موضوع 4.9 — ڈیٹا کا معیار اور ماسٹر ڈیٹا کا انتظام

صحت اور نگہداشت میں غلط NHS نمبر، گمشدہ الرجی یا مریض کا دہرا ریکارڈ ڈیٹا کی صفائی کا مسئلہ نہیں بلکہ طبی خطرہ، ادائیگی کی غلطی اور تحقیق کی خامی ہے، اس لیے ڈیٹا کے معیار اور ماسٹر ڈیٹا کے انتظام کو نامزد مالکان کے ساتھ منظم نظم و ضبط کے طور پر چلانا چاہیے — اندراج کے مقام پر اتفاق پر نہیں چھوڑنا چاہیے۔

یہ صحت اور نگہداشت میں کیوں اہم ہے#

ہر طبی فیصلہ اس ڈیٹا پر قائم ہے جو کسی نے پہلے ریکارڈ کیا: جھنڈا لگی الرجی، فائل ہوا نتیجہ، ہم آہنگ کی گئی دوا، تصدیق شدہ شناخت۔ جب وہ ڈیٹا درست، مکمل اور درست شخص سے جڑا ہو تو نگہداشت محفوظ بہتی ہے۔ جب وہ غلط، غائب یا غلط شخص سے جڑا ہو تو نظام بالکل وہی کرتا ہے جو اسے کہا گیا — اور کسی کو نقصان پہنچاتا ہے۔ دہرا ریکارڈ اس چارٹ پر نازک الرجی چھپا دیتا ہے جسے معالج نہیں دیکھ رہا؛ غلط ٹائپ شدہ NHS نمبر نتیجہ غلط مریض کی فائل میں بھیج دیتا ہے؛ پرانا پتہ مطلب ہے کہ کینسر اسکریننگ کی دعوت کبھی نہیں پہنچتی۔ یہ فرضی نہیں: غلط شناخت اور ریکارڈ کی الجھن سے جڑے مریض کے تحفظ کے واقعات قومی تحفظ کی رپورٹنگ میں بار بار آنے والا موضوع ہیں۔

اس لیے ڈیٹا کا معیار تجزیاتی مسئلہ بننے سے پہلے طبی تحفظ کا مسئلہ ہے (دیکھیے موضوع 1.6 — طبی تحفظ اور خطرات کا انتظام)۔ یہ عوامی پیسے اور انصاف کا سوال بھی ہے۔ NHS فراہم کنندگان کو ادائیگی کرتا، خدمات کی منصوبہ بندی کرتا اور انہیں اس بنیاد پر جواب دہ ٹھہراتا ہے جو ڈیٹا بتاتا ہے کہ ہوا؛ اگر سرگرمی کم ریکارڈ یا غلط کوڈ ہو تو غلط فراہم کنندہ کو غلط رقم ملتی ہے اور کمیشننگ کے فیصلے بگڑی تصویر پر قائم ہوتے ہیں۔ آبادی کی صحت کے تجزیات، انتظار کی فہرست کی توثیق اور صحت کی عدم مساوات کا کام سب بنیادی ریکارڈز کے معیار کے وارث ہیں (دیکھیے موضوع 4.5 — ڈیٹا، تجزیات اور آبادی کی صحت کا انتظام)۔

جیسے جیسے ڈیٹا دوبارہ استعمال ہوتا ہے داؤ تیزی سے بڑھتے ہیں۔ مصروف فرنٹ ڈیسک پر ایک بار ریکارڈ ہوا اندراج بعد میں الگورتھم کو تربیت دے سکتا ہے، کاروباری مقدمے کا جواز بن سکتا ہے، قومی ڈیٹا سیٹ کو غذا دے سکتا ہے اور ادائیگی کا تنازع نمٹا سکتا ہے۔ پرانا مقولہ — گاربیج اِن، گاربیج آؤٹ — اب گاربیج اِن، ہارم آؤٹ بن گیا ہے، کیونکہ ناقص ڈیٹا اب مصنوعی ذہانت کے ماڈلوں اور خودکار فیصلوں میں خودکار اور پیمانے پر پھیلتا ہے (دیکھیے موضوع 8.4 — مصنوعی ذہانت اور ابھرتی ٹیکنالوجی کی نظامت)۔ اور ماسٹر ڈیٹا — مشترکہ، آہستہ بدلنے والے حقائق کہ مریض، عملہ، ادارے اور ادویات کیا ہیں — وہ جوڑنے والا بافت ہے جو درجنوں نظاموں کو اتفاق کرنے دیتا ہے کہ وہ ایک ہی شخص کی بات کر رہے ہیں۔ ماسٹر ڈیٹا غلط ہو تو ہر نچلا نظام الجھن وراثت میں پاتا ہے۔

بنیادی تصورات#

ڈیٹا کا معیار وہ حد ہے جس تک ڈیٹا عملیات، فیصلہ سازی اور منصوبہ بندی میں اپنے مطلوبہ استعمال کے لیے موزوں ہو۔ اسے روایتی طور پر ابعاد کے مجموعے میں جانچا جاتا ہے۔ درستگی یہ ہے کہ ڈیٹا اس حقیقی دنیا کی چیز کو صحیح بیان کرتا ہے جس کی وہ نمائندگی کرتا ہے؛ مکمل ہونا یہ ہے کہ مطلوبہ ڈیٹا موجود ہے؛ بروقتی یہ ہے کہ ضرورت پر دستیاب ہے اور موجودہ حالت کی عکاسی کرتا ہے؛ جواز یہ ہے کہ متعین شکل، قسم اور حد کے مطابق ہے؛ یکسانیت یہ ہے کہ اپنے آپ اور دوسرے ماخذ سے مطابقت رکھتا ہے؛ اور یکتا پن یہ ہے کہ ہر حقیقی دنیا کی ہستی ایک اور صرف ایک بار ظاہر ہوتی ہے۔ ریکارڈ جائز (درست شکل میں) مگر غلط (نادرست) ہو سکتا ہے، اس لیے ابعاد تکمیلی ہیں، باہم بدلنے والے نہیں۔

ماسٹر ڈیٹا کا انتظام (MDM) وہ نظم و ضبط ہے جس سے کاروبار اور ٹیکنالوجی مل کر ادارے کے مشترکہ ماسٹر ڈیٹا کی یکسانیت، درستگی، نگہبانی اور جواب دہی یقینی بناتے ہیں — بنیادی ہستیاں جن کا بہت سے نظام حوالہ دیتے ہیں: مریض، عملہ، ادارے، مقامات اور ادویات۔ MDM کا عزم سنہری ریکارڈ ہے: ہر ہستی کا واحد، قابلِ اعتماد، ہم آہنگ ورژن، کئی ماخذ نظاموں سے جوڑا ہوا، جو مستند حوالے کا کام کرتا ہے۔ یہ واحد ماخذ حقیقت کے خیال سے قریبی تعلق رکھتا ہے — ہر ڈیٹا عنصر کو ٹھیک ایک مستند جگہ پر ماسٹر کرنے کی عادت تاکہ باقی سب اس کا حوالہ دیں، اپنی الگ الگ نقل نہ رکھیں۔

حوالہ ڈیٹا مخصوص، اہم ذیلی قسم ہے۔ حوالہ ڈیٹا وہ ڈیٹا ہے جو دوسرے ڈیٹا کی درجہ بندی یا زمرہ بندی کے لیے استعمال ہوتا ہے — کوڈ کی فہرستیں، ویلیو سیٹس، اداروں کے کوڈ، پیمائش کی اکائیاں — جو عموماً باہر سے متعین ہوتا اور آہستہ بدلتا ہے۔ صحت اور نگہداشت میں اس میں SNOMED CT جیسی طبی اصطلاحیات اور قومی ادارے اور مقام کے کوڈ شامل ہیں؛ ان کے معیارات قومی طور پر ملکیت میں ہیں اور معلوماتی معیارات کے طور پر لازمی ہیں (باہمی عملیت اور تبادلے کا احاطہ موضوع 4.3 — باہمی عملیت اور ڈیٹا معیارات میں ہے، جسے یہ موضوع نہیں دہراتا)۔

NHS نمبر انگلینڈ، ویلز اور آئل آف مین میں بنیادی یکتا مریض شناخت کنندہ ہے — چیک سم والا دس ہندسوں کا عدد جو نظاموں کو غلط ٹائپ شدہ ہندسے کی شناخت کرنے دیتا ہے۔ یہ مریض کے ماسٹر ڈیٹا کا لنگر ہے۔ درست NHS نمبر کو درست شخص سے جوڑنا ریکارڈ کے ربط کا مسئلہ ہے — مختلف ماخذ میں وہ ریکارڈ ڈھونڈنا جو ایک ہی ہستی کی طرف اشارہ کرتے ہیں — جو انگلینڈ میں قومی آبادیاتی اشاریہ Personal Demographics Service (PDS) کے ذریعے، اور مقامی طور پر Master Patient Index (MPI) کے ذریعے حل ہوتا ہے۔ جب ربط ناکام ہو تو آپ کو دہرے ریکارڈ (ایک شخص، بہت سے ریکارڈ) یا اوورلے (دو افراد ایک میں ضم) ملتے ہیں، دونوں خطرناک۔

معیار کو بلند رکھنے والے عملیاتی نظم و ضبط ڈیٹا کی نظامت — ڈیٹا کے لیے فیصلے کے حقوق اور جواب دہیوں کا ڈھانچہ — اور ڈیٹا کا نگہبان ہیں، نامزد کردار جو متعین ڈیٹا کے دائرے کے معیار اور موزونیت کا ذمہ دار ہے۔ دو تکنیکیں بار بار آتی ہیں: ڈیٹا کی پروفائلنگ، اس کی اصل حالت کے اعداد و شمار جمع کرنے کے لیے ڈیٹا کا معائنہ، اور ڈیٹا کی صفائی، خراب، غلط یا دہرے ریکارڈز کی شناخت اور درستی۔ روک تھام علاج سے بہتر ہے: اندراج کے مقام پر ڈیٹا کی توثیق — توثیق کے قواعد اور پابندیاں جو بُرا ان پٹ نظام میں داخل ہونے سے پہلے مسترد یا سوال کرتی ہیں — بعد میں صاف کرنے سے سستی اور محفوظ ہے۔

بہترین طریقے#

1. ہر ڈیٹا سیٹ کے لیے اہم مخصوص ابعاد میں ڈیٹا کا معیار متعین کریں اور انہیں ناپیں۔ "ڈیٹا کا معیار بہتر کریں" مقصد نہیں؛ "ہنگامی ڈیٹا سیٹ پر NHS نمبر کی تکمیل قومی حد سے اوپر لے جائیں" مقصد ہے۔ ہر اہم ڈیٹا سیٹ کے لیے متفق ہوں کہ درستگی، مکمل ہونا، بروقتی، جواز، یکسانیت اور یکتا پن میں سے کون سے سب سے زیادہ اہم ہیں، ناپے جانے والے ہدف طے کریں، اور ان کے مقابل باقاعدگی سے رپورٹ کریں۔ NHS Data Quality Maturity Index (DQMI) بہت سے قومی ڈیٹا سیٹس کے لیے تیار شدہ، قابلِ موازنہ پیمانہ دیتا ہے؛ اسے بنیاد کے طور پر استعمال کریں اور ان خانوں کے لیے اپنے مقامی پیمانے ٹریک کریں جن پر معالجین اور مالیات واقعی انحصار کرتے ہیں۔

2. اندراج کے مقام پر توثیق کریں، نچلی سطح کی صفائی میں نہیں۔ سب سے سستی غلطی وہ ہے جو کبھی نظام میں داخل نہ ہو، اور ریکارڈ درست کرنے کے لیے بہترین جگہ پر وہ شخص ہے جو اسے بنا رہا ہے، جب مریض اس کے سامنے ہے۔ توثیق کے قواعد، لازمی خانے، قابو شدہ چننے کی فہرستیں اور NHS نمبر کے چیک سم کی تصدیق ان فارموں اور انٹرفیسز میں بنائیں جو عملہ واقعی استعمال کرتا ہے، اور اندراج پر Personal Demographics Service کے مقابل شناخت کی تصدیق کریں۔ اندراج پر پکڑی گئی ہر غلطی وہ غلطی ہے جسے نیچے ڈھونڈنا، تفتیش کرنا اور پلٹنا نہیں پڑتا — اس کے بعد جب وہ پہلے ہی نقصان کر چکی ہو۔

3. NHS نمبر کو تحفظ کے لیے اہم لنگر سمجھیں اور ہر جگہ اس کی تصدیق کریں۔ NHS نمبر نظام میں واحد قیمتی ترین شناخت کنندہ ہے کیونکہ یہی وہ کلید ہے جو اداروں کے پار شخص کے ریکارڈز کو محفوظ طور پر جوڑتی ہے۔ اسے Personal Demographics Service کے مقابل سراغ لگائیں، اندراج پر اس کا چیک سم توثیق کریں، اور غیر ملاپ شدہ ڈیٹا کو آگے بہنے دینے کے بجائے ان ریکارڈز پر جھنڈا لگائیں جن میں تصدیق شدہ نمبر نہیں۔ غلط نمبر سے جڑا نتیجہ، ریفرل یا نسخہ طبی خطرہ ہے، اس لیے NHS نمبر کے معیار کو مریض کے تحفظ کا کنٹرول سمجھیں، کسی بھی دوسرے کی طرح مانیٹر اور بالا رجوع کیا گیا۔

4. ہر بنیادی ہستی کے لیے سنہری ریکارڈ کے ساتھ ماسٹر ڈیٹا کا انتظام قائم کریں۔ دانستہ فیصلہ کریں کہ کون سا نظام ہر ہستی — مریض، عملہ، ادارے، ادویات — کو ماسٹر کرتا ہے اور ماخذ نظاموں سے واحد ہم آہنگ سنہری ریکارڈ کیسے جوڑا اور برقرار رکھا جاتا ہے۔ قومی آبادیاتی خدمت کے مقابل ہم آہنگ کردہ Master Patient Index چلائیں، اور دہرے ریکارڈز ضم کرنے اور غلط اوورلے الگ کرنے کا قابو شدہ، قابلِ آڈٹ عمل منظم کریں، کیونکہ دونوں عمل زندہ طبی ریکارڈز کو چھوتے ہیں اور لاپرواہی سے کیے جائیں تو خود نقصان پہنچا سکتے ہیں۔ یہی سختی عملے اور اداروں کے ماسٹر ڈیٹا تک بڑھائیں، جو رسائی کے کنٹرول، ادائیگی اور رپورٹنگ کی بنیاد ہے (دیکھیے موضوع 4.2 — شناخت اور رسائی کا انتظام، اور موضوع 5.4 — انٹرپرائز ریسورس پلاننگ (ERP)، جو کارپوریٹ/مالی ماسٹر ڈیٹا کا مالک ہے)۔

5. ڈیٹا کے مالکان اور نگہبانوں کے نام لیں، اور انہیں حقیقی اختیار دیں۔ واضح جواب دہی کے بغیر ڈیٹا کا معیار بگڑتا ہے، اس لیے ہر اہم ڈیٹا کے دائرے کو سینئر ڈیٹا کا مالک دیں جو اس کا جواب دہ ہو اور عملیاتی ڈیٹا کا نگہبان جو مانیٹر کرے، تفتیش کرے اور درستی چلائے۔ نگہبانوں کو حیثیت، آلات اور وقت چاہیے — پہلے سے بھرے کام میں جوڑی گئی ایک سطر نہیں — اور نظامی مسائل (ٹوٹا ہوا فارم، الجھانے والا کام کا بہاؤ، انٹرفیس جو خانے گرا دے) ان لوگوں تک بالا رجوع کرنے کا راستہ جو سبب ٹھیک کر سکیں۔ ملکیت ڈیٹا کے معیار کو سب کی مبہم فکر سے کسی کی صریح ذمہ داری میں بدل دیتی ہے۔

6. صاف کرنے سے پہلے پروفائل کریں، اور ماخذ پر صاف کریں۔ کسی بھی بہتری یا منتقلی سے پہلے ڈیٹا کی حقیقی حالت سمجھنے کے لیے پروفائل کریں — کتنے ریکارڈز میں NHS نمبر نہیں، کتنے دہرے موجود ہیں، کون سے خانے منظم طور پر غلط کوڈ ہیں — تاکہ آپ اندازے کے بجائے وہاں کوشش لگائیں جہاں وہ شمار ہو۔ جب صاف کریں تو اس نظام میں ریکارڈ ٹھیک کریں جو اسے ماسٹر کرتا ہے اور اس عمل کو حل کریں جس نے غلطی پیدا کی، صرف نچلے گودام میں نقل کو نہیں، ورنہ وہی نقص دوبارہ ظاہر ہو جائے گا۔ سبب کو نظرانداز کرنے والی ایک بار کی صفائیاں ٹریڈمل ہیں؛ مقصد صرف فرش پونچھنا نہیں بلکہ نل بند کرنا ہے۔

7. مقامی کوڈ ایجاد کرنے کے بجائے قومی معلوماتی معیارات اور حوالہ ڈیٹا اپنائیں۔ اداروں کے پار یکسانیت تبھی ممکن ہے جب سب دنیا کی درجہ بندی ایک ہی طرح کریں، Data Alliance Partnership Board (DAPB) کے عمل (پہلے SCCI/ISB معیارات) سے لازمی کیے گئے قومی طور پر متعین معیارات اور SNOMED CT جیسی اصطلاحیات استعمال کرتے ہوئے۔ حوالہ ڈیٹا اور کوڈ کی فہرستیں ورژن کنٹرول اور واضح اپ ڈیٹ کے عمل کے تحت منظم کریں، کیونکہ خاموشی سے بدلی ہوئی ویلیو سیٹ رجحان کا تجزیہ توڑتی اور نچلی منطق بگاڑ سکتی ہے۔ مقامی توسیعات نادر، منظم استثنا ہونی چاہییں، قومی معیار کی طرف واپس نقشہ بند (دیکھیے موضوع 4.3 — باہمی عملیت اور ڈیٹا معیارات)۔

8. ڈیٹا کے معیار کو ان لوگوں کو نظر آنے والا بنائیں جن کے فیصلے اس پر منحصر ہیں۔ ڈیٹا کا معیار تب بہتر ہوتا ہے جب نظر آئے — معیار کے پیمانے طبی، عملیاتی اور مالی ٹیموں کو شائع کریں تاکہ ناقص ڈیٹا کی لاگت وہاں پڑے جہاں کام ہوتا ہے، ڈیٹا ٹیم میں دبی نہ رہے۔ نچلے صارفین کو ان کے استعمال کیے ڈیٹا کا ماخذ اور معلوم حدود دکھائیں، تاکہ تجزیہ کار، ادائیگی کی ٹیم یا ماڈل بنانے والا اندازہ لگا سکے کہ آیا یہ ان کے مقصد کے لیے موزوں ہے (دیکھیے موضوع 10.1 — کلیدی کارکردگی اشاریے (KPIs))۔ معیار کے بارے میں شفافیت وہ اعتماد بناتی ہے جو لوگوں سے ڈیٹا استعمال کراتا ہے، اور نظر آنے والے سرخ پیمانے کی بے آرامی اکثر وہی ہے جو بالآخر اصلاح کو فنڈ کرتی ہے۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات#

1. ہماری تنظیم میں ڈیٹا کی کون سی مخصوص غلطیاں مریض کو سب سے زیادہ ممکنہ طور پر نقصان پہنچا سکتی ہیں، اور ہمیں کیسے پتا چلے گا کہ وہ ہو رہی ہیں؟ یہ ڈیٹا کے معیار کو مجرد خوبی سے نامزد خطرات والے تحفظ کے سوال میں بدلتا ہے، جو واحد ڈھانچہ ہے جسے ترجیح ملتی ہے۔ ٹھوس ناکامی کے راستوں پر کام کریں: دہرا ریکارڈ جو الرجی چھپاتا ہے، غلط تصدیق شدہ NHS نمبر جو نتیجہ غلط سمت بھیجتا ہے، پرانی رابطہ تفصیل جس کا مطلب ہے کہ دو ہفتے کے انتظار کا ریفرل مریض تک کبھی نہیں پہنچتا۔ مشکل حصہ شناخت ہے — زیادہ تر ڈیٹا کی غلطیاں خاموش ہیں، صرف تب دریافت ہوتی ہیں جب نقصان ہو یا آڈٹ ان پر ٹھوکر کھائے، اس لیے بحث کریں کہ کیا آپ کے پاس انہیں ڈھونڈنے کا کوئی فعال طریقہ ہے یا آپ قسمت اور شکایات پر انحصار کر رہے ہیں۔ اچھا، دیانت دار جواب آپ کے دو تین سب سے زیادہ نقصان والے ڈیٹا کے خطرات کا نام لیتا ہے، صاف بتاتا ہے کہ آیا آپ ہر ایک کو اس وقت شناخت کر سکتے ہیں، اور خلاؤں کو صفائی کے کام کے بجائے جسے کسی دن کیا جائے، طبی تحفظ کے خطرات سمجھتا ہے جنہیں لاگ اور ملکیت دی جائے (دیکھیے موضوع 1.6 — طبی تحفظ اور خطرات کا انتظام)۔

2. ہماری بنیادی ہستیوں — مریض، عملہ، ادارے، ادویات — کے لیے واحد ماخذ حقیقت کہاں ہے، اور کیا ہمارے نظام واقعی اس کا احترام کرتے ہیں؟ بہت سے ادارے، جب دیکھتے ہیں، دریافت کرتے ہیں کہ وہی مریض مریض کی انتظامیہ کے نظام، ہنگامی نظام، پیتھالوجی نظام اور تین شعبہ جاتی ڈیٹا بیسز میں مختلف طور پر موجود ہے، اتفاق کے بغیر کہ کون مستند ہے۔ ہستی بہ ہستی بحث کریں کہ کون سا نظام اسے ماسٹر کرنا ہے، سنہری ریکارڈ کیسے جمع ہوتا ہے، اور دہرے اور اوورلے کیسے ملتے اور حل ہوتے ہیں — بشمول یہ کہ دو ریکارڈز ضم کرنے کی اجازت کس کو ہے، کیونکہ وہ عمل خود نقصان پہنچا سکتا ہے۔ مقامی خود مختاری (شعبے جو اپنی نقل چاہتے ہیں جسے وہ کنٹرول کر سکیں) اور نظام بھر کے تحفظ (ایک ہم آہنگ سچ) کے درمیان کشمکش ابھاریں، اور دیانت دار رہیں کہ ماسٹر ڈیٹا کا انتظام مسلسل نگہبانی ہے، ایک بار کی منتقلی نہیں۔ مضبوط جواب ہر ہستی کے ماسٹر نظام کی شناخت کرتا ہے، تسلیم کرتا ہے کہ آج اتفاق شدہ ماخذ حقیقت کہاں نہیں ہے، اور ڈیٹا بیس کی صفائی کے بجائے جو خاموشی سے دوبارہ سڑ جائے، نامزد مالک اور ہم آہنگی کے عمل کا عہد کرتا ہے۔

3. جب ہمارا ڈیٹا ادائیگی، قومی واپسی، کاروباری مقدمے یا AI ماڈل کو غذا دیتا ہے تو یہ جاننا کس کا کام ہے کہ آیا وہ اس مقصد کے لیے موزوں ہے؟ ایک وجہ سے اٹھایا گیا ڈیٹا مسلسل دوسروں کے لیے دوبارہ استعمال ہوتا ہے، اور طبی نوٹ کے لیے کافی معیار الگورتھم یا فنڈنگ کے فارمولے میں خطرناک حد تک گمراہ کن ہو سکتا ہے۔ بحث کریں کہ دوبارہ استعمال کے نقطے پر موزونیت کا فیصلہ کرنے کا جواب دہ کون ہے: کیا تجزیہ کار، مالیات کا سربراہ یا ماڈل بنانے والا اس ڈیٹا کے ماخذ، مکمل ہونے اور معلوم نقائص کو جانتا ہے جس پر وہ انحصار کر رہا ہے، یا وہ فرض کرتے ہیں کہ یہ صاف ہے کیونکہ ترتیب شدہ نظر آتا ہے؟ ٹھوس کیسز پر غور کریں — کوڈنگ کا خلا جو خاموشی سے سرگرمی اور اس لیے آمدن کم بتاتا ہے، یا آبادیاتی خانہ جس کی متعصب گمشدگی AI ماڈل کو مریض کے گروہ کے خلاف جھکاتی ہے (دیکھیے موضوع 8.4 — مصنوعی ذہانت اور ابھرتی ٹیکنالوجی کی نظامت، اور موضوع 1.8 — ڈیٹا اخلاقیات، رضامندی اور عوامی اعتماد)۔ اچھا جواب قائم کرتا ہے کہ موزونیت کا دوبارہ استعمال کے ہر نقطے پر صریح جائزہ ہوتا ہے، ڈیٹا نظر آنے والے ماخذ اور معیار کی تنبیہات کے ساتھ آتا ہے، اور کوئی ان اعداد پر خاموشی سے بھروسا نہیں کر رہا جن کی حدود اس نے کبھی نہیں دیکھیں۔

4. کیا ہم اندراج کے مقام پر غلطیاں روک رہے ہیں، یا خاموشی سے ڈیٹا کے معیار کا بوجھ پہلے سے تھکے معالجین پر ڈال رہے ہیں؟ ماخذ پر روک تھام ڈیٹا کے معیار کی سستی اور محفوظ ترین شکل ہے، مگر یہ ان فارموں اور کام کے بہاؤ کے ڈیزائن پر زندہ یا مردہ ہوتی ہے جو عملہ دباؤ میں استعمال کرتا ہے۔ بحث کریں کہ آیا آپ کی اندراج کی اسکرینیں واقعی مدد کرتی ہیں — چیک سم کی توثیق، قابو شدہ چننے کی فہرستیں، PDS سے تصدیق شدہ شناخت، معقول ڈیفالٹس — یا وہ مصروف رجسٹریشن ڈیسک پر لازمی خانے اور تنبیہات لاد دیتی ہیں یہاں تک کہ لوگ ان پر کلک کر کے گزرنا سیکھ لیں۔ یہاں حقیقی کشمکش ہے: بہت کم توثیق بُرا ڈیٹا آگے بہنے دیتی ہے، لیکن بھدی توثیق متبادل راستے، فرضی قدریں اور الرٹ کی تھکان پیدا کرتی ہے جو ڈیٹا کو زیادہ باریک طریقوں سے بگاڑتی ہے۔ دیکھیں کہ عملہ کہاں "معلوم نہیں" درج کر رہا ہے، ڈیفالٹ دوبارہ استعمال کر رہا ہے، یا تکلیف دہ کام کے بہاؤ سے بچنے کے لیے نجی اسپریڈ شیٹ رکھتا ہے، کیونکہ ہر ایک اشارہ ہے کہ نظام کام کی معاونت کے بجائے اس سے لڑ رہا ہے۔ دیانت دار جواب اندراج کے ڈیزائن کو مشترکہ طبی، عملیاتی اور ڈیٹا کا مسئلہ سمجھتا ہے، اسے اس کے استعمال کرنے والوں سے جانچتا ہے، اور ناپتا ہے کہ آیا توثیق نچلی غلطیاں واقعی گھٹاتی ہے، نہ کہ محض انہیں منتقل کرتی ہے۔

5. کیا جنہیں ہم ڈیٹا کے مالک اور نگہبان کہتے ہیں ان کے پاس کچھ بدلنے کی حیثیت، وقت اور آلات ہیں، یا نگہبانی پہلے سے بھرے کام پر جڑا عنوان ہے؟ واضح جواب دہی کے بغیر ڈیٹا کا معیار بگڑتا ہے، مگر سلائیڈ پر مالک کا نام لکھنا اس کو وسائل دینے کے برابر نہیں، اور نگہبانی خاموشی سے ناکام ہوتی ہے جب نامزد شخص کے پاس نہ اختیار ہو نہ صلاحیت۔ بحث کریں کہ جب آپ کے نگہبان کوئی نظامی مسئلہ پاتے ہیں — انٹرفیس جو خانے گرا دے، الجھانے والا فارم، کام کا بہاؤ جو دہرے بناتا ہے — تو وہ واقعی کیا کر سکتے ہیں: کیا وہ اسے ٹھیک کروا سکتے ہیں، یا صرف لاگ کر کے امید کر سکتے ہیں؟ سودے کو ابھاریں کہ نگہبانی کو بہت سے لوگوں میں پتلا پھیلایا جائے جو ہر ایک حاشیے میں تھوڑا کرتا ہے، یا اسے کم تعداد کے حقیقی وسائل والے کرداروں میں مرتکز کیا جائے جن کے لیے وقت نکالا گیا اور آلات دیے گئے ہوں۔ سوچیں کہ آیا نگہبانوں کے پاس سبب بننے والے نظاموں اور عمل کے مالکوں تک حقیقی بالا رجوع کا راستہ ہے، اور آیا سینئر ڈیٹا کے مالک اپنے دائرے کے معیار کے لیے جواب دہ ٹھہرائے جاتے ہیں۔ اچھا جواب دیانت دار ہے کہ نگہبانی فی الحال حقیقی ہے یا رسمی، اور ایک اور غیر فنڈ شدہ ذمہ داری کے بجائے اختیار، وقت اور آلات کا عہد کرتا ہے۔

6. ہم قومی معیارات اور حوالہ ڈیٹا کو وقت کے ساتھ کیسے منظم کرتے ہیں، اور جب کوڈ کی فہرست یا اصطلاحیات ہمارے نیچے بدلے تو کیا ہوتا ہے؟ حوالہ ڈیٹا اور SNOMED CT جیسی اصطلاحیات باہر سے متعین ہوتی ہیں اور آہستہ مگر مسلسل بدلتی ہیں، اور خاموشی سے اپ ڈیٹ ہوئی ویلیو سیٹ رجحان کا تجزیہ توڑ یا نچلی منطق بگاڑ سکتی ہے بغیر اس کے کہ کوئی نوٹس کرے۔ بحث کریں کہ آیا آپ کی کوڈ کی فہرستیں اور نقشے واضح اپ ڈیٹ کے عمل کے ساتھ ورژن کنٹرول میں ہیں، یا غیر دستاویزی تلاش جدولوں میں رہتے ہیں جنہیں کوئی جگہ پر ہی ایڈٹ کرتا ہے۔ قومی معیار بھدا لگنے پر مقامی کوڈ ایجاد کرنے کی کھینچ جانچیں، اور طویل مدتی لاگت کے بارے میں دیانت دار رہیں: مقامی درجہ بندیاں آپ کے ڈیٹا کو کسی اور کے ساتھ موازنہ یا مجموعی کرنا ناممکن بناتی ہیں اور مستقل نقشہ بندی کا بوجھ بن جاتی ہیں (دیکھیے موضوع 4.3 — باہمی عملیت اور ڈیٹا معیارات)۔ سوچیں کہ آپ کو کیسے پتا چلے گا کہ حوالہ قدر بدلی، اور آپ ان تجزیوں، ادائیگیوں اور ماڈلوں پر اثر کا اندازہ کیسے لگائیں گے جو اس پر منحصر ہیں۔ مضبوط جواب حوالہ ڈیٹا کو منظم، ورژن شدہ اثاثہ سمجھتا ہے جس میں قومی تبدیلیاں اپنانے کا نامزد عمل ہو، مقامی توسیعات نادر اور معیار کی طرف نقشہ بند رکھتا ہے، اور بتا سکتا ہے کہ تبدیلی کن نچلے استعمالات کو متاثر کرے گی۔

عملی مثال: صحت اور نگہداشت کی ایک مثال#

نارتھ مور انٹیگریٹڈ کیئر سسٹم دو شدید ٹرسٹس، ذہنی صحت کے ٹرسٹ، کمیونٹی خدمات اور 60 جی پی پریکٹسز پر محیط مشترکہ نگہداشتی ریکارڈ چلاتا ہے۔ سنگین واقعے کے بعد — ایک ٹرسٹ میں ریکارڈ شدہ مریض کی شدید پینسلین الرجی دوسرے میں نظر نہ آئی کیونکہ ریکارڈ جڑنے میں ناکام رہا تھا، اور مریض کو وہ دوا تجویز ہوئی — بورڈ ڈیٹا کے معیار کو پچھلے دفتر کی فکر کے بجائے طبی تحفظ کی ترجیح سمجھتا ہے۔ تیز جائزہ بنیادی سبب ماسٹر ڈیٹا میں پاتا ہے: وہی مریض نظاموں میں دہرے کے طور پر موجود ہیں، اور سامنے کے دروازے پر NHS نمبر کی تصدیق غیر یکساں ہے۔

ICS ڈیٹا کی نظامت کا فورم قائم کرتا ہے جس میں مریض کے ماسٹر ڈیٹا کے لیے نامزد سینئر ڈیٹا کا مالک اور ہر فراہم کنندہ میں عملیاتی ڈیٹا کے نگہبان ہیں۔ ان کا پہلا عمل نظام کی پروفائلنگ ہے: وہ دریافت کرتے ہیں کہ Personal Demographics Service کے مقابل NHS نمبر کی تصدیق کچھ رجسٹریشن کے کام کے بہاؤ میں قابلِ اعتماد ہوتی ہے اور دوسروں میں نہیں، اور مشترکہ ریکارڈ میں دہرے اور غیر ملاپ شدہ ریکارڈز کی بڑی آبادی ہے۔ بڑی صفائی کے بجائے وہ پہلے سبب ٹھیک کرتے ہیں — اندراج کے ہر نقطے پر PDS کی تصدیق اور چیک سم کی توثیق نافذ کرنا — تاکہ بقایا پر کام کرتے ہوئے دہرے ریکارڈز کی آبادی بڑھنا بند کرے۔

وہ قومی آبادیاتی خدمت کے مقابل ہم آہنگ Master Patient Index کھڑا کرتے ہیں، دہرے ریکارڈز ضم کرنے اور کسی بھی غلط اوورلے کو پلٹنے کے لیے قابو شدہ، آڈٹ شدہ، طبی نگرانی والے عمل کے ساتھ، یہ مانتے ہوئے کہ دونوں زندہ ریکارڈز کو چھوتے ہیں۔ وہ اپنے قومی ڈیٹا سیٹ کی جمع آوریوں کے لیے NHS Data Quality Maturity Index کو بیرونی بنیاد کے طور پر اپناتے ہیں اور ان خانوں کے لیے مقامی پیمانے جوڑتے ہیں جن پر معالجین سب سے زیادہ انحصار کرتے ہیں — الرجیاں، NHS نمبر کی تکمیل، کلیدی آبادیاتی تفصیلات — انہیں ہر فراہم کنندہ کے طبی اور عملیاتی رہنماؤں کو شائع کرتے ہوئے تاکہ اعداد نظرانداز نہ ہو سکیں۔

اٹھارہ مہینے بعد تبدیلی نتائج میں نظر آتی ہے، صرف ڈیش بورڈز میں نہیں: اندراج پر NHS نمبر کی تصدیق تقریباً عالمگیر ہے، دہرے ریکارڈز کی شرح گر رہی ہے، اور الرجی کی معلومات مشترکہ ریکارڈ میں قابلِ اعتماد طور پر ہم آہنگ ہوتی ہے۔ جب ICS بعد میں آبادی کی صحت کے خطرے کی درجہ بندی کے ماڈل کا دائرہ طے کرتا ہے تو تجزیاتی ٹیم بنیادی ڈیٹا کا ماخذ اور مکمل ہونا بتا سکتی اور جھنڈا لگا سکتی ہے کہ گمشدگی ماڈل کو کہاں متعصب کر سکتی ہے، کیونکہ ماسٹر ڈیٹا اور معیار کے پیمانے اب اس فیصلے کی معاونت کے لیے موجود ہیں (دیکھیے موضوع 4.5 — ڈیٹا، تجزیات اور آبادی کی صحت کا انتظام)۔ غیر دلکش کام — نظامت کا فورم، نگہبان، اندراج پر توثیق، MPI — نے نادیدہ، نقصان دہ خطرے کو منظم خطرے میں بدل دیا۔

شعبہ جاتی زاویے#

اسٹارٹ اپ#

ڈیجیٹل صحت کا اسٹارٹ اپ اکثر ڈیٹا کے معیار کو مستقبل کا مسئلہ سمجھتا ہے، تیزی سے چلنے کے لیے بے ترتیب ڈیٹا قبول کرتے ہوئے خصوصیات پر توجہ دیتا ہے۔ صحت کے ڈیٹا کے ساتھ یہ غلطی ہے، جہاں غلط ملاپ والا مریض یا غیر تصدیق شدہ NHS نمبر پہلے زندہ مریض سے تحفظ کا مسئلہ ہے، ہزارویں سے نہیں۔ توثیق، NHS نمبر کے چیک سم کی تصدیق اور — جہاں آپ کو رسائی ہو — Personal Demographics Service کا ملاپ شروع سے اپنے اندراج کے بہاؤ میں بنائیں، کیونکہ غیر ملاپ شدہ ریکارڈز کے بڑے ذخیرے کے بعد شناخت کا نظم و ضبط پیچھے جوڑنا تکلیف دہ اور خطرناک ہے۔ NHS خریداروں کے ساتھ آپ کی ساکھ اس پر منحصر ہے کہ آپ دکھا سکیں کہ آپ کا ڈیٹا قابلِ اعتماد ہے، اس کا ماخذ واضح ہے، اور آپ مربوط ہوتے وقت ان کے ماسٹر ڈیٹا کو آلودہ نہیں کریں گے۔

چھوٹا کاروبار#

قائم شدہ چھوٹا فراہم کنندہ — جی پی پریکٹس، کمیونٹی فارمیسی، کیئر ہوم یا ایک مقام کا کلینک — شناخت اور الرجیاں درست کرنے کا وہی فرض بڑے ٹرسٹ جیسا اٹھاتا ہے، مگر بغیر ڈیٹا ٹیم کے اور اکثر بغیر مخصوص IT کے۔ یہاں ماسٹر ڈیٹا کا انتظام پلیٹ فارم کا منصوبہ نہیں؛ یہ ان آلات کا نظم و ضبط والا استعمال ہے جو آپ کے پاس پہلے سے ہیں: اندراج پر Personal Demographics Service کے مقابل NHS نمبر کی تصدیق، آبادیاتی تفصیلات تازہ رکھنا، اور اپنے طبی نظام میں دہرے ریکارڈز جمع نہ ہونے دینا۔ آپ کے لیے فراہم کردہ قومی بنیادی ڈھانچے پر ٹیک لگائیں — PDS، SNOMED CT، قومی اداروں کے کوڈ — مقامی شارٹ کٹ ایجاد کرنے کے بجائے، کیونکہ یہ وہ بھاری کام کرتا ہے جو چھوٹا ادارہ نہیں کر سکتا۔ ایک شخص کو ڈیٹا کے معیار کا عملی مالک نامزد کریں خواہ یہ وسیع تر کردار کا حصہ ہو، اور "ہم بہت چھوٹے ہیں فکر کرنے کے لیے" کہہ کر بے ترتیب ڈیٹا برداشت کرنے کے بجائے اپنے نظام کے سپلائر کی توثیق، ملاپ اور دہرے ہٹانے کی خصوصیات استعمال کریں — غلط ریکارڈ کا نقصان ادارہ جیسا بھی ہو اتنا ہی بڑا ہے۔

بڑا ادارہ#

بڑا NHS ٹرسٹ یا ICS درجنوں نظام چلاتا ہے جن میں سے ہر ایک مریضوں، عملے اور اداروں کا اپنا ورژن رکھتا ہے، اس لیے اس کا مرکزی چیلنج پیمانے پر ہم آہنگی اور نگہبانی ہے۔ حقیقت پسندانہ ہدف نظم و ضبط والا Master Patient Index اور مستند سنہری ریکارڈز کی چھوٹی تعداد ہے، جو انٹرفیس اور توثیق سے نافذ ہو، واحد یک سنگی ڈیٹا بیس نہیں جو سب کچھ بدل دے۔ حقیقی اختیار کے ساتھ نامزد ڈیٹا کے مالکان اور نگہبانوں میں سرمایہ کاری کریں، ماسٹر ڈیٹا کو شناخت اور رسائی کے انتظام اور ادائیگی سے جوڑیں، اور انضمام اور اوورلے کو طبی نگرانی والے عمل سمجھیں کیونکہ اس پیمانے پر یہ زندہ نگہداشت کو چھوتے ہیں۔ سب سے بڑی کامیابیاں اندراج پر روک تھام اور یکساں طور پر لاگو قومی معیار کے نظم و ضبط والے اپنانے سے آتی ہیں، دوری ہیرو پن والی صفائیوں سے نہیں جو ختم ہوتے ہی بگڑتی ہیں۔

حکومت#

قومی ادارہ — NHS انگلینڈ، اور NHS ڈیجیٹل کی جانشین معیاری ادارے — ڈیٹا کے معیار کا وہ ماحول ڈھالتا ہے جس میں ہر فراہم کنندہ کام کرتا ہے۔ یہ وہ مشترکہ بنیادی ڈھانچہ چلاتا ہے جو مقامی معیار ممکن بناتا ہے: Personal Demographics Service بطور قومی آبادیاتی اشاریہ، NHS نمبر بطور مشترکہ کلید، قومی اصطلاحیات اور حوالہ ڈیٹا، اور Data Quality Maturity Index جو اداروں کے پار کارکردگی کو قابلِ موازنہ بناتا ہے۔ اس کی طاقت Data Alliance Partnership Board کے عمل سے معلوماتی معیارات لازمی کرنا، بہتری کا دباؤ پیدا کرنے والے قابلِ موازنہ معیار کے پیمانے شائع کرنا، اور حوالہ ڈیٹا کی نگہبانی کرنا ہے تاکہ سب دنیا کی درجہ بندی ایک ہی طرح کریں۔ حکومت مساوات کا فرض بھی اٹھاتی ہے: متعصب گمشدگی کی نگرانی اور یقینی بنانا کہ ڈیٹا کا معیار خاموشی سے ان گروہوں کو نقصان نہ پہنچائے جن کے ریکارڈز سب سے کم مکمل ہیں (دیکھیے موضوع 9.1 — مقامی اور قومی حکومتوں کے ساتھ کام)۔

عام ناکامی کے طریقے#

• ہمیشہ صفائی، کچھ ٹھیک نہیں۔ نچلی سطح کی بار بار صفائیاں جو اندراج کے عمل کو کبھی حل نہیں کرتیں ٹریڈمل ہیں؛ وہی دہرے اور غلطیاں ہر چکر میں لوٹ آتی ہیں۔ سبب ماخذ پر ٹھیک کریں۔
• جائز مگر غلط۔ ریکارڈ جو شکل کی توثیق پاس کرے پھر بھی غلط ہو سکتا ہے — درست شکل کا مگر غلط NHS نمبر خالی سے زیادہ خطرناک ہے کیونکہ یہ قابلِ اعتماد لگتا ہے۔ صرف شکل نہیں بلکہ حقیقی حوالہ ماخذ کے مقابل توثیق کریں۔
• کوئی نامزد مالک نہیں۔ جب ڈیٹا کا معیار سب کی فکر ہو تو یہ کسی کا کام نہیں؛ مسائل اجلاسوں میں سراہے جاتے ہیں اور کبھی حل نہیں ہوتے۔ جواب دہ مالک اور بااختیار نگہبان تفویض کریں۔
• اتفاق سے ماسٹر ڈیٹا۔ ہر نظام کو مریضوں یا اداروں کی اپنی الگ نقل رکھنے دینا، ماخذ حقیقت پر اتفاق کے بغیر، عدم یکسانیت اور خطرناک دہرے کی ضمانت دیتا ہے۔ دانستہ فیصلہ کریں کہ ہر ہستی کو کیا ماسٹر کرتا ہے۔
• لاپرواہ انضمام اور اوورلے۔ دو ریکارڈز ضم کرنا یا غلط ضم کیے کو الگ کرنا زندہ طبی ڈیٹا کو چھوتا ہے؛ کنٹرول یا طبی نگرانی کے بغیر کیا جائے تو اہم معلومات چھپا یا غلط منسوب کر سکتا ہے۔ اسے آڈٹ شدہ، نگرانی والا عمل بنائیں۔
• مقامی کوڈ جو موازنہ توڑتے ہیں۔ قومی معیارات کے بجائے مقامی درجہ بندیاں ایجاد کرنا ڈیٹا کو موازنہ یا مجموعی کرنا ناممکن بناتا ہے اور خاموشی سے بدلنے پر رجحان کا تجزیہ بگاڑتا ہے۔ قومی حوالہ ڈیٹا اپنائیں اور ورژن بنائیں۔
• خاموش دوبارہ استعمال۔ نامعلوم معیار کا ڈیٹا ادائیگیوں، قومی واپسیوں یا AI ماڈلوں میں ماخذ اور حدود بیان کیے بغیر ڈالنا چھپی غلطیاں پیمانے پر پھیلاتا ہے۔ موزونیت کو دوبارہ استعمال کے ہر نقطے پر صریح فیصلہ بنائیں۔

پختگی کا ماڈل#

جانچ فہرست#

• اہم ڈیٹا سیٹس کے متفقہ معیار کے ابعاد، ناپے جانے والے اہداف اور باقاعدہ رپورٹنگ ہے، جہاں ممکن ہو DQMI کے مقابل معیار بند۔
• NHS نمبر کا چیک سم سے توثیق ہوتا ہے اور اندراج کے ہر نقطے پر Personal Demographics Service کے مقابل تصدیق ہوتی ہے۔
• ہر بنیادی ہستی (مریض، عملہ، ادارہ، دوا) کا نامزد ماسٹر نظام اور سنہری ریکارڈ ہے۔
• Master Patient Index قومی آبادیاتی خدمت کے مقابل ہم آہنگ ہے، آڈٹ شدہ، طبی نگرانی والے انضمام اور اوورلے کے عمل کے ساتھ۔
• ہر اہم ڈیٹا کے دائرے کا نامزد ڈیٹا کا مالک اور آلات اور بالا رجوع کے راستے والا بااختیار ڈیٹا کا نگہبان ہے۔
• ڈیٹا منتقلی یا بہتری سے پہلے پروفائل ہوتا ہے، اور صفائی ماخذ نظام اور سبب بننے والے عمل کو ٹھیک کرتی ہے، صرف نچلی نقلوں کو نہیں۔
• قومی معلوماتی معیارات اور اصطلاحیات (DAPB کے عمل، SNOMED CT سے) اپنائی گئی ہیں، اور حوالہ ڈیٹا ورژن کنٹرول میں ہے۔
• ڈیٹا کے معیار کے پیمانے ان طبی، عملیاتی اور مالی ٹیموں کو شائع ہوتے ہیں جن کے فیصلے ڈیٹا پر منحصر ہیں۔
• ادائیگی، قومی واپسیوں، تحقیق یا AI کے لیے دوبارہ استعمال ہونے پر ماخذ اور معلوم معیار کی حدود ڈیٹا کے ساتھ جاتی ہیں۔
• زیادہ نقصان والے ڈیٹا کے معیار کے خطرات طبی تحفظ کے خطرات کے طور پر لاگ اور ملکیت یافتہ ہیں، فعال شناخت کے ذریعے کے ساتھ۔

کلیدی ماخذ#

• NHS انگلینڈ / NHS ڈیجیٹل — Data Quality Maturity Index (DQMI) — قومی ڈیٹا سیٹس میں ڈیٹا کے معیار کا ماہانہ قابلِ موازنہ پیمانہ۔
• NHS انگلینڈ — Personal Demographics Service (PDS) اور NHS نمبر کی رہنمائی — قومی آبادیاتی اشاریہ اور بنیادی مریض شناخت کنندہ۔
• NHS انگلینڈ — Data Alliance Partnership Board (DAPB) کے عمل (پہلے SCCI/ISB معیارات) سے شائع Information standards۔
• DAMA International — DMBOK (Data Management Body of Knowledge) — ڈیٹا کی نظامت، معیار اور ماسٹر ڈیٹا کے انتظام کا تسلیم شدہ فریم ورک۔
• SNOMED International / NHS انگلینڈ — ادویات کے ماسٹر اور حوالہ ڈیٹا کے لیے SNOMED CT طبی اصطلاحیات اور dm+d (ادویات اور آلات کی ڈکشنری)۔
• HM Government — Data Standards Authority اور Government Data Quality Framework — ڈیٹا کے معیار کے ابعاد اور نگہبانی پر کراس حکومتی رہنمائی۔
• National Data Guardian — Caldicott principles — خفیہ مریض کی معلومات کے مناسب استعمال اور معیار پر۔

حوالہ جات#

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