Результат, направление или рецепт, привязанные к неверному номеру, — клиническая угроза, поэтому считайте качество номера NHS контролем безопасности пациентов, отслеживаемым и эскалируемым, как любой другой.

4. Установите управление мастер-данными с золотой записью для каждой базовой сущности. Решите осознанно, какая система является мастером каждой сущности — пациентов, персонала, организаций, лекарств — и как единая сверенная золотая запись собирается и поддерживается из исходных систем. Ведите Master Patient Index, сверяемый с национальной демографической службой, и управляйте контролируемым, аудируемым процессом слияния дубликатов и разделения ошибочных наложений, потому что обе операции затрагивают живые клинические записи и сами могут причинить вред, если выполнены небрежно. Распространите ту же строгость на мастер-данные персонала и организаций, лежащие в основе контроля доступа, платежей и отчётности (см. тему 4.2 — Управление идентификацией и доступом и тему 5.4 — Планирование ресурсов предприятия (ERP), которая владеет корпоративными/финансовыми мастер-данными).

5. Назначьте владельцев данных и распорядителей данных и дайте им реальные полномочия. Качество данных распадается без ясной подотчётности, поэтому закрепите за каждой критичной областью данных старшего владельца данных, отвечающего за неё, и операционного распорядителя данных, отслеживающего, расследующего и ведущего исправления. Распорядителям нужны вес, инструменты и время — а не строка, добавленная к и без того полной должности, — и путь эскалации системных проблем (сломанная форма, запутанный процесс, интерфейс, теряющий поля) к тем, кто может исправить причину. Владение превращает качество данных из смутной заботы всех в явную ответственность кого-то.

6. Профилируйте до очистки и очищайте у источника. Перед любым улучшением или миграцией профилируйте данные, чтобы понять их истинное состояние — у скольких записей нет номера NHS, сколько существует дубликатов, какие поля систематически неверно закодированы, — чтобы направлять усилия туда, где они важны, а не гадать. Очищая, исправляйте запись в системе, являющейся её мастером, и устраняйте процесс, породивший ошибку, а не только копию в нижестоящем хранилище, иначе тот же дефект просто появится снова. Разовые чистки, игнорирующие причину, — беговая дорожка; цель — закрыть кран, а не только вытирать пол.

7. Принимайте национальные информационные стандарты и справочные данные, а не изобретайте местные коды. Согласованность между организациями возможна, только когда все классифицируют мир одинаково, используя национально определённые стандарты, вменяемые через процесс Data Alliance Partnership Board (DAPB) (прежде стандарты SCCI/ISB), и терминологии, такие как SNOMED CT. Управляйте справочными данными и списками кодов под контролем версий с ясным процессом обновления, потому что молча изменённый набор значений ломает анализ трендов и может исказить нижестоящую логику. Местные расширения должны быть редким управляемым исключением, сопоставленным с национальным стандартом (см. тему 4.3 — Интероперабельность и стандарты данных).

8. Делайте качество данных видимым для людей, чьи решения от него зависят. Качество данных улучшается, когда его видят: публикуйте метрики качества для клинических, операционных и финансовых команд, чтобы цена плохих данных ложилась там, где делается работа, а не хоронилась в команде данных. Показывайте нижестоящим потребителям происхождение и известные ограничения используемых данных, чтобы аналитик, платёжная команда или создатель модели могли судить, пригодны ли они для их цели (см. тему 10.1 — Ключевые показатели эффективности (KPI)). Прозрачность в отношении качества строит доверие, из-за которого люди вообще используют данные, а дискомфорт видимой красной метрики часто и оказывается тем, что наконец финансирует исправление.

Вопросы для обсуждения с командой#

1. Какие конкретные ошибки данных в нашей организации могли бы наиболее вероятно навредить пациенту и как мы вообще узнали бы, что они происходят? Это переформулирует качество данных из абстрактной добродетели в вопрос безопасности с названными угрозами, и только такая версия получает приоритет. Проработайте конкретные пути отказа: дублирующая запись, скрывающая аллергию, неверно проверенный номер NHS, неверно направляющий результат, устаревший контакт, из-за которого направление по двухнедельному ожиданию никогда не доходит до пациента. Трудность — в обнаружении: большинство ошибок данных тихи и обнаруживаются лишь когда случается вред или аудит на них натыкается, так что обсудите, есть ли у вас какой-нибудь проактивный способ их находить или вы полагаетесь на удачу и жалобы. Хороший, честный ответ называет две-три ваши угрозы данных наибольшего вреда, прямо говорит, могли бы вы сейчас обнаружить каждую, и рассматривает пробелы как риски клинической безопасности, подлежащие учёту и владению (см. тему 1.6 — Клиническая безопасность и управление рисками), а не как аккуратность, до которой когда-нибудь дойдут руки.

2. Где единый источник истины для наших базовых сущностей — пациентов, персонала, организаций, лекарств — и уважают ли его наши системы на самом деле? Многие организации обнаруживают, посмотрев, что один и тот же пациент по-разному существует в системе администрирования пациентов, системе неотложной помощи, системе патологии и трёх ведомственных базах данных без согласия о том, какая авторитетна. Обсудите по каждой сущности, какая система должна быть её мастером, как собирается золотая запись и как находятся и разрешаются дубликаты и наложения, включая то, кому разрешено сливать две записи, поскольку эта операция сама может причинить вред. Выведите напряжение между местной автономией (отделения, желающие свою копию, которую они могут контролировать) и общесистемной безопасностью (одна сверенная истина) и будьте честны, что управление мастер-данными — непрерывное стюардство, а не разовая миграция. Сильный ответ определяет систему-мастер для каждой сущности, признаёт, где сегодня нет согласованного источника истины, и обязуется назначить названного владельца и процесс сверки, а не чистку базы данных, которая снова тихо сгниёт.

3. Когда наши данные питают платёж, национальную отчётность, бизнес-кейс или модель ИИ, чья работа — знать, пригодны ли они для этой цели? Данные, собранные по одной причине, постоянно используются повторно для других, и качество, достаточное для клинической заметки, может быть опасно вводящим в заблуждение в алгоритме или формуле финансирования. Обсудите, кто отвечает за оценку пригодности в точке повторного использования: знает ли аналитик, финансовый руководитель или создатель модели происхождение, полноту и известные дефекты данных, на которые опирается, или предполагает, что они чисты, потому что выглядят аккуратно? Подумайте о конкретных случаях: пробел в кодировании, тихо занижающий активность и поэтому доход, или демографическое поле с предвзятой пропускаемостью, перекашивающее модель ИИ против группы пациентов (см. тему 8.4 — Управление ИИ и новыми технологиями и тему 1.8 — Этика данных, согласие и общественное доверие). Хороший ответ устанавливает, что пригодность для цели оценивается явно в каждой точке повторного использования, что данные несут видимое происхождение и оговорки о качестве и что никто молча не доверяет числам, ограничений которых никогда не видел.

4. Предотвращаем ли мы ошибки в точке ввода или тихо перекладываем бремя качества данных на и без того перегруженных клиницистов? Профилактика у источника — самая дешёвая и безопасная форма качества данных, но она живёт или умирает в дизайне форм и процессов, которыми персонал пользуется под давлением. Обсудите, действительно ли ваши экраны ввода помогают — проверка контрольной суммы, контролируемые списки, личность, проверенная по PDS, разумные умолчания — или они, напротив, нагромождают обязательные поля и предупреждения на загруженную стойку регистрации, пока люди не научатся кликать мимо. Здесь реальное напряжение: слишком мало валидации даёт плохим данным течь дальше, но неуклюжая валидация порождает обходные пути, фиктивные значения и усталость от предупреждений, портящие данные тоньше. Посмотрите, где сотрудники вводят «неизвестно», повторно используют умолчание или ведут личную таблицу, чтобы избежать мучительного процесса, потому что каждое из этого — сигнал, что система борется с работой, а не поддерживает её. Честный ответ рассматривает дизайн ввода как совместную клиническую, операционную и датаинженерную проблему, тестирует его с теми, кто им пользуется, и измеряет, действительно ли валидация снижает нижестоящие ошибки, а не просто переносит их.

5. Есть ли у тех, кого мы называем владельцами и распорядителями данных, вес, время и инструменты что-то менять или стюардство — титул, прикрученный к и без того полной должности? Качество данных распадается без ясной подотчётности, но назвать владельца на слайде — не то же, что обеспечить его ресурсами, а стюардство тихо проваливается, когда у названного нет ни власти, ни ёмкости. Обсудите, что ваши распорядители реально могут сделать, обнаружив системную проблему — сломанный интерфейс, теряющий поля, запутанную форму, процесс, фабрикующий дубликаты: могут ли они добиться исправления или только записать и надеяться? Выведите компромисс между тонким размазыванием стюардства по многим людям, делающим понемногу на полях, и сосредоточением в меньшем числе подлинно обеспеченных ресурсами ролей с выделенным временем и инструментами. Подумайте, есть ли у распорядителей реальный путь эскалации к тем, кому принадлежат порождающие причину системы и процессы, и спрашивают ли со старших владельцев данных за качество их области. Хороший ответ честен в том, реально ли стюардство сейчас или церемониально, и обязуется предоставить полномочия, время и инструменты, а не очередную нефинансируемую ответственность.

6. Как мы управляем национальными стандартами и справочными данными во времени и что происходит, когда список кодов или терминология меняются под нами? Справочные данные и терминологии, такие как SNOMED CT, определяются внешне и меняются медленно, но непрерывно, а молча обновлённый набор значений может сломать анализ трендов или исказить нижестоящую логику, никем не замеченный. Обсудите, находятся ли ваши списки кодов и сопоставления под контролем версий с ясным процессом обновления или живут в недокументированных справочниках, которые кто-то правит на месте. Изучите тягу изобретать местные коды, когда национальный стандарт кажется неудобным, и будьте честны о долгосрочной цене: местные классификации делают ваши данные несопоставимыми и неагрегируемыми с чьими-либо ещё и становятся постоянным бременем сопоставления (см. тему 4.3 — Интероперабельность и стандарты данных). Подумайте, как вы вообще обнаружили бы, что справочное значение изменилось, и как оценили бы влияние на анализы, платежи и модели, которые от него зависят. Сильный ответ рассматривает справочные данные как управляемый, версионируемый актив с названным процессом принятия национальных изменений, держит местные расширения редкими и сопоставленными со стандартом и может проследить, на какие нижестоящие использования повлияло бы изменение.

На практике: пример из здравоохранения и ухода#

Northmoor Integrated Care System ведёт общую запись ухода, охватывающую два острых траста, траст психического здоровья, общинные службы и 60 практик общей практики. После серьёзного инцидента — тяжёлая аллергия пациента на пенициллин, записанная в одном трасте, оказалась невидимой в другом, потому что запись не связалась, и пациенту назначили препарат, — совет рассматривает качество данных как приоритет клинической безопасности, а не закулисную заботу. Быстрый обзор находит первопричину в мастер-данных: одни и те же пациенты существуют дубликатами в разных системах, а проверка номера NHS у парадной двери непоследовательна.

ICS создаёт форум управления данными с названным старшим владельцем мастер-данных пациентов и операционными распорядителями данных в каждом поставщике. Их первое действие — профилирование хозяйства: они обнаруживают, что проверка номера NHS по Personal Demographics Service надёжно происходит в одних процессах регистрации и не происходит в других и что общая запись содержит значительную популяцию дублирующих и несопоставленных записей. Вместо массовой чистки они сначала устраняют причину — принуждают к проверке PDS и валидации контрольной суммы в каждой точке ввода, — так что популяция дубликатов перестаёт расти, пока они разбирают накопившееся.

Они разворачивают Master Patient Index, сверяемый с национальной демографической службой, с контролируемым, аудируемым, клинически курируемым процессом слияния дубликатов и отмены любых ошибочных наложений, признавая, что обе операции затрагивают живые записи. Они принимают NHS Data Quality Maturity Index как внешнюю базу для своих подач национальных наборов данных и добавляют местные метрики для полей, от которых клиницисты зависят больше всего, — аллергии, полнота номера NHS, ключевая демография, — публикуя их клиническим и операционным руководителям каждого поставщика, чтобы цифры нельзя было игнорировать.

Через восемнадцать месяцев изменение видно в результатах, а не только на дашбордах: проверка номера NHS при вводе почти всеобщая, доля дубликатов падает, а информация об аллергиях надёжно сверяется по общей записи. Когда позднее ICS определяет объём модели стратификации риска здоровья населения, аналитическая команда может указать происхождение и полноту лежащих в основе данных и отметить, где пропуски могут исказить модель, потому что мастер-данные и метрики качества теперь существуют для поддержки этого суждения (см. тему 4.5 — Данные, аналитика и управление здоровьем населения). Непритязательная работа — форум управления, распорядители, валидация при вводе, MPI — превратила невидимый вредный риск в управляемый.

Секторные линзы#

Стартап#

Стартап в цифровом здравоохранении часто считает качество данных проблемой будущего, фокусируясь на функциях и принимая грязные данные, чтобы двигаться быстро. Это ошибка с данными здравоохранения, где неверно сопоставленный пациент или непроверенный номер NHS — вопрос безопасности с первого живого пациента, а не с тысячного. Встройте валидацию, проверку контрольной суммы номера NHS и, где можете получить доступ, сопоставление по Personal Demographics Service в потоки ввода с самого начала, потому что дооснащение дисциплины идентичности, когда у вас уже большой корпус несопоставленных записей, мучительно и рискованно. Ваше доверие у покупателей NHS зависит от способности показать, что ваши данные достоверны, их происхождение ясно и вы не загрязните их мастер-данные при интеграции.

Малый бизнес#

Устоявшийся малый поставщик — общая практика, общинная аптека, дом ухода или клиника на одной площадке — несёт ту же обязанность правильно вести идентичность и аллергии, что и крупный траст, но без команды данных и часто без выделенных ИТ. Здесь управление мастер-данными — не проект платформы, а дисциплинированное использование уже имеющихся инструментов: проверка номера NHS по Personal Demographics Service при регистрации, поддержание актуальной демографии и недопущение накопления дубликатов в клинической системе. Опирайтесь на предоставленную вам национальную инфраструктуру — PDS, SNOMED CT, национальные коды организаций, — а не изобретайте местные обходные пути, потому что она делает тяжёлую работу, непосильную малой организации. Назовите одного человека практическим владельцем качества данных, даже если это часть более широкой роли, и используйте функции валидации, сопоставления и дедупликации вашего поставщика системы, а не терпите грязные данные потому, что «мы слишком малы, чтобы беспокоиться»: вред от неверной записи одинакового размера для любой организации.

Предприятие#

Крупный траст NHS или ICS эксплуатирует десятки систем, каждая из которых держит свою версию пациентов, персонала и организаций, так что его центральная задача — сверка и стюардство в масштабе. Реалистичная цель — управляемый Master Patient Index и небольшое число авторитетных золотых записей, обеспечиваемых через интерфейсы и валидацию, а не единая монолитная база данных, заменяющая всё. Инвестируйте в названных владельцев и распорядителей данных с реальными полномочиями, свяжите мастер-данные с управлением идентификацией и доступом и с платежами и рассматривайте слияния и наложения как клинически курируемые операции, потому что в таком масштабе они затрагивают живой уход. Крупнейшие выигрыши дают профилактика при вводе и дисциплинированное принятие национальных стандартов, применяемое последовательно, а не героические периодические чистки, распадающиеся в момент завершения.

Правительство#

Национальный орган — NHS England и органы по стандартам, сменившие NHS Digital, — формирует среду качества данных, в которой работает каждый поставщик. Он ведёт общую инфраструктуру, делающую возможным местное качество: Personal Demographics Service как национальный демографический индекс, номер NHS как общий ключ, национальные терминологии и справочные данные и Data Quality Maturity Index, делающий результаты сопоставимыми между организациями. Его рычаг — вменять информационные стандарты через процесс Data Alliance Partnership Board, публиковать сопоставимые метрики качества, создающие давление на улучшение, и вести стюардство справочных данных, чтобы все классифицировали мир одинаково. Правительство несёт и обязанность равенства: отслеживать предвзятую пропускаемость и обеспечивать, чтобы качество данных не ставило молча в невыгодное положение группы, чьи записи наименее полны (см. тему 9.1 — Работа с местными и национальными правительствами).

Типичные виды отказов#

• Вечная очистка, ничего не исправлено. Повторные нижестоящие чистки, никогда не касающиеся процесса ввода, — беговая дорожка; те же дубликаты и ошибки появляются каждый цикл. Исправляйте причину у источника.
• Валидно, но неверно. Запись, проходящая проверку формата, всё же может быть неточной: правильно отформатированный, но неверный номер NHS опаснее пустого, потому что выглядит достоверным. Проверяйте по реальным справочным источникам, а не только по формату.
• Нет названного владельца. Когда качество данных — забота всех, это ничья работа; проблемами любуются на совещаниях и никогда не решают. Назначьте подотчётных владельцев и наделённых полномочиями распорядителей.
• Мастер-данные случайно. Позволять каждой системе хранить свою расходящуюся копию пациентов или организаций без согласованного источника истины — гарантия несогласованности и опасных дубликатов. Решайте осознанно, что является мастером каждой сущности.
• Безрассудные слияния и наложения. Слияние двух записей или разделение ошибочно слитой затрагивает живые клинические данные; без контроля и клинического надзора оно может скрыть или неверно приписать критическую информацию. Сделайте это аудируемым, курируемым процессом.
• Местные коды, ломающие сопоставимость. Изобретение местных классификаций вместо национальных стандартов делает данные несопоставимыми и неагрегируемыми и портит анализ трендов, когда они молча меняются. Принимайте и версионируйте национальные справочные данные.
• Молчаливое повторное использование. Подача данных неизвестного качества в платежи, национальную отчётность или модели ИИ без указания их происхождения и ограничений распространяет скрытые ошибки в масштабе. Делайте пригодность для цели явным суждением в каждой точке повторного использования.

Модель зрелости#

Контрольный список#

• У критичных наборов данных есть согласованные измерения качества, измеримые цели и регулярная отчётность, по возможности с бенчмарком по DQMI.
• Номер NHS проверяется по контрольной сумме и подтверждается по Personal Demographics Service в каждой точке ввода.
• У каждой базовой сущности (пациент, персонал, организация, лекарство) есть назначенная система-мастер и золотая запись.
• Master Patient Index сверяется с национальной демографической службой, с аудируемым, клинически курируемым процессом слияния и наложения.
• У каждой критичной области данных есть названный владелец данных и наделённый полномочиями распорядитель данных с инструментами и путём эскалации.
• Данные профилируются до миграции или улучшения, а очистка исправляет исходную систему и порождающий процесс, а не только нижестоящие копии.
• Приняты национальные информационные стандарты и терминологии (через процесс DAPB, SNOMED CT), а справочные данные находятся под контролем версий.
• Метрики качества данных публикуются для клинических, операционных и финансовых команд, чьи решения зависят от данных.
• Происхождение и известные ограничения качества сопровождают данные при повторном использовании для платежей, национальной отчётности, исследований или ИИ.
• Угрозы качества данных высокого вреда учитываются и закреплены за владельцами как риски клинической безопасности, со средством проактивного обнаружения.

Ключевые источники#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — ежемесячная сопоставимая мера качества данных по национальным наборам.
• NHS England — Personal Demographics Service (PDS) и руководство по номеру NHS — национальный демографический индекс и основной идентификатор пациента.
• NHS England — Информационные стандарты, публикуемые через процесс Data Alliance Partnership Board (DAPB) (прежде стандарты SCCI/ISB).
• DAMA International — DMBOK (Data Management Body of Knowledge) — признанная рамка управления данными, качества и мастер-данных.
• SNOMED International / NHS England — клиническая терминология SNOMED CT и dm+d (словарь лекарств и изделий) для мастер- и справочных данных о лекарствах.
• HM Government — Data Standards Authority и Government Data Quality Framework — межведомственное руководство по измерениям качества данных и стюардству.
• National Data Guardian — принципы Колдикотта — о надлежащем использовании и качестве конфиденциальной информации о пациентах.

Литература#

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