Ämne 4.5 — Data, analys och hantering av befolkningshälsa

Inom hälsa och vård är analys bara värd att bygga om den förändrar ett beslut, ett vårdförlopp eller ett liv — genom att förvandla data till insikt som når de människor som mest behöver den, och göra det på sätt som allmänheten kan lita på.

Varför detta är viktigt inom hälsa och vård#

Ämne 4.3 — Interoperabilitet och datastandarder handlar om att flytta data tryggt mellan system så att de anländer dit de behövs. Detta ämne handlar om vad som händer härnäst: att förvandla dessa data till insikt, och insikt till handling. De två är lätta att blanda ihop och dyra att förväxla. Ni kan ha felfri interoperabilitet och ändå fatta dåliga beslut, och ni kan ha rik analys som aldrig berör en enda patients vård.

Analys inom hälsa och vård bär en tyngd som analys inom detaljhandel eller logistik inte gör. När ni segmenterar en befolkning och riktar en insats avgör ni vems astmagranskning som sker först, vilka skröpliga äldre som får ett proaktivt samtal före en vinterkris och var ett ansträngt närsjukvårdsteam spenderar sina ändliga timmar. Gör ni analysen fel — en partisk riskmodell, ett datakvalitetsglapp som underräknar ett utsatt bostadsområde, en instrumentpanel som smickrar prestanda — kan ni vidga just de ojämlikheter ni avsåg att sluta. Konsekvenserna är kliniska och etiska, inte bara kommersiella.

Allmänhetens förtroende är den andra begränsningen som gör denna domän särpräglad. Människor är i stort sett villiga att deras data förbättrar vården och stödjer forskning, men bara när de kan se att den hanteras tryggt, lagligt och för legitima syften. Misslyckandet för programmet care.data i England 2014, som övergavs efter att allmänheten och kliniker förlorat tilltron till hur data skulle extraheras och användas, förblir den varnande berättelse varje ledare inom hälsoanalys bör känna till. Förtroende, en gång förlorat, är långsamt och kostsamt att bygga upp igen, och det begränsar vad ni kan göra i åratal efteråt. Så ”hur” i analys — plattformen, åtkomstvägen, styrningen, transparensen — är inte rörmokeri i back office. Det är en del av den uppgörelse om klinisk säkerhet, jämlikhet och allmänhetens förtroende som löper genom hela denna bok.

Grundläggande begrepp#

Business intelligence är den uppsättning metoder och tekniker som analyserar data för att informera beslut — instrumentpaneler, rapporter och den frågehantering som ligger bakom dem. Den vilar på dataanalys presenterad genom god datavisualisering, eftersom ett diagram som en upptagen kliniker eller direktör kan läsa på sekunder slår en tabell som ingen öppnar.

Ett användbart sätt att beskriva analytisk ambition är mognadsstegen: deskriptiv analys (vad hände), diagnostisk analys (varför hände det), prediktiv analys (vad är sannolikt att hända härnäst) och preskriptiv analys (vad ni bör göra åt det). De flesta organisationer ägnar mest tid åt det första steget, och det är ofta rätt ställe att vara — en tillförlitlig deskriptiv bild, betrodd och agerad på, är värd mer än en skör prediktiv modell ingen använder.

Under allt detta ligger en dataplattform. Ett datalager (data warehouse) lagrar strukturerade, modellerade data för rapportering; en datasjö (data lake) lagrar rådata av vilken form som helst för senare bearbetning; mönstret ”lakehouse” blandar de två. Vilket ni än väljer är plattformen bara så pålitlig som dess datakvalitet — de underliggande journalernas fullständighet, korrekthet, aktualitet och konsekvens — och dess datastyrning (data governance), det ansvarsbärande ramverk av ägarskap, definitioner och åtkomstbeslut som håller data lämpliga för användning. Närbesläktad är hantering av masterdata (master data management) — att upprätthålla en enda, auktoritativ version av kärnreferensdata såsom patienter, personal och organisationer — så att analysen inte splittras över inkonsekventa identifierare.

Befolkningshälsa (population health) är den tillämpade disciplin som står i hjärtat av detta ämne: att använda länkade data för att förstå hälsan hos en definierad befolkning, segmentera den i grupper med liknande behov, stratifiera risk och rikta insatser mot dem som mest kommer att dra nytta. Väl gjord är den ett av de skarpaste verktyg som finns för att angripa hälsojämlikhet — att rikta proaktiv vård mot underbetjänade grupper i stället för att vänta på att de söker i kris. Inget av detta fungerar utan datakompetens (data literacy) — förmågan hos ledare, kliniker och analytiker lika att läsa, ifrågasätta och agera på data ärligt.

Slutligen är en säker datamiljö (Secure Data Environment, SDE) — internationellt en betrodd forskningsmiljö (Trusted Research Environment, TRE) — den kontrollerade vägen genom vilken forskare och planerare analyserar känsliga data. I stället för att kopiera ut data till analytikern förs analytikern till data inuti en säker, granskad miljö, och bara aggregerade, icke-identifierande resultat lämnar den. Detta är den modell som förenar analytisk ambition med det allmänna förtroende som diskuteras i Ämne 1.8 — Dataetik, samtycke och allmänhetens förtroende.

Bästa praxis#

1. Utgå från beslutet, inte data. Innan ni beställer en instrumentpanel eller en modell, namnge det beslut den ska ändra, vem som äger det beslutet och vad de kommer att göra annorlunda när de ser insikten. Om ni inte kan besvara dessa frågor bygger ni en rapport ingen kommer att agera på. Denna disciplin — att arbeta baklänges från den avsedda handlingen — är det mest tillförlitliga försvaret mot en utbredning av oanvänd analys, och den kopplar direkt till vanorna att omsätta evidens i handling i Ämne 1.3 — Evidensdrivna beslut.

2. Klättra uppför analysstegen medvetet, inte reflexmässigt. Deskriptiv och diagnostisk analys besvarar de flesta operativa frågor och är billigare, mer förklarbar och mer betrodd än prediktivt eller preskriptivt arbete. Sträck er efter en prediktiv modell endast när ett beslut genuint behöver framsynthet och ni kan agera på förutsägelsen i tid för att det ska spela roll. En riskpoäng som identifierar patienter ni inte har kapacitet att hjälpa är en akademisk övning, inte hantering av befolkningshälsa.

3. Behandla datakvalitet som en förstklassig produkt, inte en efterhandsstädning. Mät fullständighet, korrekthet och aktualitet i era viktigaste dataflöden, publicera måtten och gör namngivna ägare ansvariga för dem. Dålig kodning av etnicitet, utsatthet eller funktionsnedsättning är inte en teknisk fotnot — den döljer systematiskt de befolkningsgrupper ni mest behöver se, så kvalitetsglapp blir jämlikhetsglapp. Åtgärda datakvalitet vid källan i operativa system varhelst ni kan, eftersom korrigering nedströms är ändlös och förlustbehäftad.

4. Kör en uttrycklig driftmodell för analytiker och datateknik. Skilj arbetet med att konstruera tillförlitliga, väl modellerade datapipelines från arbetet med att analysera och tolka. Anta delade definitioner, versionshantering, kollegial granskning av analytisk kod och reproducerbara metoder så att ett tal betyder detsamma för alla och kan återskapas på begäran. Rörelsen ”Reproducible Analytical Pipelines” i engelsk offentlig sektor är en praktisk modell värd att låna.

5. Möjliggör självbetjäning, men styr definitionerna centralt. Låt team utforska data och bygga egna vyer, eftersom ett centralt team aldrig kan besvara varje fråga tillräckligt snabbt. Skydda er mot fragmentering genom att kurera ett styrt semantiskt lager — certifierade dataset och överenskomna definitioner av mått som ”väntelista” eller ”undvikbar inläggning” — så att självbetjäning mångfaldigar insikt i stället för att mångfaldiga oenighet om vad talen betyder.

6. Använd hantering av befolkningshälsa för att rikta mot jämlikhet, och kontrollera partiskhet. Segmentera er befolkning och stratifiera risk för att rikta proaktiv vård mot dem som mest kommer att dra nytta, och inkludera medvetet grupper som historiskt söker sent eller inte alls. Granska varje modell för partiskhet: om ett riskstratifieringsverktyg underskattar en utsatt eller etniskt minoritetsgrupp för att deras data är glesare kommer det i tysthet att leda resurser bort från dem. Granska utfall efter skyddade kännetecken och utsatthet, inte bara i aggregat.

7. Gör säkra datamiljöer till standardvägen till känsliga data. För forskning, planering och sekundär användning, för analytiker till data inuti en SDE eller TRE i stället för att extrahera kopior. Detta krymper er attackyta, skapar ett fullständigt granskningsspår och ger allmänheten en försvarbar, transparent berättelse om hur deras data används. Publicera vem som har åtkomst, för vilket syfte och under vems godkännande, och koppla er ansats till den styrning som behandlas i Ämne 1.7 — Informationsstyrning, dataskydd och cybersäkerhet.

8. Sluta slingan från analys till utfall och värde. För varje betydande analysprodukt, följ om den avsedda handlingen skedde och om utfallet förbättrades — inte bara om instrumentpanelen visades. Avveckla produkter som inte längre ändrar beslut. Varhelst ni kan, koppla analytisk insikt till uppmätt värde med metoderna i Ämne 6.1 — Hälsoekonomi, så att investeringar i dataplattformar motiveras av utfall snarare än aktivitet.

9. Förvalta datakvalitet som en mätt disciplin, eftersom analys och AI ärver varje brist under sig. Definiera och övervaka fullständighet, korrekthet, aktualitet och giltighet för era kritiska dataflöden, sätt tröskelvärden och agera när de glider i stället för att upptäcka glappet i en styrelserapport. En modell eller instrumentpanel kan inte höja sig över de journaler som matar den, så behandla kvalitet som en pågående operativ funktion med namngivna ägare, inte en engångsrensning före ett projekt. Detta spelar störst roll för de fält som bär jämlikhet — etnicitet, utsatthet, funktionsnedsättning — där glesa eller inkonsekventa koder i tysthet snedvrider varje slutsats nedströms.

10. Inrätta hantering av masterdata för er kärnreferensdata. Upprätthåll en enda, auktoritativ version av de entiteter som allt annat kopplas till — patienter nyckelade på NHS-numret, personal och organisationer — med tydligt förvaltarskap över hur var och en skapas, matchas och avvecklas. Utan det förekommer samma patient under flera identifierare och samma tjänst under flera namn, så analysen splittras och totaler stämmer aldrig. Att investera i pålitlig masterdata är oglamoröst, men i skala kan en enda tvetydig identifierare leda vården fel och felaktigt redovisa prestanda över ett helt system.

Frågor att diskutera med ditt team#

1. Vilka av våra instrumentpaneler och rapporter skulle någon märka om vi stängde av i morgon — och vad säger svaret oss? De flesta analysbestånd ackumuleras över år, och en stor andel av det de producerar granskas sällan eller aldrig. Frågan tvingar fram en ärlig förteckning: för varje betydande produkt, kan ni namnge det beslut den informerar, den person som äger det beslutet och senast den ändrade ett? Att stänga av, eller erbjuda sig att stänga av, är en snabb diagnostik — genuint ramaskri avslöjar vad som spelar roll, tystnad avslöjar vad som inte gör det. De team som blomstrar är skoningslösa med att avveckla det oanvända, eftersom varje död instrumentpanel ändå förbrukar underhåll, urholkar förtroendet när dess tal glider och begraver de rapporter som spelar roll. Att omfördela den frigjorda ansträngningen mot en handfull välanvända, väl styrda produkter höjer nästan alltid värdet av hela beståndet. Akta er för reflexen att behålla allt ”för säkerhets skull” — den reflexen är exakt hur man hamnar i analys ingen agerar på.

2. Gör vår analys hälsoojämlikheter mer synliga, eller döljer den dem? Aggregerade mått — en enda väntetid för hela sjukhuset, en total vaccinationsgrad — kan se lugnande ut medan de döljer skarpa skillnader under ytan. Testet är om era standardprodukter bryter ned resultat efter utsatthet, etnicitet, funktionsnedsättning och andra relevanta kännetecken, och om era data är tillräckligt goda för att göra det ärligt. Om etnicitet är dåligt kodad eller utsatthet inte är länkad är er analys strukturellt blind för de befolkningsgrupper ni mest behöver nå, och den blindheten kommer att forma var resurser flödar. Diskutera var er nuvarande datakvalitet sviker jämlikhetsanalys, och vad som skulle krävas för att åtgärda det vid källan. Beakta också om era prediktiva modeller har kontrollerats för partiskhet mot underbetjänade grupper. Detta samtal kopplar er analys direkt till bokens jämlikhetsryggrad och till etiken i Ämne 1.8 — Dataetik, samtycke och allmänhetens förtroende.

3. Om en journalist frågade hur vi använder patienters data för analys och forskning, kunde vi ge ett tydligt, ärligt, lugnande svar i dag? Allmänhetens förtroende är den licens på vilken all sekundär användning av hälsodata beror, och det är lättare att förlora än att förtjäna. Gå igenom det faktiska svaret: var data finns, vem som kan komma åt dem, genom vilket godkännande, för vilka syften och hur en medlem av allmänheten skulle få veta det. Om det ärliga svaret innebär kopior av identifierbara data utspridda över kalkylblad och delade enheter har ni både ett säkerhetsproblem och ett förtroendeproblem. Kontrastera det med en ansats med en säker datamiljö, där åtkomst är kontrollerad, granskad och publicerbar. Diskutera vad er organisation skulle behöva ändra för att vara genuint bekväm med offentlig granskning — innan en incident tvingar fram frågan. Kom ihåg care.data: tekniken var inte felpunkten; felet var allmänhetens tillit till hur data skulle användas.

4. När vi sträcker oss efter en prediktiv modell, kan vi faktiskt agera på det den säger oss — och har vi förtjänat rätten att lita på det deskriptiva lagret under den? Det är frestande att likställa analytisk mognad med sofistikering, och att behandla ”AI-drivet” eller prediktivt arbete som destinationen. Men en riskpoäng som identifierar patienter ni inte har kapacitet att kontakta är en akademisk övning, och en prediktiv modell byggd på en skakig deskriptiv grund automatiserar bara befintliga fel i hög fart. Pröva varje föreslagen modell mot två test: finns ett verkligt beslut som genuint behöver framsynthet snarare än en tillförlitlig bakspegelbild, och finns den operativa kapaciteten att agera på förutsägelsen i tid för att ändra ett utfall? Ett ärligt svar namnger den specifika insats förutsägelsen kommer att utlösa och det team som kommer att leverera den, och är uppriktigt om huruvida de deskriptiva och diagnostiska stegen är pålitliga nog att bygga på. Att klättra uppför stegen medvetet, steg för steg, levererar vanligen mer värde än att hoppa till toppen och upptäcka att ingenting fångar fallet.

5. Är vi överens om vad våra kärntal faktiskt betyder — och var skulle två team ge olika svar på samma fråga? När självbetjäningsanalys sprids skiftar risken från att ha för få tal till att ha för många versioner av varje: ”väntelistan”, ”den undvikbara inläggningen”, ”den aktiva patienten” divergerar i tysthet över instrumentpaneler tills möten argumenterar om vems siffra som är rätt snarare än vad man ska göra. Testa detta konkret genom att be två team ta fram samma rubrikmått oberoende och jämföra inte bara svaret utan definitionen och frågan bakom. Det ärliga samtalet lyfter var ett styrt semantiskt lager och certifierade dataset saknas, och var centrala definitioner inte hållit jämna steg med lokal uppfinningsrikedom. Avvägningen är verklig — klämmer ni åt för hårt kvävs den utforskning som gör självbetjäning värdefull; lämnar ni den ostyrd fragmenteras insikt i oenighet. Ett moget svar beskriver vilka mått som är certifierade och centralt ägda och vilka som medvetet lämnas öppna för lokal utforskning, i stället för att låtsas att hela beståndet kan vara det ena eller det andra.

6. Åtgärdar vi datakvalitet där den skapas, eller korrigerar vi den ändlöst nedströms? Varje instrumentpanel och modell ärver bristerna hos de operativa journalerna under sig, så de mest konsekvensrika analysbesluten fattas ofta långt uppströms — i hur ett tillstånd kodas vid vårdtillfället, eller om samma patient och tjänst löser sig till en enda identifierare. Diskutera var er organisation för närvarande lappar kvalitet i rapporteringslagret, och vad som skulle krävas för att åtgärda de problemen vid källan i stället, i insikt om att korrigering nedströms är både ändlös och förlustbehäftad. Detta är oskiljaktigt från hantering av masterdata: utan en enda auktoritativ version av patienter, personal och organisationer stämmer totaler aldrig och samma person splittras över journaler. Jämlikhetsinsatserna är högst för de fält som är svårast att koda väl — etnicitet, utsatthet, funktionsnedsättning — där gles eller inkonsekvent registrering i tysthet snedvrider varje slutsats nedströms. Ett ärligt svar namnger vem som äger kvaliteten för varje kritiskt flöde, om det ägarskapet når in i de operativa systemen och var avsaknaden av pålitlig referensdata i tysthet undergräver talen.

I praktiken: ett exempel från hälsa och vård#

En integrerad vårdnämnd (Integrated Care Board, ICB) i en blandad stads- och kustregion vill minska oplanerade inläggningar bland människor som lever med skörhet, och göra det utan att vidga klyftan mellan sin välbärgade marknadsstad och sina utsatta kustdistrikt.

Teamet för befolkningshälsa börjar med ett länkat dataset hämtat från primärvård, närsjukvårdstjänster och sjukhusjournaler, analyserat inuti regionens säkra datamiljö så att ingen identifierbar extrahering lämnar den kontrollerade miljön. De segmenterar befolkningen över 65 år och stratifierar skörhetsrisk, men innan de riktar sig mot någon kör de en jämlikhetskontroll. Den avslöjar att modellen underskattar invånare i kustdistrikten, eftersom dessa praktiker historiskt har kodat långvariga tillstånd mindre fullständigt — ett datakvalitetsglapp utklätt till lägre behov. I stället för att gå vidare på en partisk poäng beställer teamet en fokuserad satsning på kodningsförbättring i de berörda praktikerna och justerar modellen, och behandlar datakvalitetsrättelsen som en del av själva insatsen.

Med en rättvisare riskstratifiering på plats identifierar de ungefär 1 400 personer med hög risk som ännu inte är kända för närsjukvårdstjänsterna. Ett tvärprofessionellt team erbjuder proaktiva granskningar, och börjar medvetet med kustdistrikten. Avgörande är att analysen inte slutar vid riktningen. En enkel deskriptiv instrumentpanel följer, per distrikt och per utsatthetsdecil, hur många proaktiva granskningar som skedde och hur inläggningarna rörde sig under de följande sex månaderna — vilket sluter slingan från insikt till handling till utfall. När ett lokalområdes granskningar stannar av lyfter instrumentpanelen det tidigt, och teamet undersöker i stället för att vänta på årsrapporten. Tillsammans med ICB:s ekonomi- och hälsoekonomikollegor översätter de de undvikna inläggningarna till ett värdeunderlag som motiverar att programmet fortsätter. Ingen prediktiv trollkonst behövdes bortom en väl styrd riskpoäng; värdet kom av datakvalitet, jämlikhetsdisciplin, en betrodd åtkomstväg och obeveklig uppföljning.

Sektorperspektiv#

Startup-företag#

Ett hälsotekniskt startup-företag lever eller dör vanligen på ett snävt analytiskt påstående — att dess verktyg identifierar rätt patienter eller förbättrar ett utfall — så dess prioritet är evidens, inte bredd. Bygg en slimmad, reproducerbar pipeline och instrumentera er produkt för att mäta om den ändrar beslut och utfall, eftersom den evidensen är vad kunder och tillsynsmyndigheter kommer att kräva. Motstå frestelsen att lova för mycket i fråga om prediktiv eller ”AI-driven” förmåga innan de deskriptiva grunderna och datakvaliteten är solida. När ni hanterar NHS- eller vårddata, förvänta er att arbeta inuti kundens säkra datamiljö eller uppfylla motsvarande styrning; att behandla det som en förstklassig designbegränsning, snarare än en sen överraskning, är ofta det som skiljer de startup-företag som skalar från dem som stannar av.

Småföretag#

En etablerad liten vårdgivare — en läkarpraktik, ett närapotek, ett vårdhem, en klinik på en enda ort — har vanligen verkliga patienter och lagstadgade plikter men ingen dedikerad analytiker eller datateam, så det praktiska målet är en pålitlig deskriptiv bild, inte en mognadstrappa. Luta er mot den analys som är inbyggd i de system ni redan kör och mot betrodda nationella eller ICB-tillhandahållna dataset och instrumentpaneler i stället för att sätta upp en plattform ni inte kan underhålla. Åtgärda datakvalitet vid källan i er egen operativa kodning, eftersom det är den enda spaken helt inom er kontroll och det är vad som matar varje regional modell av er befolkning. När ni måste dela data för befolkningshälsa eller forskning, använd ICB:s eller en nationell säker datamiljö i stället för att e-posta extrakt, vilket håller er förenlig med samma plikter som stora organisationer utan att behöva deras resurser. Ett enda väl valt mått ni faktiskt agerar på — en lista över patienter som är försenade med en granskning — slår en svit rapporter ingen har tid att öppna.

Storföretag#

En stor vårdgivare eller systemintegratör har vanligen det motsatta problemet: för många plattformar, för många motstridiga definitioner och en lång svans av äldre rapporter. Storföretagets uppgift är konsolidering och styrning — ett kurerat semantiskt lager, certifierade dataset och en tydlig driftmodell för analytiker och datateknik — så att självbetjäning mångfaldigar insikt i stället för att mångfaldiga oenighet. Investera i det oglamorösa arbetet med datakvalitet och masterdefinitioner, eftersom ett enda tvetydigt mått i storföretagsskala kan leda miljontals pund fel. Skydda er mot imperiet av instrumentpaneler genom att mäta användning och avveckla det oanvända. Balansera centrala standarder mot lokal autonomi, annars kväver ni antingen innovation eller förlorar kontrollen över talen.

Staten#

Nationella och regionala organ bär en förvaltarroll som privata organisationer inte gör: de sätter standarderna, driver de största säkra datamiljöerna och svarar inför allmänheten för hur befolkningsdata används. Prioriteringarna är legitimitet och jämlikhet — transparenta åtkomstregler, publicerade datakvalitetsstandarder och analys som aktivt lyfter ojämlikheter över hela befolkningen. Staten är också unikt placerad att minska dubbelarbete, genom att tillhandahålla betrodda nationella dataset och reproducerbara pipelines som varje lokalt team kan bygga på i stället för att uppfinna på nytt. Den överordnade läxan från care.data är att allmänhetens medverkan inte är en kommunikationsefterhandskonstruktion utan en designinput; rör ni er snabbare än förtroendet tillåter sätter ni hela agendan tillbaka i år.

Vanliga felmönster#

• Instrumentpaneler ingen agerar på. Analys byggd för att visa data snarare än att ändra ett beslut, som sprider sig tills det användbara begravs under det ignorerade.
• Att lösa för verktyget, inte frågan. Att köpa en plattform eller en maskininlärningsförmåga innan man vet vilka beslut den måste förbättra.
• Blindhet för datakvalitet. Att presentera säkra tal byggda på ofullständiga eller partiska data, särskilt där dålig kodning av etnicitet eller utsatthet döljer underbetjänade grupper.
• Extraktspridning. Kopior av känsliga data som sprids över kalkylblad och enheter, vilket skapar både en säkerhetsrisk och ett förtroendeansvar som en säker datamiljö hade undvikit.
• Definitionsglidning. Samma mått som betyder olika saker i olika rapporter, så att möten argumenterar om vems tal som är rätt i stället för vad man ska göra.
• Prediktiv teater. Att bygga sofistikerade modeller organisationen saknar kapacitet att agera på, eller som i tysthet kodar partiskhet mot de befolkningsgrupper som mest behöver hjälp.
• Att röra sig snabbare än förtroendet. Att driva analytisk ambition utan allmänhetens medverkan, och förlora den sociala licens som all sekundär dataanvändning beror på.
• Insikt utan slinga. Att aldrig kontrollera om den avsedda handlingen skedde eller utfallet förbättrades, så att ingen lär sig och inget avvecklas.

Mognadsmodell#

Checklista#

• Varje betydande analysprodukt namnger det beslut den ändrar och vem som äger det beslutet.
• Datakvalitetsmått (fullständighet, korrekthet, aktualitet) mäts, ägs och publiceras för viktiga flöden.
• Kodningen av etnicitet, utsatthet och funktionsnedsättning är tillräckligt god för att stödja ärlig jämlikhetsanalys — och förbättras där den inte är det.
• Ett styrt semantiskt lager definierar kärnmått konsekvent över självbetjäningsverktyg.
• Analytisk kod är versionshanterad, kollegialt granskad och reproducerbar.
• Känsliga data för forskning och planering nås genom en säker datamiljö, inte kopieras ut.
• Riskstratifiering och prediktiva modeller granskas för partiskhet mot underbetjänade grupper.
• Standardrapporter bryter ned resultat efter utsatthet och relevanta skyddade kännetecken.
• Varje produkt följer om den avsedda handlingen skedde och om utfallet förbättrades.
• Oanvända instrumentpaneler och rapporter granskas och avvecklas enligt en regelbunden cykel.
• En offentlig förklaring av hur patientdata används för analys finns och är ärlig.
• Ett program för datakompetens stödjer ledare och kliniker, inte bara analytiker.

Viktiga källor#

• NHS England — resurser om Population Health Management och Population Health Management Development Programme.
• NHS England — policyriktlinjer för Secure Data Environment for NHS Health and Social Care.
• Office for National Statistics / UK Government Analysis Function — strategi och vägledning för Reproducible Analytical Pipelines (RAP).
• The Health Foundation och The King's Fund — analyser av hantering av befolkningshälsa och hälsoojämlikheter.
• Understanding Patient Data — offentliga resurser om betrodda forskningsmiljöer och lärdomarna av care.data.
• Data Saves Lives — datastrategin för hälso- och sjukvård i England.

Referenser#

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