Раскрытие потенциала медицинских данных здравоохранения: проблемы получения надежной информации
Данные играют решающую роль в формировании ухода за пациентами и стимулировании инноваций в отрасли в сегодняшнем ландшафте здравоохранения. Информация из медицинских данных здравоохранения может обеспечить комплексное представление о пути пациента, оптимизировать распределение ресурсов и улучшить стратегическое планирование для систем здравоохранения и поставщиков. Однако преобразование необработанных данных в действенные идеи требует технических знаний и понимания присущих им проблем. Без этого анализ данных может привести к неточным выводам, что значительно способствует предполагаемым 470 миллиардам евро, ежегодно теряемым в отрасли здравоохранения из-за мошенничества, растрат и злоупотреблений (FWA).
Ценность и ограничения данных по претензиям
Данные по претензиям, которые в первую очередь предназначены для целей возмещения, могут дать моментальный снимок деятельности здравоохранения. Однако использование этих данных для получения информации может привести к предвзятости и другим проблемам. Одной из таких проблем является «отсутствие», варьирующееся от незначительных упущений до существенных пробелов в данных. Эти отсутствующие данные могут подорвать обоснованность любых полученных сведений. Например, анализ национальной системы здравоохранения рыночной силы для замены тазобедренного сустава был искажен из-за отсутствия данных от прямых поставщиков, что привело к недооценке нескольких ключевых поставщиков.
Решение проблем качества данных и их отсутствия
Медицинские и фармацевтические компании часто упускают из виду масштабы пропусков и их влияние на качество данных. Такие проблемы, как неправильное хеширование данных, еще больше усложняют ситуацию, требуя глубокого понимания основных причин и упреждающих мер по их решению. Хотя некоторые организации прибегают к покупке дополнительных данных для смягчения этих проблем, этот подход не решает проблему полностью. Методы расширенной аналитики, включая машинное обучение (МО), могут страдать от этих проблем с качеством данных. Например, предельная ценность новых записей данных со временем уменьшается, особенно если не устраняются смещения, что приводит к неточным результатам модели МО. Однако выборочное использование высоконадежных данных и отбрасывание ненадежных данных может повысить точность и надежность этих моделей.
Чтобы полностью использовать потенциал данных здравоохранения, крайне важно принять комплексный подход к анализу данных. Этот подход должен включать надежный источник данных, передовые аналитические методы и четкое понимание конфиденциальности и договорных ограничений. Таким образом, мы можем генерировать более надежные и действенные идеи, независимо от того, решаем ли мы базовые вопросы или применяем расширенную предиктивную аналитику.
Источник: HealthcareITtoday
