Gesundheit

Forscher identifizieren Gesundheitswesen Daten, Mängel, erstellen von software für eine einfachere Fehlererkennung

Forscher an der University of Maryland, Baltimore County (UMBC) hat eine Methode entwickelt zur Untersuchung der Qualität der Versorgung, die Daten mit einem systematischen Ansatz, basierend auf die Erstellung einer Taxonomie für Daten-Mängel Gründliche überprüfung der Literatur und Prüfung von Daten. Mit diesem Taxonomie, die Forscher eine software entwickelt, die automatisch erkennt Daten, Mängel, effektiv und effizient.

Die Forschung, veröffentlicht in der Zeitschrift der American Medical Informatics Association (JAMIA), und wird geleitet von Güne? Koru, FAMIA, professor für Wirtschaftsinformatik, und Yili Zhang, ein ehemaliger student im Aufbaustudium in Koru ‚ s lab, die jetzt ein postdoctoral fellow an der Northwestern University. Das Papier betont, dass die Prävalenz der Mängel in einigen der vorhandenen Daten im Gesundheitswesen kann sehr hoch sein. Diese müssen angesprochen werden, um besser zu nutzen die Daten, um die Qualität der Gesundheitsfürsorge verbessern, die Kosten zu senken und eine bessere Gesundheitsversorgung Ergebnisse. Das team zusammen mit einem anonymen healthcare-Organisation mit der realen healthcare-datasets.

Obwohl viele Forscher sind heute involviert in die Analyse von Daten im Gesundheitswesen und investiert in seine Bedeutung, es gibt sehr wenig Forschung getan, die Qualität der Daten, die analysiert werden. Letztlich, dies schafft ein massives problem, weil sich wichtige Erkenntnisse aus den Daten möglicherweise weniger aussagekräftig ist als angenommen, es sei denn, erhebliche Mühe und Geld kann investiert werden, um den Umgang mit Daten-Qualität Probleme mit ad-hoc-Methoden. Zum Beispiel, dass viele der Daten, die Koru der Mannschaft analysiert, Fehler, Doppelarbeit, nicht übereinstimmende Formatierung und falschen syntax.

Die Identifizierung dieser Mängel im Gesundheitswesen Daten ist zutiefst wichtig, wenn es um Einrichtungen des Gesundheitswesens die Bereitstellung von grundlegenden Dienstleistungen. Koru erklärt, wie Einrichtungen des Gesundheitswesens die gesammelten Daten verwenden. Organisationen im Gesundheitswesen müssen „verbessern, auf Ihre Leistungen auf der Grundlage dieser Daten und noch mehr Daten sammeln. Wenn wir verhindern können, dass dieser Zyklus gehen, können wir tatsächlich lernen und sich zu verbessern, schneller, das ist der Grundgedanke hinter dem Konzept der Lern-Health-Systemen, und dies ist umso wichtiger in der COVID-19-ära“, sagt er.

In den letzten zehn Jahren, Dienstleister im Gesundheitswesen in den USA machte einen großen Sprung von der Aufbewahrung der Patientenakten auf Papier mit allen Patientendaten in EDV-Datenbanken. Dieser Sprung ist von Bedeutung, da Sie die Möglichkeit bietet es für die Analyse, aber die Forscher sind immer noch versuchen zu lernen, wie man effektiv nutzen die Daten als asset.

Koru Positionen in seinem team die Forschung über die Qualität der Daten zwischen den Feldern zu arbeiten, zu nutzen, die Daten und die Felder, die arbeiten zu generieren. Wenn die Daten selbst—die Brücke, die verbindet die zwei Felder enthält viele Ungereimtheiten und Probleme auf, dann werden die relevanten Informationen nicht verwendet werden können, um bessere Ergebnisse für die Patienten und Einrichtungen.

In der Zukunft, Koru wird weiterhin mit dem partner facility-healthcare-Profis zu bauen, einen Weg in die Zukunft. Er wird die Zusammenarbeit weiter zu verbessern, die Qualität der Daten und aufrechtzuerhalten eine operation, die Grundlagen viel von seinem Erfolg auf den Daten, die Sie sammeln können, von Gesundheits-Dienstleistungen. Sein team gemeinsam mit den healthcare-Verwaltung-Profis, wenn die software-tools entwickelt, die durch diese Forschung werden angenommen im organisatorischen Einstellungen, um die Nutzbarkeit und Nützlichkeit des tools.

„Die Taxonomie, die helfen, Daten-stewards zu identifizieren, zu verstehen und zu verwalten potenzielle datenqualitätsprobleme in Ihrer zukünftigen Arbeit,“ sagt Zhang.