转型总监Justin Hassall Informed Solutions
数据的使用处于世界抗击为期两年的全球大流行病的最前沿. 利用在2019冠状病毒病期间从很大一部分人口收集的数据进行数据分析的进展再次表明,数据平台有潜力应对对卫生和社会保健的未来至关重要的长期挑战.
机会(和挑战)的规模可以在 Goldacre报告的 全球最大的博彩平台在医疗保健环境中更好地利用数字技术和数据的185项广泛建议. 该报告指出了关键的数据隐私和包容性问题,尽管有更好地利用数据的巨大机会, 在收集和使用患者数据时也迫切需要谨慎和考虑. 这必须以提供个人信息访问的道德框架为指导, 以及旨在减少医疗保健获取和提供不平等的系统.
加快提供人人享有的保健服务
在医院之外的不同护理环境中,加速提供护理的需求正在不断发展, 公众要求在最适合个人及其特殊需要的环境中获得护理.
然而, 而一些护理人员, 当地政府, 而其他组织则是数据使用方面的开拓者, 数字工具和技术, 社会关怀落后. 在这一卫生服务和护理途径的新愿景中,提高数据质量至关重要, 作为卫生部的名称 & 社会关怀战略在其2022年战略中指出 数据拯救生命.
向以情报为主导的卫生服务过渡的基础是需要交换高质量的数据, 利用综合护理系统(Integrated Care Systems, ics)内部和之间传递的信息,就提供何种护理以及在何处提供护理做出重要决策.
数据对于确保正确的人在正确的时间和正确的地点获得正确的护理至关重要. 它是围绕人们的能力和需求组织护理和联合卫生和社会护理服务的关键因素. It’s also a central ingredient for improving population health and care; which is key to tackling healthcare disparities, 不平等的结果, and access; and a catalyst for driving healthcare productivity and value for money.
建立信心和信任
确保高水准的数据质量, 公众需要更自如地分享和提供个人信息. 这种安慰和信任来自于建立自信的方式,他们的敏感, 分享个人资料, 储存和使用,以便简化和加速他们获得所需的护理和治疗. 如果数据不准确或“决策等级”,那么它的能力就会大大降低.
将患者置于数据收集和准确性挑战的中心是很重要的, 但这必须有效地完成. 2020年11月, 卫生和社会保障部发表了一份全球最大的博彩平台卫生和社会保障系统过度官僚主义的报告, 哪些证据性数据收集直接影响医疗服务的提供. 错误的人,做错误的工作,但有正确的理由. 虽然不质疑高质量数据的重要性, 这也是一个警告,数据收集必须有效地设计到流程中,以免损害它所寻求改善的护理.
人口统计和人们居住地点的制图使人们能够在最需要的地方进行地理规划和安排服务和护理, 建立模型以了解队列的结构和规模, 例如提供疫苗接种或提供药物以减轻局部疾病暴发.
随着综合护理系统(ics)成为现实,作为NHS长期计划的重要组成部分, 需要确保数据和信息在中央之间方便安全地流动, 区域, 当地的护理机构也至关重要. NHS并不缺乏数据,但它确实受到来自多个来源的孤立数据的困扰.
全球卫生保健部门已经在使用新技术和新流程将医疗服务扩展到医院之外,但COVID-19迫使供应商在一夜之间改变业务,并大幅采用虚拟会诊, 访问, 远程病人监护.
患者参与和护理服务的强制转变带来了许多机会和好处, 尤其是以有意义和综合的方式提供物理和虚拟护理的潜力,无论患者身在何处,都能提供更好的患者体验和更好的临床结果.
集成钥匙
使这一愿景成为有效的现实, NHS和整个供应商社区必须提供整合, 协作, 沟通, 信息共享需要满足全体人口的需求,也需要满足越来越多需要在偏远地区接受治疗的患者的需求——在他们最需要的地方接受治疗, 以及他们的需求最能得到满足的地方. 这种护理将由多学科团队远程合作提供,在整个社区提供整个系统的护理方法.
现有的NHS的碎片化和分化程度, 互操作性仍然是新型数字化综合护理服务的基本组成部分. 当与向物理病房外提供护理相抵触时, 我们的观点是,数据质量和数据共享平台不应该仅仅由现有技术来定义, 而是根据病人的需要, 临床医生, 以及更广泛的健康和社会关怀社区.
真正有效的互操作性生态系统将提供使用技术标准的统一基础设施, 政策, 以及实现无缝安全捕获的协议, 发现, 交换, 健康信息的利用, 有适当的控制,以确保正确和有效的使用. 在这, 通过相互交流和更好地协同工作的平台重塑遗留系统将用于更有效地访问和共享数据.
这个生态系统还必须更好地应对共享非结构化数据的挑战, 例如采用人工智能(AI), 机器学习(ML), 和自然语言处理(NLP)技术来发现和提供相关的信息在使用点. 然而, 为了应对这一挑战,新的数据科学模型的开发必须与质量的提高齐头并进, 可用性, 并适当使用数据集来解释种族, 性别, 以及社会的多样性和平等.
实现梦想
作为两届女王奖创新获奖者,我们有能力加速和降低数字业务变革的风险, 我们看到了应对NHS数据质量挑战的几个关键,包括处理数据验证和支持清理, 地址数据的匹配和验证. 使用机器学习来提高人口统计数据质量的潜力是显而易见的, 更好地管理数据质量流,包括清理和自动纠正大量人口统计数据.
成功解决信息质量问题,使卫生服务部门能够获得决策级数据, 我们还通过与英国国家医疗服务体系(NHSE)合作,从患者安全事件中学习(LFPSE)服务, 工业签署FHIR等技术标准的重要性, 哪些已经对有效分享学习成果和改善护理服务产生了重大而积极的影响.
这就把我们带回到本文的开头——加速医疗服务的提供, 是什么在医院之外的不同护理环境中不断发展, 是否受到在最适合个人及其特殊需要的环境中获得护理的需求的推动. 没有围墙的医院和社会护理——为每个人服务. 质量、决策、等级数据是实现这一承诺的关键.