Chủ đề 4.5 — Dữ liệu, phân tích và quản lý sức khỏe dân số

Trong y tế và chăm sóc, phân tích chỉ đáng xây nếu nó thay đổi một quyết định, một lộ trình, hay một cuộc đời — biến dữ liệu thành hiểu biết đến được với những người cần nó nhất, và làm điều đó theo cách công chúng có thể tin.

Vì sao điều này quan trọng trong y tế và chăm sóc#

Chủ đề 4.3 — Khả năng tương tác và chuẩn dữ liệu nói về việc di chuyển dữ liệu an toàn giữa các hệ thống để nó đến nơi cần. Chủ đề này nói về điều xảy ra tiếp theo: biến dữ liệu thành hiểu biết, và hiểu biết thành hành động. Hai điều dễ bị gộp và tốn kém khi nhầm lẫn. Bạn có thể có khả năng tương tác hoàn hảo mà vẫn đưa ra những quyết định tồi, và bạn có thể có phân tích phong phú mà không bao giờ chạm vào việc chăm sóc của một bệnh nhân nào.

Phân tích trong y tế và chăm sóc mang sức nặng mà phân tích trong bán lẻ hay hậu cần không có. Khi bạn phân đoạn một quần thể và nhắm một can thiệp, bạn đang quyết định cuộc rà soát hen suyễn của ai diễn ra trước, những người cao tuổi yếu nào nhận một cuộc gọi chủ động trước một khủng hoảng mùa đông, và nơi một nhóm cộng đồng bị căng dành những giờ hữu hạn của mình. Làm sai phân tích — một mô hình rủi ro thiên lệch, một khoảng trống chất lượng dữ liệu đếm thiếu một khu phố thiếu thốn, một bảng điều khiển tâng bốc hiệu suất — và bạn có thể nới rộng chính những bất bình đẳng bạn định thu hẹp. Hậu quả mang tính lâm sàng và đạo đức, không chỉ thương mại.

Niềm tin công chúng là ràng buộc khác làm lĩnh vực này đặc thù. Người ta nhìn chung sẵn lòng để dữ liệu của họ cải thiện chăm sóc và hỗ trợ nghiên cứu, nhưng chỉ khi họ thấy nó được xử lý an toàn, hợp pháp, và cho các mục đích chính đáng. Thất bại của chương trình care.data ở Anh năm 2014, bị từ bỏ sau khi công chúng và bác sĩ mất niềm tin vào cách dữ liệu sẽ được trích xuất và sử dụng, vẫn là câu chuyện cảnh báo mà mọi nhà lãnh đạo phân tích y tế nên biết. Niềm tin, một khi đã mất, chậm và tốn kém để xây lại, và nó ràng buộc những gì bạn có thể làm trong nhiều năm sau. Vì vậy "cách" của phân tích — nền tảng, lộ trình truy cập, quản trị, sự minh bạch — không phải hạ tầng hậu trường. Nó là một phần của thỏa thuận an toàn lâm sàng, công bằng và niềm tin công chúng chạy xuyên suốt cuốn sách này.

Các khái niệm cốt lõi#

Trí tuệ kinh doanh là tập các thực hành và công nghệ để phân tích dữ liệu nhằm định hướng quyết định — bảng điều khiển, báo cáo, và việc truy vấn nằm phía sau chúng. Nó dựa trên phân tích dữ liệu được trình bày qua trực quan hóa dữ liệu tốt, vì một biểu đồ mà một bác sĩ hay giám đốc bận rộn có thể đọc trong vài giây thắng một bảng không ai mở.

Một cách hữu ích để mô tả tham vọng phân tích là bậc thang trưởng thành: phân tích mô tả (chuyện gì đã xảy ra), phân tích chẩn đoán (vì sao nó xảy ra), phân tích dự đoán (điều gì có khả năng xảy ra tiếp), và phân tích kê đơn (bạn nên làm gì về nó). Hầu hết tổ chức dành phần lớn thời gian ở bậc đầu, và đó thường là nơi đúng để ở — một bức tranh mô tả đáng tin, được tin và hành động theo có giá trị hơn một mô hình dự đoán mong manh không ai dùng.

Nền tảng cho tất cả điều này là một nền tảng dữ liệu. Một kho dữ liệu lưu dữ liệu có cấu trúc, được mô hình hóa cho báo cáo; một hồ dữ liệu lưu dữ liệu thô dưới mọi hình dạng cho xử lý sau; mô thức "lakehouse" pha trộn hai loại. Dù chọn cái nào, nền tảng chỉ đáng tin bằng chất lượng dữ liệu của nó — độ đầy đủ, chính xác, kịp thời và nhất quán của các hồ sơ nền tảng — và quản trị dữ liệu của nó, khung có trách nhiệm giải trình về quyền sở hữu, định nghĩa và quyết định truy cập giữ dữ liệu phù hợp để dùng. Liên quan chặt chẽ là quản lý dữ liệu chủ — duy trì một phiên bản có thẩm quyền duy nhất của dữ liệu tham chiếu cốt lõi như bệnh nhân, nhân viên và tổ chức — để phân tích không bị vỡ vụn qua các mã định danh không nhất quán.

Sức khỏe dân số là ngành ứng dụng ở trung tâm chủ đề này: dùng dữ liệu được liên kết để hiểu sức khỏe của một quần thể xác định, phân đoạn nó thành các nhóm có nhu cầu tương tự, phân tầng rủi ro, và nhắm can thiệp vào những người sẽ hưởng lợi nhiều nhất. Làm tốt, nó là một trong những công cụ sắc bén nhất có sẵn để giải quyết công bằng về sức khỏe — hướng chăm sóc chủ động đến các nhóm được phục vụ thiếu thay vì chờ họ đến trong khủng hoảng. Không điều nào hiệu quả nếu thiếu hiểu biết về dữ liệu — khả năng của lãnh đạo, bác sĩ và nhà phân tích cùng đọc, chất vấn và hành động trên dữ liệu một cách trung thực.

Cuối cùng, một Môi trường Dữ liệu An toàn (SDE) — quốc tế gọi là Môi trường Nghiên cứu Đáng tin (TRE) — là lộ trình được kiểm soát qua đó các nhà nghiên cứu và hoạch định phân tích dữ liệu nhạy cảm. Thay vì sao chép dữ liệu ra cho nhà phân tích, nhà phân tích được đưa đến dữ liệu bên trong một môi trường an toàn, được kiểm toán, và chỉ các kết quả tổng hợp, không nhận dạng được rời đi. Đây là mô hình dung hòa tham vọng phân tích với niềm tin công chúng được thảo luận ở Chủ đề 1.8 — Đạo đức dữ liệu, sự đồng ý và niềm tin công chúng.

Thực hành tốt nhất#

1. Bắt đầu từ quyết định, không phải dữ liệu. Trước khi ủy thác một bảng điều khiển hay mô hình, hãy gọi tên quyết định nó sẽ thay đổi, ai sở hữu quyết định đó, và họ sẽ làm khác đi điều gì khi thấy hiểu biết. Nếu bạn không thể trả lời các câu hỏi đó, bạn đang xây một báo cáo không ai hành động theo. Kỷ luật này — làm ngược từ hành động dự định — là biện pháp phòng thủ đáng tin nhất chống lại sự bành trướng của phân tích không dùng, và nó nối trực tiếp với các thói quen đưa bằng chứng vào hành động ở Chủ đề 1.3 — Quyết định dựa trên bằng chứng.

2. Leo bậc thang phân tích có chủ đích, không theo phản xạ. Phân tích mô tả và chẩn đoán trả lời phần lớn câu hỏi vận hành và rẻ hơn, dễ giải thích hơn, được tin hơn so với công việc dự đoán hoặc kê đơn. Chỉ với tới một mô hình dự đoán khi một quyết định thực sự cần tầm nhìn xa và bạn có thể hành động trên dự đoán kịp thời để có ý nghĩa. Một điểm rủi ro xác định những bệnh nhân bạn không có năng lực giúp là một bài tập học thuật, không phải quản lý sức khỏe dân số.

3. Xem chất lượng dữ liệu là một sản phẩm hạng nhất, không phải việc dọn dẹp nghĩ sau. Đo độ đầy đủ, chính xác và kịp thời của các luồng dữ liệu chính, công bố các số đo đó, và buộc những người sở hữu có tên chịu trách nhiệm. Mã hóa kém về sắc tộc, mức độ thiếu thốn hay khuyết tật không phải chú thích kỹ thuật — nó che giấu có hệ thống những quần thể bạn cần thấy nhất, nên khoảng trống chất lượng trở thành khoảng trống công bằng. Sửa chất lượng dữ liệu tại nguồn trong các hệ thống vận hành bất cứ khi nào có thể, vì sửa ở hạ nguồn là vô tận và mất mát.

4. Vận hành một mô hình vận hành rõ ràng cho nhà phân tích và kỹ thuật dữ liệu. Tách công việc kỹ thuật hóa các đường ống dữ liệu đáng tin, được mô hình hóa tốt khỏi công việc phân tích và diễn giải. Áp dụng định nghĩa dùng chung, kiểm soát phiên bản, rà soát đồng nghiệp mã phân tích, và phương pháp tái lập được để một con số có cùng nghĩa với mọi người và có thể được tạo lại theo yêu cầu. Phong trào "Reproducible Analytical Pipelines" của Anh trong khu vực công là một mô hình thực tiễn đáng vay mượn.

5. Cho phép tự phục vụ, nhưng quản trị định nghĩa tập trung. Để các nhóm khám phá dữ liệu và xây góc nhìn của riêng họ, vì một nhóm trung tâm không bao giờ trả lời đủ nhanh mọi câu hỏi. Đề phòng sự phân mảnh bằng cách tuyển chọn một lớp ngữ nghĩa được quản trị — các tập dữ liệu được chứng nhận và định nghĩa thỏa thuận cho các chỉ số như "danh sách chờ" hay "nhập viện có thể tránh" — để tự phục vụ nhân lên hiểu biết thay vì nhân lên bất đồng về ý nghĩa của các con số.

6. Dùng quản lý sức khỏe dân số để nhắm vào công bằng, và kiểm tra thiên lệch. Phân đoạn quần thể và phân tầng rủi ro để hướng chăm sóc chủ động đến những người sẽ hưởng lợi nhiều nhất, cố ý bao gồm các nhóm thường đến muộn hoặc không bao giờ đến. Chất vấn mọi mô hình về thiên lệch: nếu một công cụ phân tầng rủi ro chấm thấp một nhóm thiếu thốn hoặc dân tộc thiểu số vì dữ liệu của họ thưa hơn, nó sẽ lặng lẽ chuyển nguồn lực khỏi họ. Kiểm toán kết quả theo đặc điểm được bảo vệ và mức độ thiếu thốn, không chỉ ở dạng tổng hợp.

7. Biến Môi trường Dữ liệu An toàn thành lộ trình mặc định đến dữ liệu nhạy cảm. Cho nghiên cứu, hoạch định và sử dụng thứ cấp, đưa nhà phân tích đến dữ liệu bên trong một SDE hoặc TRE thay vì trích xuất bản sao. Điều này thu hẹp bề mặt tấn công, tạo dấu vết kiểm toán đầy đủ, và trao cho công chúng một câu chuyện bảo vệ được, minh bạch về cách dữ liệu của họ được dùng. Công bố ai có quyền truy cập, cho mục đích gì, và dưới sự phê duyệt của ai, nối cách tiếp cận của bạn với quản trị được đề cập ở Chủ đề 1.7 — Quản trị thông tin, bảo vệ dữ liệu và an ninh mạng.

8. Khép vòng từ phân tích đến kết quả và giá trị. Với mỗi sản phẩm phân tích đáng kể, theo dõi liệu hành động dự định có xảy ra và kết quả có cải thiện không — không chỉ liệu bảng điều khiển có được xem. Cho nghỉ hưu các sản phẩm không còn thay đổi quyết định. Bất cứ khi nào có thể, nối hiểu biết phân tích với giá trị đo được bằng các phương pháp của Chủ đề 6.1 — Kinh tế học y tế, để đầu tư vào nền tảng dữ liệu được biện minh bằng kết quả thay vì hoạt động.

9. Quản lý chất lượng dữ liệu như một kỷ luật được đo, vì phân tích và AI thừa hưởng mọi khuyết điểm bên dưới. Xác định và giám sát độ đầy đủ, chính xác, kịp thời và hợp lệ cho các luồng dữ liệu then chốt của bạn, đặt ngưỡng, và hành động khi chúng tụt thay vì phát hiện khoảng trống trong một báo cáo hội đồng. Một mô hình hay bảng điều khiển không thể vượt quá các hồ sơ nuôi nó, nên hãy xem chất lượng là một chức năng vận hành liên tục với người sở hữu có tên, không phải một lần làm sạch trước một dự án. Điều này quan trọng nhất với các trường mang công bằng — sắc tộc, mức độ thiếu thốn, khuyết tật — nơi mã hóa thưa hoặc không nhất quán lặng lẽ bóp méo mọi kết luận hạ nguồn.

10. Thiết lập quản lý dữ liệu chủ cho dữ liệu tham chiếu cốt lõi của bạn. Duy trì một phiên bản có thẩm quyền duy nhất của các thực thể mà mọi thứ khác nối vào — bệnh nhân khóa theo Số NHS, nhân viên và tổ chức — với sự quản lý rõ ràng về cách mỗi cái được tạo, khớp và cho nghỉ hưu. Thiếu nó, cùng một bệnh nhân xuất hiện dưới nhiều mã định danh và cùng một dịch vụ dưới nhiều tên, nên phân tích vỡ vụn và tổng không bao giờ đối chiếu được. Đầu tư vào dữ liệu chủ đáng tin thì không hào nhoáng, nhưng ở quy mô lớn một mã định danh mơ hồ duy nhất có thể làm lệch hướng chăm sóc và khai sai hiệu suất khắp cả một hệ thống.

Câu hỏi để thảo luận với nhóm của bạn#

1. Những bảng điều khiển và báo cáo nào của chúng ta mà có ai đó nhận ra nếu chúng ta tắt đi ngày mai — và câu trả lời cho chúng ta biết điều gì? Hầu hết hệ thống phân tích tích tụ qua nhiều năm, và một phần lớn những gì chúng tạo ra hiếm khi hoặc không bao giờ được xem. Câu hỏi này buộc một bản kiểm kê trung thực: với mỗi sản phẩm đáng kể, bạn có thể gọi tên quyết định nó định hướng, người sở hữu quyết định đó, và lần cuối nó thay đổi một quyết định không? Tắt đi, hoặc đề nghị tắt đi, là một chẩn đoán nhanh — phản ứng dữ dội thực sự cho thấy cái gì quan trọng, sự im lặng cho thấy cái gì không. Những nhóm phát triển mạnh là những nhóm không khoan nhượng trong việc cho nghỉ hưu cái không dùng, vì mỗi bảng điều khiển chết vẫn tiêu thụ bảo trì, xói mòn niềm tin khi số liệu của nó trôi, và chôn vùi các báo cáo quan trọng. Tái phân bổ công sức được giải phóng đó về một nhúm sản phẩm được dùng nhiều, được quản trị tốt hầu như luôn nâng giá trị của cả hệ thống. Hãy cảnh giác với phản xạ giữ mọi thứ "phòng khi" — chính phản xạ đó là cách bạn đến với phân tích không ai hành động theo.

2. Phân tích của chúng ta làm cho bất bình đẳng sức khỏe hiển thị hơn, hay che giấu chúng? Các chỉ số tổng hợp — một thời gian chờ toàn bệnh viện, một tỷ lệ tiêm chủng chung — có thể trông trấn an trong khi che giấu những chênh lệch sắc bên dưới. Phép thử là liệu các sản phẩm tiêu chuẩn của bạn có chia nhỏ kết quả theo mức độ thiếu thốn, sắc tộc, khuyết tật và các đặc điểm liên quan khác không, và dữ liệu của bạn có đủ tốt để làm vậy một cách trung thực không. Nếu sắc tộc được mã hóa kém hoặc mức độ thiếu thốn không được liên kết, phân tích của bạn về cấu trúc bị mù trước những quần thể bạn cần tiếp cận nhất, và sự mù đó sẽ định hình nơi nguồn lực chảy tới. Hãy thảo luận nơi chất lượng dữ liệu hiện tại làm hỏng phân tích công bằng của bạn, và cần gì để sửa nó tại nguồn. Hãy cân nhắc cả liệu các mô hình dự đoán của bạn đã được kiểm tra thiên lệch đối với các nhóm được phục vụ thiếu chưa. Cuộc trò chuyện này nối phân tích của bạn trực tiếp với xương sống công bằng của cuốn sách và với đạo đức của Chủ đề 1.8 — Đạo đức dữ liệu, sự đồng ý và niềm tin công chúng.

3. Nếu một nhà báo hỏi chúng ta dùng dữ liệu bệnh nhân cho phân tích và nghiên cứu ra sao, chúng ta có thể đưa ra câu trả lời rõ ràng, trung thực, trấn an ngay hôm nay không? Niềm tin công chúng là giấy phép mà mọi việc sử dụng thứ cấp dữ liệu y tế phụ thuộc vào, và nó dễ mất hơn giành được. Hãy đi qua câu trả lời thực: dữ liệu nằm ở đâu, ai có thể truy cập, qua phê duyệt nào, cho mục đích gì, và một thành viên công chúng sẽ biết điều đó bằng cách nào. Nếu câu trả lời trung thực liên quan đến các bản sao dữ liệu có thể nhận dạng rải rác trong bảng tính và ổ dùng chung, bạn có cả vấn đề bảo mật lẫn vấn đề niềm tin. Đối chiếu với một cách tiếp cận Môi trường Dữ liệu An toàn, nơi truy cập được kiểm soát, kiểm toán và có thể công bố. Hãy thảo luận tổ chức của bạn cần thay đổi gì để thực sự thoải mái với sự soi xét công chúng — trước khi một sự cố buộc đặt câu hỏi. Hãy nhớ care.data: công nghệ không phải điểm thất bại; thất bại là niềm tin công chúng vào cách dữ liệu sẽ được dùng.

4. Khi chúng ta với tới một mô hình dự đoán, chúng ta có thực sự hành động được trên điều nó nói không — và chúng ta đã giành được quyền tin tầng mô tả bên dưới nó chưa? Thật cám dỗ khi đánh đồng sự trưởng thành phân tích với sự tinh vi, và xem công việc "chạy bằng AI" hoặc dự đoán là đích đến. Nhưng một điểm rủi ro xác định những bệnh nhân bạn không có năng lực liên hệ là một bài tập học thuật, và một mô hình dự đoán xây trên nền mô tả lung lay chỉ đơn giản tự động hóa các sai sót hiện có ở tốc độ cao. Chất vấn mỗi mô hình được đề xuất theo hai phép thử: có một quyết định thực sự cần tầm nhìn xa thay vì một bức tranh nhìn lại đáng tin không, và năng lực vận hành để hành động trên dự đoán kịp thời để thay đổi kết quả có tồn tại không? Một câu trả lời trung thực gọi tên can thiệp cụ thể mà dự đoán sẽ kích hoạt và nhóm sẽ thực hiện nó, và thẳng thắn về việc các bậc mô tả và chẩn đoán có đủ đáng tin để xây trên không. Leo bậc thang có chủ đích, từng bậc, thường mang lại nhiều giá trị hơn nhảy lên đỉnh rồi phát hiện không có gì đỡ khi rơi.

5. Chúng ta có đồng ý các con số cốt lõi của mình thực sự có nghĩa gì không — và hai nhóm sẽ cho câu trả lời khác nhau cho cùng một câu hỏi ở đâu? Khi tự phục vụ lan rộng, rủi ro dịch chuyển từ có quá ít số liệu sang có quá nhiều phiên bản của từng cái: "danh sách chờ", "nhập viện có thể tránh", "bệnh nhân đang hoạt động" lặng lẽ phân kỳ qua các bảng điều khiển cho đến khi các cuộc họp tranh cãi con số của ai đúng thay vì cần làm gì. Hãy kiểm thử điều này một cách cụ thể bằng cách yêu cầu hai nhóm tự tạo cùng một chỉ số nổi bật rồi so sánh không chỉ câu trả lời mà cả định nghĩa và truy vấn đằng sau. Cuộc trò chuyện trung thực làm lộ nơi thiếu lớp ngữ nghĩa được quản trị và tập dữ liệu được chứng nhận, và nơi các định nghĩa trung tâm không theo kịp phát minh địa phương. Sự đánh đổi là có thật — siết quá chặt thì bóp nghẹt sự khám phá khiến tự phục vụ có giá trị; để không quản trị thì hiểu biết vỡ thành bất đồng. Một câu trả lời trưởng thành mô tả những chỉ số nào được chứng nhận và sở hữu tập trung và những chỉ số nào được cố ý để mở cho khám phá địa phương, thay vì giả vờ cả hệ thống có thể là cái này hoặc cái kia.

6. Chúng ta đang sửa chất lượng dữ liệu nơi nó được tạo ra, hay sửa vô tận ở hạ nguồn? Mọi bảng điều khiển và mô hình thừa hưởng khuyết điểm của các hồ sơ vận hành bên dưới, nên các quyết định phân tích hệ quả nhất thường được đưa ra xa ở thượng nguồn — trong cách một bệnh được mã hóa tại điểm chăm sóc, hay liệu cùng một bệnh nhân và dịch vụ có phân giải về một mã định danh duy nhất. Hãy thảo luận nơi tổ chức của bạn hiện vá chất lượng trong tầng báo cáo, và cần gì để sửa các vấn đề đó tại nguồn thay vào, thừa nhận rằng sửa ở hạ nguồn vừa vô tận vừa mất mát. Điều này không thể tách rời khỏi quản lý dữ liệu chủ: thiếu một phiên bản có thẩm quyền duy nhất của bệnh nhân, nhân viên và tổ chức, tổng không bao giờ đối chiếu được và cùng một người vỡ vụn qua các hồ sơ. Rủi ro công bằng cao nhất ở những trường khó mã hóa tốt nhất — sắc tộc, mức độ thiếu thốn, khuyết tật — nơi ghi nhận thưa hoặc không nhất quán lặng lẽ bóp méo mọi kết luận hạ nguồn. Một câu trả lời trung thực gọi tên ai sở hữu chất lượng cho từng luồng then chốt, liệu quyền sở hữu đó có vươn vào các hệ thống vận hành, và nơi sự vắng mặt của dữ liệu tham chiếu đáng tin đang âm thầm phá hoại các con số.

Trong thực tế: một ví dụ về y tế và chăm sóc#

Một Hội đồng Chăm sóc Tích hợp (ICB) ở một vùng đô thị và ven biển hỗn hợp muốn giảm nhập viện ngoài kế hoạch ở những người sống với tình trạng yếu, và làm điều đó mà không nới rộng khoảng cách giữa thị trấn chợ giàu có và các phường ven biển thiếu thốn của nó.

Nhóm sức khỏe dân số bắt đầu bằng một tập dữ liệu được liên kết lấy từ chăm sóc ban đầu, dịch vụ cộng đồng và hồ sơ bệnh viện, được phân tích bên trong Môi trường Dữ liệu An toàn của vùng để không có bản trích xuất nhận dạng nào rời khỏi môi trường được kiểm soát. Họ phân đoạn quần thể trên 65 tuổi và phân tầng rủi ro yếu, nhưng trước khi nhắm bất kỳ ai họ chạy một kiểm tra công bằng. Nó cho thấy mô hình đang chấm thấp cư dân các phường ven biển, vì các phòng khám đó trước đây mã hóa các bệnh mạn tính ít đầy đủ hơn — một khoảng trống chất lượng dữ liệu khoác áo nhu cầu thấp hơn. Thay vì tiến hành trên một điểm số thiên lệch, nhóm ủy thác một đợt thúc đẩy cải thiện mã hóa tập trung ở các phòng khám bị ảnh hưởng và điều chỉnh mô hình, xem việc sửa chất lượng dữ liệu là một phần của chính can thiệp.

Với một phân tầng rủi ro công bằng hơn, họ xác định khoảng 1.400 người có rủi ro cao chưa được dịch vụ cộng đồng biết đến. Một nhóm đa ngành đề nghị các cuộc rà soát chủ động, cố ý bắt đầu từ các phường ven biển. Quan trọng là phân tích không dừng ở việc nhắm. Một bảng điều khiển mô tả đơn giản theo dõi, theo phường và theo thập phân vị thiếu thốn, bao nhiêu cuộc rà soát chủ động đã diễn ra và nhập viện dịch chuyển ra sao trong sáu tháng sau đó — khép vòng từ hiểu biết đến hành động đến kết quả. Khi các cuộc rà soát của một địa phương đình trệ, bảng điều khiển làm lộ nó sớm, và nhóm điều tra thay vì chờ báo cáo cuối năm. Làm việc với đồng nghiệp tài chính và kinh tế học y tế của ICB, họ chuyển các ca nhập viện tránh được thành một lập luận giá trị biện minh cho việc tiếp tục chương trình. Không cần phép màu dự đoán nào ngoài một điểm rủi ro được quản trị tốt; giá trị đến từ chất lượng dữ liệu, kỷ luật công bằng, một lộ trình truy cập đáng tin, và sự theo đuổi không ngừng.

Góc nhìn theo khu vực#

Công ty khởi nghiệp#

Một công ty khởi nghiệp công nghệ y tế thường sống hay chết nhờ một tuyên bố phân tích hẹp — rằng công cụ của nó xác định đúng bệnh nhân, hoặc cải thiện một kết quả — nên ưu tiên của nó là bằng chứng, không phải độ rộng. Xây một đường ống gọn nhẹ, tái lập được và gắn công cụ đo cho sản phẩm của bạn để đo liệu nó có thay đổi quyết định và kết quả không, vì bằng chứng đó là thứ khách hàng và cơ quan quản lý sẽ đòi. Cưỡng lại cám dỗ hứa hẹn quá mức năng lực dự đoán hay "chạy bằng AI" trước khi nền tảng mô tả và chất lượng dữ liệu vững. Khi bạn xử lý dữ liệu NHS hoặc chăm sóc, hãy kỳ vọng làm việc bên trong Môi trường Dữ liệu An toàn của khách hàng hoặc đáp ứng quản trị tương đương; xem điều đó là ràng buộc thiết kế hạng nhất, thay vì một bất ngờ muộn, thường là điều phân biệt các công ty khởi nghiệp mở rộng được với những công ty đình trệ.

Doanh nghiệp nhỏ#

Một nhà cung cấp nhỏ đã thành lập — một phòng khám bác sĩ gia đình, một hiệu thuốc cộng đồng, một nhà dưỡng lão, một phòng khám đơn lẻ — thường có bệnh nhân thật và nghĩa vụ luật định nhưng không có nhà phân tích hay nhóm dữ liệu chuyên trách, nên mục tiêu thực tế là một bức tranh mô tả đáng tin, không phải một bậc thang trưởng thành. Dựa vào phân tích tích hợp sẵn trong các hệ thống bạn đã chạy và vào các tập dữ liệu và bảng điều khiển quốc gia hoặc do ICB cung cấp, đáng tin, thay vì dựng một nền tảng bạn không thể duy trì. Sửa chất lượng dữ liệu tại nguồn trong mã hóa vận hành của chính bạn, vì đó là đòn bẩy duy nhất hoàn toàn trong tầm kiểm soát của bạn và là thứ nuôi mọi mô hình khu vực về quần thể của bạn. Khi bạn phải chia sẻ dữ liệu cho sức khỏe dân số hoặc nghiên cứu, hãy dùng Môi trường Dữ liệu An toàn của ICB hoặc quốc gia thay vì gửi email bản trích xuất, điều giữ bạn tuân thủ cùng các nghĩa vụ như tổ chức lớn mà không cần nguồn lực của họ. Một chỉ số được chọn kỹ duy nhất mà bạn thực sự hành động theo — danh sách bệnh nhân quá hạn rà soát — thắng một bộ báo cáo không ai có thời gian mở.

Doanh nghiệp lớn#

Một nhà cung cấp lớn hoặc tích hợp hệ thống thường có vấn đề ngược lại: quá nhiều nền tảng, quá nhiều định nghĩa mâu thuẫn, và một cái đuôi dài các báo cáo cũ. Nhiệm vụ của doanh nghiệp lớn là hợp nhất và quản trị — một lớp ngữ nghĩa được tuyển chọn, tập dữ liệu được chứng nhận, và một mô hình vận hành rõ ràng cho nhà phân tích và kỹ thuật dữ liệu — để tự phục vụ nhân lên hiểu biết thay vì nhân lên bất đồng. Đầu tư vào công việc kém hào nhoáng của chất lượng dữ liệu và định nghĩa chủ, vì ở quy mô doanh nghiệp một chỉ số mơ hồ duy nhất có thể làm lệch hướng hàng triệu bảng. Đề phòng đế chế bảng điều khiển bằng cách đo mức sử dụng và cho nghỉ hưu cái không dùng. Cân bằng chuẩn trung tâm với quyền tự chủ địa phương, nếu không bạn sẽ hoặc bóp nghẹt đổi mới hoặc mất kiểm soát các con số.

Chính phủ#

Các cơ quan quốc gia và khu vực mang vai trò quản lý mà các tổ chức tư không có: họ đặt chuẩn, vận hành các Môi trường Dữ liệu An toàn lớn nhất, và giải trình trước công chúng về cách dữ liệu dân số được dùng. Các ưu tiên là tính chính danh và công bằng — quy tắc truy cập minh bạch, chuẩn chất lượng dữ liệu được công bố, và phân tích chủ động làm lộ các bất bình đẳng khắp quần thể. Chính phủ cũng có vị trí độc đáo để giảm sự trùng lặp, bằng cách cung cấp các tập dữ liệu quốc gia đáng tin và các đường ống tái lập được mà mọi nhóm địa phương có thể xây trên đó thay vì phát minh lại. Bài học bao trùm từ care.data là sự tham gia của công chúng không phải điều nghĩ sau của truyền thông mà là đầu vào thiết kế; đi nhanh hơn niềm tin cho phép thì bạn đặt lùi cả chương trình nghị sự nhiều năm.

Các kiểu thất bại thường gặp#

• Bảng điều khiển không ai hành động theo. Phân tích được xây để hiển thị dữ liệu thay vì thay đổi một quyết định, sinh sôi cho đến khi cái hữu ích bị chôn dưới cái bị phớt lờ.
• Giải cho công cụ, không phải câu hỏi. Mua một nền tảng hay năng lực học máy trước khi biết nó phải cải thiện quyết định nào.
• Mù chất lượng dữ liệu. Trình bày các con số tự tin xây trên dữ liệu không đầy đủ hoặc thiên lệch, đặc biệt nơi mã hóa kém về sắc tộc hay mức độ thiếu thốn che giấu các nhóm được phục vụ thiếu.
• Bành trướng bản trích xuất. Các bản sao dữ liệu nhạy cảm lan khắp bảng tính và ổ đĩa, tạo ra cả rủi ro bảo mật lẫn trách nhiệm niềm tin công chúng mà một Môi trường Dữ liệu An toàn lẽ ra tránh được.
• Định nghĩa trôi. Cùng một chỉ số có nghĩa khác nhau trong các báo cáo khác nhau, nên các cuộc họp tranh cãi con số của ai đúng thay vì cần làm gì.
• Sân khấu dự đoán. Xây các mô hình tinh vi mà tổ chức không có năng lực hành động theo, hoặc lặng lẽ mã hóa thiên lệch chống lại những quần thể cần nhất.
• Đi nhanh hơn niềm tin. Theo đuổi tham vọng phân tích mà không có sự tham gia của công chúng, và mất giấy phép xã hội mà mọi việc sử dụng thứ cấp dữ liệu phụ thuộc vào.
• Hiểu biết không có vòng lặp. Không bao giờ kiểm tra liệu hành động dự định có xảy ra hay kết quả có cải thiện, nên không ai học và không gì bị cho nghỉ hưu.

Mô hình trưởng thành#

Danh sách kiểm tra#

• Mỗi sản phẩm phân tích đáng kể gọi tên quyết định nó thay đổi và ai sở hữu quyết định đó.
• Số đo chất lượng dữ liệu (đầy đủ, chính xác, kịp thời) được đo, có người sở hữu và được công bố cho các luồng chính.
• Mã hóa sắc tộc, mức độ thiếu thốn và khuyết tật đủ tốt để hỗ trợ phân tích công bằng trung thực — và được cải thiện nơi chưa đủ.
• Một lớp ngữ nghĩa được quản trị định nghĩa các chỉ số cốt lõi nhất quán trên các công cụ tự phục vụ.
• Mã phân tích được kiểm soát phiên bản, rà soát đồng nghiệp và tái lập được.
• Dữ liệu nhạy cảm cho nghiên cứu và hoạch định được truy cập qua Môi trường Dữ liệu An toàn, không được sao chép ra.
• Phân tầng rủi ro và mô hình dự đoán được kiểm toán thiên lệch chống lại các nhóm được phục vụ thiếu.
• Báo cáo tiêu chuẩn chia nhỏ kết quả theo mức độ thiếu thốn và các đặc điểm được bảo vệ liên quan.
• Mỗi sản phẩm theo dõi liệu hành động dự định có xảy ra và kết quả có cải thiện.
• Bảng điều khiển và báo cáo không dùng được rà soát và cho nghỉ hưu theo chu kỳ đều đặn.
• Một lời giải thích công khai về cách dữ liệu bệnh nhân được dùng cho phân tích tồn tại và trung thực.
• Một chương trình hiểu biết dữ liệu hỗ trợ lãnh đạo và bác sĩ, không chỉ nhà phân tích.

Nguồn chính#

• NHS England — tài nguyên Population Health Management và Chương trình Phát triển Quản lý Sức khỏe Dân số.
• NHS England — hướng dẫn chính sách Secure Data Environment for NHS Health and Social Care.
• Văn phòng Thống kê Quốc gia / Chức năng Phân tích Chính phủ Vương quốc Anh — chiến lược và hướng dẫn Reproducible Analytical Pipelines (RAP).
• Quỹ Sức khỏe và The King's Fund — các phân tích về quản lý sức khỏe dân số và bất bình đẳng sức khỏe.
• Understanding Patient Data — tài nguyên công khai về môi trường nghiên cứu đáng tin và bài học của care.data.
• Data Saves Lives — chiến lược dữ liệu của Anh cho y tế và chăm sóc xã hội.

Tài liệu tham khảo#

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