Ämne 4.9 — Datakvalitet och masterdatahantering

Inom hälsa och vård är ett felaktigt NHS-nummer, en saknad allergi eller en duplicerad patientjournal inte ett ordningsproblem för data utan en klinisk fara, ett betalningsfel och en forskningsbrist, så datakvalitet och masterdatahantering måste drivas som förvaltade discipliner med namngivna ägare — inte lämnas åt slumpen vid registreringen.

Varför detta är viktigt inom hälsa och vård#

Varje kliniskt beslut vilar på data som någon registrerade tidigare: en allergi som flaggats, ett provsvar som arkiverats, ett läkemedel som stämts av, en identitet som bekräftats. När dessa data är korrekta, fullständiga och kopplade till rätt person flödar vården tryggt. När de är fel, saknas eller är kopplade till fel person gör systemet exakt vad det blir tillsagt — och skadar någon. En duplicerad journal döljer en kritisk allergi på det diagram klinikern inte tittar på; ett felknappat NHS-nummer skickar ett provsvar till fel patients akt; en inaktuell adress innebär att en inbjudan till cancerscreening aldrig anländer. Detta är inte hypotetiskt: patientsäkerhetsincidenter som rör felidentifiering och journalförväxling är ett återkommande tema i nationell säkerhetsrapportering.

Datakvalitet är därför en fråga om klinisk säkerhet innan den är en analytisk (se Ämne 1.6 — Klinisk säkerhet och riskhantering). Den är också en fråga om offentliga medel och rättvisa. NHS betalar vårdgivare, planerar tjänster och håller dem ansvariga utifrån vad data säger har hänt; om aktivitet underregistreras eller felkodas får fel vårdgivare fel belopp och beställningsbeslut vilar på en förvrängd bild. Analys av befolkningshälsa, validering av väntelistor och arbete med hälsoojämlikheter ärver alla kvaliteten hos de underliggande journalerna (se Ämne 4.5 — Data, analys och hantering av befolkningshälsa).

Insatserna stiger kraftigt när data återanvänds. En journal som fångats en gång vid en upptagen reception kan senare träna en algoritm, motivera ett affärscase, mata ett nationellt dataset och avgöra en betalningstvist. Den gamla maximen — skräp in, skräp ut — har blivit skräp in, skada ut, eftersom dåliga data nu fortplantar sig automatiskt och i skala in i modeller för artificiell intelligens och automatiserade beslut (se Ämne 8.4 — Styrning av AI och ny teknik). Och masterdata — de delade, långsamt föränderliga fakta om vilka patienter, personal, organisationer och läkemedel är — är bindväven som låter dussintals system vara överens om att de talar om samma person. Gör ni masterdata fel ärver varje system nedströms förvirringen.

Grundläggande begrepp#

Datakvalitet är i vilken grad data är lämpliga för sina avsedda användningar i drift, beslutsfattande och planering. Den bedöms konventionellt längs en uppsättning dimensioner. Korrekthet (accuracy) är om data riktigt beskriver den verkliga företeelse de representerar; fullständighet (completeness) är om de nödvändiga data finns; aktualitet (timeliness) är om de är tillgängliga när de behövs och speglar det aktuella tillståndet; giltighet (validity) är om de följer det definierade formatet, typen och intervallet; konsekvens (consistency) är om de stämmer med sig själva och med andra källor; och unikhet (uniqueness) är om varje verklig entitet förekommer en gång och endast en gång. En post kan vara giltig (korrekt formaterad) men oriktig (fel), så dimensionerna är komplementära, inte utbytbara.

Masterdatahantering (master data management, MDM) är den disciplin genom vilken verksamhet och teknik tillsammans säkerställer enhetlighet, korrekthet, förvaltarskap och ansvarsskyldighet för en organisations delade masterdata — de kärnentiteter som många system refererar till: patienter, personal, organisationer, enheter och läkemedel. Ambitionen med MDM är en gyllene post (golden record): en enda, betrodd, avstämd version av varje entitet, sammansatt från många källsystem, som fungerar som auktoritativ referens. Detta är nära besläktat med idén om en enda källa till sanning (single source of truth) — praxis att hålla varje dataelement som huvudpost på exakt ett auktoritativt ställe så att allt annat refererar tillbaka till det i stället för att hålla en egen avvikande kopia.

Referensdata är en specifik, viktig undertyp. Referensdata är data som används för att klassificera eller kategorisera andra data — kodlistor, värdemängder, organisationskoder, måttenheter — som typiskt definieras externt och förändras långsamt. Inom hälsa och vård inkluderar detta kliniska terminologier såsom SNOMED CT och nationella organisations- och enhetskoder; standarderna för dessa ägs nationellt och föreskrivs som informationsstandarder (interoperabilitet och utbyte behandlas i Ämne 4.3 — Interoperabilitet och datastandarder, som detta ämne inte upprepar).

NHS-numret (NHS number) är den primära unika patientidentifieraren i England, Wales och Isle of Man — ett tiosiffrigt nummer med kontrollsumma som låter system upptäcka en felknappad siffra. Det är ankaret för patientmasterdata. Att koppla rätt NHS-nummer till rätt person är ett problem med journalkoppling (record linkage) — att hitta poster över olika källor som syftar på samma entitet — löst i England genom Personal Demographics Service (PDS), det nationella demografiska indexet, och lokalt genom ett Master Patient Index (MPI). När kopplingen misslyckas får ni dubbletter (en person, många journaler) eller överlappningar (overlays; två personer sammanslagna till en), båda farliga.

De operativa discipliner som håller kvaliteten hög är datastyrning (data governance) — ramverket av beslutsrättigheter och ansvar för data — och dataförvaltaren (data steward), den namngivna rollen ansvarig för kvaliteten och lämpligheten hos en definierad datadomän. Två tekniker återkommer: dataprofilering (data profiling), att undersöka data för att samla statistik om deras faktiska skick, och datarensning (data cleansing), att upptäcka och rätta korrumperade, oriktiga eller duplicerade poster. Förebyggande slår bot: datavalidering vid registreringen — valideringsregler och villkor som avvisar eller ifrågasätter dålig inmatning innan den kommer in i systemet — är billigare och säkrare än att rensa den senare.

Bästa praxis#

1. Definiera datakvalitet i de specifika dimensioner som spelar roll för varje dataset, och mät dem. ”Förbättra datakvaliteten” är inget mål; ”höj fullständigheten av NHS-nummer i akutdatasetet över det nationella tröskelvärdet” är det. Kom överens om vilka av korrekthet, fullständighet, aktualitet, giltighet, konsekvens och unikhet som spelar störst roll för varje kritiskt dataset, sätt mätbara mål och redovisa mot dem rutinmässigt. NHS Data Quality Maturity Index (DQMI) ger ett färdigt, jämförbart mått för många nationella dataset; använd det som baslinje och följ era egna lokala mått för de fält kliniker och ekonomi faktiskt är beroende av.

2. Validera vid registreringen, inte i en rensning nedströms. Det billigaste felet att rätta är det som aldrig kommer in i systemet, och den bäst placerade att rätta en post är den som skapar den, medan patienten står framför hen. Bygg in valideringsregler, obligatoriska fält, kontrollerade väljlistor och verifiering av NHS-numrets kontrollsumma i de formulär och gränssnitt personal faktiskt använder, och bekräfta identitet mot Personal Demographics Service vid registrering. Varje fel som fångas vid registreringen är ett fel som aldrig behöver hittas, utredas och vändas nedströms — efter att det kanske redan har orsakat skada.

3. Behandla NHS-numret som ett säkerhetskritiskt ankare och verifiera det överallt. NHS-numret är den enskilt mest värdefulla identifieraren i systemet eftersom det är nyckeln som länkar en persons journaler tryggt över organisationer. Spåra det mot Personal Demographics Service, validera dess kontrollsumma vid inmatning och flagga poster som saknar ett verifierat nummer i stället för att låta omatchade data flöda vidare. Ett provsvar, en remiss eller ett recept kopplat till fel nummer är en klinisk fara, så behandla kvaliteten på NHS-numret som en patientsäkerhetskontroll, övervakad och eskalerad som varje annan.

4. Inrätta masterdatahantering med en gyllene post för varje kärnentitet. Avgör medvetet vilket system som är huvudsystem för varje entitet — patienter, personal, organisationer, läkemedel — och hur en enda avstämd gyllene post sätts samman och underhålls från källsystemen. Kör ett Master Patient Index avstämt mot den nationella demografitjänsten, och förvalta en kontrollerad, granskningsbar process för att slå samman dubbletter och återställa felaktiga överlappningar, eftersom båda operationerna rör levande kliniska journaler och själva kan orsaka skada om de görs slarvigt. Utsträck samma stringens till personal- och organisationsmasterdata, som underbygger åtkomstkontroll, betalning och rapportering (se Ämne 4.2 — Identitets- och åtkomsthantering och Ämne 5.4 — Affärssystem (ERP), som äger företagsövergripande masterdata och ekonomimasterdata).

5. Namnge dataägare och dataförvaltare, och ge dem verklig befogenhet. Datakvalitet förfaller utan tydligt ansvar, så tilldela varje kritisk datadomän en senior dataägare ansvarig för den och en operativ dataförvaltare som övervakar, utreder och driver rättelse. Förvaltare behöver ställning, verktyg och tid — inte en rad tillagd i ett redan fullt jobb — och en väg att eskalera systemiska problem (ett trasigt formulär, ett förvirrande arbetsflöde, ett gränssnitt som tappar fält) till dem som kan åtgärda orsaken. Ägarskap förvandlar datakvalitet från allas vaga angelägenhet till någons uttryckliga ansvar.

6. Profilera före ni rensar, och rensa vid källan. Före varje förbättring eller migrering, profilera data för att förstå deras verkliga tillstånd — hur många poster som saknar ett NHS-nummer, hur många dubbletter som finns, vilka fält som systematiskt är felkodade — så att ni riktar ansträngningen där den räknas i stället för att gissa. När ni rensar, rätta posten i det system som är huvudsystem för den och åtgärda processen som producerade felet, inte bara kopian i ett nedströms datalager, annars kommer samma defekt helt enkelt tillbaka. Engångsrensningar som ignorerar orsaken är ett löpband; målet är att stänga kranen, inte bara torka golvet.

7. Anta nationella informationsstandarder och referensdata i stället för att uppfinna lokala koder. Konsekvens över organisationer är bara möjlig när alla klassificerar världen på samma sätt, med nationellt definierade standarder föreskrivna genom Data Alliance Partnership Board (DAPB)-processen (tidigare SCCI/ISB-standarder) och terminologier såsom SNOMED CT. Förvalta referensdata och kodlistor under versionshantering med en tydlig uppdateringsprocess, eftersom en i tysthet ändrad värdemängd bryter trendanalys och kan korrumpera logik nedströms. Lokala tillägg bör vara det sällsynta, styrda undantaget, mappade tillbaka till den nationella standarden (se Ämne 4.3 — Interoperabilitet och datastandarder).

8. Gör datakvalitet synlig för de människor vars beslut beror på den. Datakvaliteten förbättras när den syns — publicera kvalitetsmått till kliniska, operativa och ekonomiteam så att kostnaden för dåliga data landar där arbetet görs, inte begravd i ett datateam. Visa nedströmskonsumenter proveniensen och kända begränsningar hos de data de använder, så att en analytiker, ett betalningsteam eller en modellbyggare kan bedöma om de är lämpliga för deras syfte (se Ämne 10.1 — Nyckeltal (KPI)). Transparens om kvalitet bygger det förtroende som får människor att använda data överhuvudtaget, och obehaget av ett synligt rött mått är ofta det som till slut finansierar åtgärden.

Frågor att diskutera med ditt team#

1. Vilka specifika datafel i vår organisation skulle mest sannolikt kunna skada en patient, och hur skulle vi ens veta att de pågick? Detta omformar datakvalitet från en abstrakt dygd till en säkerhetsfråga med namngivna faror, vilket är den enda version som blir prioriterad. Gå igenom de konkreta felvägarna: en duplicerad journal som döljer en allergi, ett felverifierat NHS-nummer som felleder ett provsvar, en inaktuell kontaktuppgift som innebär att en tvåveckorsremiss (two-week-wait) aldrig når patienten. Det svåra är upptäckt — de flesta datafel är tysta, upptäcks först när skada inträffar eller en granskning snubblar över dem, så debattera om ni har något proaktivt sätt att hitta dem eller förlitar er på tur och klagomål. Ett bra, ärligt svar namnger era två eller tre farligaste datafaror, anger rakt om ni i dag skulle kunna upptäcka var och en och behandlar glappen som kliniska säkerhetsrisker att logga och äga (se Ämne 1.6 — Klinisk säkerhet och riskhantering) snarare än som ordning att ta itu med så småningom.

2. Var finns den enda källan till sanning för våra kärnentiteter — patienter, personal, organisationer, läkemedel — och respekterar våra system den faktiskt? Många organisationer upptäcker, när de tittar, att samma patient finns olika i det patientadministrativa systemet, akutsystemet, patologisystemet och tre avdelningsdatabaser, utan överenskommelse om vilket som är auktoritativt. Diskutera, entitet för entitet, vilket system som är tänkt att vara huvud för den, hur en gyllene post sätts samman och hur dubbletter och överlappningar hittas och löses — inklusive vem som får slå samman två poster, eftersom den operationen själv kan orsaka skada. Lyft spänningen mellan lokal autonomi (avdelningar som vill ha en egen kopia de kan kontrollera) och systemomfattande säkerhet (en avstämd sanning), och var ärliga med att masterdatahantering är kontinuerligt förvaltarskap, inte en engångsmigrering. Ett starkt svar identifierar huvudsystemet för varje entitet, erkänner var det i dag saknas en överenskommen källa till sanning och förbinder sig till en namngiven ägare och en avstämningsprocess snarare än en databasrensning som i tysthet förfaller igen.

3. När våra data matar en betalning, en nationell rapportering, ett affärscase eller en AI-modell, vems jobb är det att veta om de är lämpliga för det syftet? Data som fångats av ett skäl återanvänds ständigt för andra, och kvalitet som är tillräcklig för en klinisk anteckning kan vara farligt vilseledande i en algoritm eller en finansieringsformel. Debattera vem som är ansvarig för att bedöma lämplighet vid återanvändning: känner analytikern, ekonomichefen eller modellbyggaren till proveniens, fullständighet och kända brister hos de data de förlitar sig på, eller antar de att de är rena för att de ser prydliga ut? Beakta konkreta fall — ett kodningsglapp som i tysthet underskattar aktivitet och därmed intäkter, eller ett demografiskt fält med partisk saknad data som snedvrider en AI-modell mot en patientgrupp (se Ämne 8.4 — Styrning av AI och ny teknik och Ämne 1.8 — Dataetik, samtycke och allmänhetens förtroende). Ett bra svar fastslår att lämplighet för ändamålet bedöms uttryckligen vid varje återanvändning, att data bär synlig proveniens och kvalitetsförbehåll och att ingen i tysthet litar på tal vars begränsningar de aldrig har sett.

4. Förebygger vi fel vid registreringen, eller skjuter vi i tysthet över bördan av datakvalitet på redan ansträngda kliniker? Förebyggande vid källan är den billigaste och säkraste formen av datakvalitet, men den lever eller dör i designen av de formulär och arbetsflöden personal faktiskt använder under press. Diskutera om era registreringsskärmar genuint hjälper — kontrollsummevalidering, kontrollerade väljlistor, PDS-verifierad identitet, förnuftiga standardvärden — eller om de i stället staplar obligatoriska fält och varningar på en upptagen registreringsdisk tills människor lär sig klicka förbi dem. Det finns en verklig spänning här: för lite validering låter dåliga data flöda vidare, men klumpig validering föder kringgåenden, dummyvärden och larmtrötthet som korrumperar data på subtilare sätt. Titta på var personal skriver ”okänt”, återanvänder ett standardvärde eller för ett privat kalkylblad för att undvika ett smärtsamt arbetsflöde, eftersom var och en är en signal att systemet kämpar mot arbetet snarare än stödjer det. Ett ärligt svar behandlar registreringsdesign som ett gemensamt kliniskt, operativt och dataproblem, testar den med dem som använder den och mäter om validering faktiskt minskar fel nedströms snarare än bara flyttar dem.

5. Har de vi kallar dataägare och dataförvaltare ställningen, tiden och verktygen att ändra något, eller är förvaltarskap en titel påklistrad ett redan fullt jobb? Datakvalitet förfaller utan tydligt ansvar, men att namnge en ägare på en bild är inte detsamma som att resursera en, och förvaltarskap misslyckas i tysthet när den namngivna personen varken har befogenhet eller kapacitet. Debattera vad era förvaltare faktiskt kan göra när de finner ett systemiskt problem — ett trasigt gränssnitt som tappar fält, ett förvirrande formulär, ett arbetsflöde som tillverkar dubbletter: kan de få det åtgärdat, eller kan de bara logga det och hoppas? Lyft avvägningen mellan att sprida förvaltarskap tunt över många människor som var och en gör lite i marginalen, och att koncentrera det i ett mindre antal genuint resursatta roller med avsatt tid och tillhandahållna verktyg. Beakta om förvaltare har en verklig eskaleringsväg till dem som äger de orsakande systemen och processerna, och om senior dataägare hålls ansvariga för kvaliteten i sin domän. Ett bra svar är ärligt om huruvida förvaltarskap för närvarande är verkligt eller ceremoniellt, och förbinder sig till befogenhet, tid och verktyg snarare än ännu ett ofinansierat ansvar.

6. Hur förvaltar vi nationella standarder och referensdata över tid, och vad händer när en kodlista eller terminologi ändras under oss? Referensdata och terminologier såsom SNOMED CT definieras externt och förändras långsamt men kontinuerligt, och en i tysthet uppdaterad värdemängd kan bryta trendanalys eller korrumpera logik nedströms utan att någon märker det. Diskutera om era kodlistor och mappningar står under versionshantering med en tydlig uppdateringsprocess, eller om de bor i odokumenterade uppslagstabeller någon redigerar på plats. Granska draget mot att uppfinna lokala koder när den nationella standarden känns besvärlig, och var ärliga om den långsiktiga kostnaden: lokala klassificeringar gör era data omöjliga att jämföra eller aggregera med någon annans och blir en permanent mappningsbörda (se Ämne 4.3 — Interoperabilitet och datastandarder). Beakta hur ni ens skulle upptäcka att ett referensvärde ändrats, och hur ni skulle bedöma påverkan på de analyser, betalningar och modeller som beror på det. Ett starkt svar behandlar referensdata som en styrd, versionshanterad tillgång med en namngiven process för att anta nationella ändringar, håller lokala tillägg sällsynta och mappade tillbaka till standarden och kan spåra vilka nedströmsanvändningar en ändring skulle beröra.

I praktiken: ett exempel från hälsa och vård#

Northmoor Integrated Care System driver en delad vårdjournal som spänner över två akutsjukhus, ett psykiatrisjukhus, närsjukvårdstjänster och 60 allmänläkarpraktiker. Efter en allvarlig incident — en patients svåra penicillinallergi som registrerats på ett sjukhus var osynlig på ett annat eftersom journalen inte hade kopplats, och patienten förskrevs läkemedlet — behandlar styrelsen datakvalitet som en klinisk säkerhetsprioritet snarare än en back office-angelägenhet. En snabb översyn finner att grundorsaken är masterdata: samma patienter finns som dubbletter över system, och verifieringen av NHS-nummer är inkonsekvent vid ytterdörren.

ICS inrättar ett forum för datastyrning med en namngiven senior dataägare för patientmasterdata och operativa dataförvaltare vid varje vårdgivare. Deras första handling är att profilera beståndet: de upptäcker att verifiering av NHS-nummer mot Personal Demographics Service sker tillförlitligt i vissa registreringsarbetsflöden och inte i andra, och att den delade journalen innehåller en betydande population av duplicerade och omatchade poster. I stället för en massrensning åtgärdar de orsaken först — verkställer PDS-verifiering och kontrollsummevalidering vid varje registreringspunkt — så att dubblettpopulationen slutar växa medan de arbetar sig igenom efterfrågelistan.

De upprättar ett Master Patient Index avstämt mot den nationella demografitjänsten, med en kontrollerad, granskad, kliniskt övervakad process för att slå samman dubbletter och återställa felaktiga överlappningar, i insikt om att båda operationerna rör levande journaler. De antar NHS Data Quality Maturity Index som en extern baslinje för sina nationella datasetinlämningar och lägger till lokala mått för de fält kliniker mest är beroende av — allergier, fullständighet av NHS-nummer, centrala demografiska uppgifter — och publicerar dem till varje vårdgivares kliniska och operativa ledare så att talen inte kan ignoreras.

Arton månader senare syns förändringen i utfall, inte bara instrumentpaneler: verifiering av NHS-nummer är nästan universell vid registreringen, dubblettfrekvensen sjunker och allergiinformation stäms tillförlitligt av över den delade journalen. När ICS senare avgränsar en riskstratifieringsmodell för befolkningshälsa kan analysteamet ange proveniens och fullständighet hos de underliggande data och flagga var saknad data kan snedvrida modellen, eftersom masterdata och kvalitetsmått nu finns för att stödja det omdömet (se Ämne 4.5 — Data, analys och hantering av befolkningshälsa). Det oglamorösa arbetet — ett styrforum, förvaltare, validering vid registreringen, ett MPI — förvandlade en osynlig, skadlig risk till en hanterad.

Sektorperspektiv#

Startup-företag#

Ett digitalt hälsoföretag i startfasen behandlar ofta datakvalitet som ett framtida problem, fokuserar på funktioner och accepterar röriga data för att röra sig snabbt. Det är ett misstag med hälsodata, där en felmatchad patient eller ett overifierat NHS-nummer är en säkerhetsfråga från den första levande patienten, inte den tusende. Bygg in validering, verifiering av NHS-numrets kontrollsumma och — där ni kan nå den — matchning mot Personal Demographics Service i era registreringsflöden från början, eftersom att eftermontera identitetsdisciplin när ni har ett stort korpus av omatchade poster är smärtsamt och riskfyllt. Er trovärdighet hos NHS-köpare beror på att kunna visa att era data är pålitliga, att deras proveniens är tydlig och att ni inte kommer att förorena deras masterdata när ni integrerar.

Småföretag#

En etablerad liten vårdgivare — en läkarpraktik, ett närapotek, ett vårdhem eller en klinik på en enda ort — bär samma plikt att få identitet och allergier rätt som ett stort sjukhus, men utan datateam och ofta utan dedikerad IT. Här är masterdatahantering inte ett plattformsprojekt; det är den disciplinerade användningen av de verktyg ni redan har: att verifiera NHS-numret mot Personal Demographics Service vid registrering, hålla demografiska uppgifter aktuella och inte låta dubbletter ackumuleras i ert kliniska system. Luta er mot den nationella infrastruktur som tillhandahålls åt er — PDS, SNOMED CT, nationella organisationskoder — i stället för att uppfinna lokala genvägar, eftersom den gör det tunga arbete en liten organisation inte kan. Namnge en person som praktisk ägare av datakvalitet även om det är en del av en bredare roll, och använd er systemleverantörs funktioner för validering, matchning och dubblettborttagning i stället för att tolerera röriga data för att ”vi är för små för att bry oss” — skadan av en felaktig journal är lika stor oavsett organisation.

Storföretag#

Ett stort NHS-sjukhus (trust) eller ICS driver dussintals system som var och ett håller sin egen version av patienter, personal och organisationer, så dess centrala utmaning är avstämning och förvaltarskap i skala. Det realistiska målet är ett styrt Master Patient Index och ett litet antal auktoritativa gyllene poster, verkställda genom gränssnitt och validering, inte en enda monolitisk databas som ersätter allt. Investera i namngivna dataägare och dataförvaltare med verklig befogenhet, knyt masterdata till identitets- och åtkomsthantering och till betalning, och behandla sammanslagningar och överlappningar som kliniskt övervakade operationer eftersom de i denna skala rör levande vård. De största vinsterna kommer av förebyggande vid registreringen och disciplinerat antagande av nationella standarder tillämpat konsekvent, snarare än heroiska periodiska rensningar som förfaller i samma stund de är klara.

Staten#

Ett nationellt organ — NHS England, och de standardorgan som efterträdde NHS Digital — formar den datakvalitetsmiljö varje vårdgivare arbetar i. Det driver den gemensamma infrastruktur som gör lokal kvalitet möjlig: Personal Demographics Service som det nationella demografiska indexet, NHS-numret som den gemensamma nyckeln, nationella terminologier och referensdata, och Data Quality Maturity Index som gör prestanda jämförbar över organisationer. Dess hävstång är att föreskriva informationsstandarder genom Data Alliance Partnership Board-processen, att publicera jämförbara kvalitetsmått som skapar förbättringstryck och att förvalta referensdata så att alla klassificerar världen på samma sätt. Staten bär också jämlikhetsplikten: att bevaka partisk saknad data och säkerställa att datakvalitet inte i tysthet missgynnar grupper vars journaler är minst fullständiga (se Ämne 9.1 — Samarbete med lokala och nationella myndigheter).

Vanliga felmönster#

• Rensa för evigt, åtgärda ingenting. Upprepade rensningar nedströms som aldrig adresserar registreringsprocessen är ett löpband; samma dubbletter och fel återkommer varje cykel. Åtgärda orsaken vid källan.
• Giltigt men fel. En post som klarar formatvalidering kan ändå vara oriktig — ett korrekt formaterat men felaktigt NHS-nummer är farligare än ett tomt eftersom det ser pålitligt ut. Validera mot verkliga referenskällor, inte bara format.
• Ingen namngiven ägare. När datakvalitet är allas angelägenhet är den ingens jobb; problem beundras på möten och löses aldrig. Tilldela ansvariga ägare och bemyndigade förvaltare.
• Masterdata av en slump. Att låta varje system hålla sin egen avvikande kopia av patienter eller organisationer, utan överenskommen källa till sanning, garanterar inkonsekvens och farliga dubbletter. Avgör medvetet vad som är huvudsystem för varje entitet.
• Hänsynslösa sammanslagningar och överlappningar. Att slå samman två poster eller dela en felaktigt sammanslagen rör levande kliniska data; gjort utan kontroll eller klinisk tillsyn kan det dölja eller felattribuera kritisk information. Gör det till en granskad, övervakad process.
• Lokala koder som bryter jämförbarhet. Att uppfinna lokala klassificeringar i stället för att använda nationella standarder gör data omöjliga att jämföra eller aggregera och korrumperar trendanalys när de ändras i tysthet. Anta och versionshantera nationell referensdata.
• Tyst återanvändning. Att mata data av okänd kvalitet in i betalningar, nationella rapporteringar eller AI-modeller utan att ange deras proveniens och begränsningar sprider dolda fel i skala. Gör lämplighet för ändamålet till ett uttryckligt omdöme vid varje återanvändning.

Mognadsmodell#

Checklista#

• Kritiska dataset har överenskomna kvalitetsdimensioner, mätbara mål och rutinmässig rapportering, jämförda där det är möjligt mot DQMI.
• NHS-numret kontrollsummevalideras och verifieras mot Personal Demographics Service vid varje registreringspunkt.
• Varje kärnentitet (patient, personal, organisation, läkemedel) har ett utsett huvudsystem och en gyllene post.
• Ett Master Patient Index är avstämt mot den nationella demografitjänsten, med en granskad, kliniskt övervakad process för sammanslagning och överlappning.
• Varje kritisk datadomän har en namngiven dataägare och en bemyndigad dataförvaltare med verktyg och en eskaleringsväg.
• Data profileras före migrering eller förbättring, och rensning åtgärdar källsystemet och den orsakande processen, inte bara kopior nedströms.
• Nationella informationsstandarder och terminologier (via DAPB-processen, SNOMED CT) antas, och referensdata är versionshanterad.
• Datakvalitetsmått publiceras till de kliniska, operativa och ekonomiteam vars beslut beror på data.
• Proveniens och kända kvalitetsbegränsningar följer med data när de återanvänds för betalning, nationell rapportering, forskning eller AI.
• Datakvalitetsfaror med hög skada loggas och ägs som kliniska säkerhetsrisker, med ett sätt för proaktiv upptäckt.

Viktiga källor#

• NHS England / NHS Digital — Data Quality Maturity Index (DQMI) — ett månatligt jämförbart mått på datakvalitet över nationella dataset.
• NHS England — Personal Demographics Service (PDS) och vägledning om NHS-nummer — det nationella demografiska indexet och den primära patientidentifieraren.
• NHS England — Information standards publicerade genom Data Alliance Partnership Board (DAPB)-processen (tidigare SCCI/ISB-standarder).
• DAMA International — DMBOK (Data Management Body of Knowledge) — det erkända ramverket för datastyrning, datakvalitet och masterdatahantering.
• SNOMED International / NHS England — den kliniska terminologin SNOMED CT och dm+d (dictionary of medicines and devices) för läkemedelsmasterdata och referensdata.
• HM Government — Data Standards Authority och Government Data Quality Framework — tvärstatlig vägledning om datakvalitetsdimensioner och förvaltarskap.
• National Data Guardian — Caldicott-principerna — om lämplig användning och kvalitet hos konfidentiell patientinformation.

Referenser#

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