Mapping Data Sources for Local Decision-Making on Maternal and Child Health in Tribal Primary Health Centre Settings of Andhra Pradesh, India

Die Studie zeigt, dass das Datenökosystem für die Mütter- und Kindergesundheit in tribalen Gesundheitszentren Andhra Pradeshs zwar umfangreich ist, jedoch aufgrund von Zugangsbarrieren und einer Ausrichtung auf administrative Berichterstattung statt lokaler Entscheidungsfindung kaum für die Verbesserung der Gesundheitsversorgung genutzt wird.

Das Wesentliche

🏥 Das Rätsel des vollen Bücherregals: Warum Ärzte in indischen Dörfern oft im Dunkeln tappen

Stellen Sie sich vor, Sie sind der Chef eines kleinen Krankenhauses in einem abgelegenen, bergigen Dorf in Indien. Ihr Job ist es, Mütter und Kinder gesund zu halten. Sie haben ein riesiges, vollgestelltes Bücherregal vor sich (die Daten). Es gibt Tausende von Büchern, die alles über die Gesundheit der Dorfbewohner enthalten: Wer hat ein Baby bekommen? Wer ist krank? Wer hat eine Impfung bekommen?

Aber hier ist das Problem: Sie dürfen die Bücher nicht öffnen.

Das ist genau das, was diese Studie herausgefunden hat. Die Forscher haben untersucht, wie es um die Datenlage in den Gesundheitszentren für indigene (tribale) Gemeinschaften in Indien steht. Ihr Fazit ist ein klassisches Paradoxon: „Datenreich, aber informationsarm."

Hier ist die Geschichte, wie sie sich anhört:

1. Der riesige Vorratsschuppen (Die Datenquellen)

Die Forscher haben in drei Gesundheitszentren (PHCs) nachgeschaut. Sie haben wie Detektive alles zusammengetragen, was an Informationen existiert.

• Das Ergebnis: Sie fanden 28 verschiedene Quellen für Daten.
• Die Analogie: Stellen Sie sich vor, Sie haben 28 verschiedene Kisten mit Werkzeugen.
  • 57 % dieser Kisten enthalten nur Werkzeuge für das Krankenhaus selbst (z. B. „Wie viele Geburten gab es?", „Wie viele Impfstoffe wurden verbraucht?").
  • Aber: Nur sehr wenige Kisten enthalten Werkzeuge für das Leben außerhalb des Krankenhauses. Es gibt kaum Informationen darüber, ob die Leute genug zu essen haben (Ernährung), ob sie eine Schule besuchen (Bildung), ob sie Arbeit haben (Einkommen) oder ob die Straßen im Regen passierbar sind (Verkehr).

Das Problem: Um ein Kind gesund zu halten, reicht es nicht zu wissen, dass es krank ist. Man muss wissen, warum es krank ist. Vielleicht hat die Familie kein Geld für Nahrung, oder die Mutter kann wegen einer verschmutzten Straße nicht zum Arzt kommen. Diese Informationen fehlen in den Kisten.

2. Die verschlossene Tür (Der Zugang)

Jetzt kommt der zweite Teil des Problems. Selbst wenn die Daten da sind, können die Ärzte sie oft nicht sehen.

• Die Situation: Von den 28 Kisten mit Werkzeugen konnten die Ärzte nur 9 öffnen (ca. 32 %).
• Die anderen 19 Kisten waren verschlossen, versiegelt oder befanden sich in einem anderen Gebäude, zu dem sie keinen Schlüssel hatten.
• Die digitale Falle: Viele dieser Daten sind zwar digitalisiert (auf Computern), aber das hilft den Ärzten vor Ort nicht. Es ist wie ein Online-Shop, der nur für den Chef im Hauptquartier sichtbar ist. Die Daten fließen nach oben (zum Ministerium), aber sie kommen nicht nach unten (zum Arzt im Dorf).

Ein Beispiel: Ein Computerprogramm (ANMOL) erfasst täglich, welche Schwangere welche Medikamente bekommen hat. Das Programm läuft auf dem Tablet der Krankenschwester. Aber der Arzt im Krankenhaus darf auf diesem Tablet nichts sehen. Er sieht nur eine leere Tabelle. Er weiß also nicht, welche Patientin Hilfe braucht, weil er die Daten nicht einsehen darf.

3. Warum ist das so schlimm? (Die Folgen)

Ohne diese Informationen ist der Arzt wie ein Schachspieler, der nur die Hälfte des Bretts sieht.

• Er kann keine Risikopatienten identifizieren, weil er keine Einzelheiten sieht.
• Er kann keine Karten erstellen, um zu sehen, welche Dörfer am schwersten zu erreichen sind.
• Er kann nicht planen, wie er Hilfe dorthin bringt, wo sie am dringendsten benötigt wird.

Die Daten werden gesammelt, um dem Staat zu zeigen: „Schaut her, wir haben gearbeitet!" (Verwaltungsbericht). Aber sie werden nicht genutzt, um zu zeigen: „Schaut her, hier müssen wir etwas ändern!" (Lokale Entscheidung).

4. Was ist die Lösung? (Der Weg nach vorne)

Die Forscher schlagen vor, das System umzudrehen:

1. Schlüssel aushändigen: Die Ärzte müssen endlich Zugriff auf die Einzelheiten der Daten bekommen (z. B. wer genau krank ist).
2. Türen öffnen: Die Daten aus anderen Ministerien (Schule, Straßenbau, Landwirtschaft) müssen mit den Gesundheitsdaten verknüpft werden. Ein Arzt muss wissen, ob in einem Dorf die Schule geschlossen ist oder die Straße weggespült wurde.
3. Einfache Werkzeuge: Statt komplizierter Berichte braucht man einfache Dashboards (wie ein Armaturenbrett im Auto), die dem Arzt sofort zeigen: „Hier ist das Problem, hier ist die Lösung."

Zusammenfassung in einem Satz

Indien sammelt Unmengen an Daten über die Gesundheit seiner indigenen Bevölkerung, aber diese Daten sind wie Schätze in einem Tresor, den die Ärzte vor Ort nicht öffnen können; um die Gesundheit wirklich zu verbessern, müssen diese Daten nicht nur gesammelt, sondern auch für die lokale Planung nutzbar gemacht werden.

Technische Zusammenfassung

Technische Zusammenfassung: Mapping von Datenquellen für lokale Entscheidungsfindung zur Mütter- und Kindergesundheit in tribalen Primärgesundheitszentren (PHC)

1. Problemstellung
Das Forschungsprojekt adressiert das weit verbreitete Paradoxon in Gesundheitssystemen von Ländern mit niedrigem und mittlerem Einkommen (LMIC): „Datenreich, aber informationsarm" (data rich, information poor). Obwohl massive Datenmengen gesammelt werden, fließen diese selten in lokale Entscheidungsprozesse ein.
In indischen tribalen Gebieten verschärft sich dieses Problem durch:

• Geografische Isolation und fragmentierte Governance.
• Das Fehlen von aufgetrennten (disaggregated) Gesundheitsdaten für indigene Bevölkerungsgruppen in Routine-Systemen.
• Eine Governance-Struktur unter Integrated Tribal Development Agencies (ITDA), bei der Gesundheits-, Bildungs-, Ernährungs- und Infrastrukturdaten in separaten, nicht integrierten Abteilungen vorliegen.
• Die Unfähigkeit von Ärzten in Primärgesundheitszentren (PHC), auf relevante Daten zuzugreifen, um Mütter- und Kindergesundheit (MCH) lokal zu planen, da Daten primär für administrative Berichterstattung nach oben fließen.

2. Methodik
Die Studie wurde als diagnostische Phase eines partizipativen Forschungsprojekts (Action Research) durchgeführt.

• Setting: Drei PHCs (Boduluru, Gangavaram, Vadapalli) im Distrikt Alluri Sitarama Raju, Andhra Pradesh, Indien, unter der Verwaltung der ITDA Rampachodavaram.
• Datenentdeckungsprozess: Ein dreiphasiger Ansatz (Oktober 2023 – März 2024):
  1. Dokumentenanalyse: Systematische Durchsicht von Registern, Berichtsformaten, nationalen Programmgrundlagen und digitalen Systemdokumentationen.
  2. Experteninterviews: Semi-strukturierte Interviews mit medizinischen Offizieren (MO), Pflegepersonal, ANMs (Helferinnen), ASHAs (Gesundheitsaktivisten) und ITDA-Koordinatoren.
  3. Stakeholder-Validierung: Ein Workshop mit PHC-Personal zur Validierung der Inventarliste und der Zugänglichkeitsbewertungen.
• Klassifikationsrahmen: Die identifizierten Datenquellen wurden mittels zweier komplementärer Frameworks kategorisiert:
  • HEALTHY-Framework: Kategorisierung nach gesundheitsrelevanten Determinanten (Healthcare, Education, Access, Labour, Transportation, Housing, Income).
  • Keller-Datenentdeckungs-Typologie: Kategorisierung nach Herkunft (Designed, Administrative, Opportunity, Procedural).
• Bewertung der Zugänglichkeit: Daten wurden als „Zugänglich", „Teilweise zugänglich" oder „Unzugänglich" für medizinische Offiziere klassifiziert.

3. Wichtige Beiträge

• Erstellung eines vollständigen Dateninventars: Identifikation von 28 distincten Datenquellen, die für MCH-Entscheidungen relevant sind, darunter sowohl traditionelle Gesundheitsdaten als auch erweiterte Quellen aus nicht-gesundheitsbezogenen Abteilungen.
• Dualer Klassifikationsansatz: Die Kombination von inhaltlicher (HEALTHY) und herkunftsbezogener (Keller) Klassifizierung ermöglichte eine umfassende Analyse sowohl thematischer Lücken als auch struktureller Barrieren.
• Partizipative Methode: Durch die Einbindung von Frontline-Mitarbeitern wurden informelle Datenpraktiken und „Workarounds" identifiziert, die in reinen Dokumentenanalysen unsichtbar geblieben wären.
• Diagnose der Zugänglichkeitslücke: Der Nachweis, dass Digitalisierung nicht automatisch Zugänglichkeit bedeutet und dass die Datenarchitektur primär auf administrative Kontrolle und nicht auf lokale Fürsorge ausgelegt ist.

4. Ergebnisse

• Anzahl der Quellen: 28 identifizierte Datenquellen.
• Verteilung nach HEALTHY-Domänen:
  • Healthcare dominiert mit 57,1 % (16 Quellen).
  • Soziale Determinanten sind stark unterrepräsentiert: Housing (10,7 %), Income (10,7 %), Education (7,1 %), Labour (7,1 %), Transportation (3,6 %), Access to healthy choices (3,6 %).
• Verteilung nach Herkunft (Keller):
  • Administrative Daten dominieren (46,4 %).
  • Opportunity-Daten (21,4 %), Procedural-Daten (17,9 %) und Designed-Daten (14,3 %) sind weniger vorhanden.
• Zugänglichkeit (Kernbefund):
  • Nur 32,1 % (9 von 28) der Quellen sind für medizinische Offiziere vollständig zugänglich.
  • 57,1 % sind am PHC-Level unzugänglich.
  • 10,7 % sind nur teilweise zugänglich.
  • Trotz eines hohen Digitalisierungsgrades (67,9 % der Quellen haben digitale Komponenten) ist der Zugriff auf diese Daten stark eingeschränkt.
• Technische Merkmale:
  • Die Datenformate sind gemischt (35,7 % digital, 32,1 % papierbasiert, 32,1 % hybrid).
  • Räumliche Daten (Geokoordinaten) sind extrem selten (nur 14,3 % der Quellen), was räumliche Analysen erschwert.
  • Die Granularität reicht von Einzelpersonen bis zu Aggregaten, wobei die detaillierten Einzeldaten (z. B. im RCH-Portal) für lokale Ärzte oft unsichtbar sind.

5. Bedeutung und Schlussfolgerungen
Die Studie belegt eine fundamentale Diskrepanz zwischen Datengenerierung und lokaler Nutzbarkeit im tribalen PHC-Ökosystem.

• Systemisches Versagen: Das aktuelle System ist auf „administrative Rationalität" (Berichterstattung nach oben) ausgerichtet, nicht auf „Versorgungs-Rationalität" (lokale Entscheidungsfindung).
• Folgen: Medizinische Offiziere können keine Risikopatienten identifizieren, keine räumlichen Abdeckungsanalysen durchführen und determinantenbasierte Planungen (z. B. Ernährung, Transport) nicht integrieren.
• Empfehlungen:
  1. Gewährung von Zugriff auf individuelle RCH-Portal-Daten für lokale Ärzte.
  2. Einrichtung von Mechanismen für den abteilungsübergreifenden Datenaustausch auf ITDA-Ebene.
  3. Integration räumlicher Daten in die Routineberichterstattung.
  4. Entwicklung von Dashboard-Tools, die zugängliche Daten aggregieren.
  5. Aufbau lokaler Kapazitäten zur Generierung von „Designed Data" (z. B. schnelle Erhebungen).

Fazit: Um die Mütter- und Kindergesundheit in tribalen Bevölkerungsgruppen zu verbessern, muss das Gesundheitssystem von einer reinen Überwachungsarchitektur hin zu einem systemischen Ansatz umgestaltet werden, der Daten für lokale Handlungsfähigkeit (actionability) bereitstellt.