Development and formative application of the Health Data Readiness Level framework for federated health-data services.
Dieses Papier präsentiert die Entwicklung und die formative Anwendung des Health Data Readiness Level (HDRL)-Frameworks, eines multidimensionalen Instruments zur Bewertung der organisatorischen und systemischen Bereitschaft für föderierte Gesundheitsdatendienste über drei britische Ökosysteme hinweg, wobei darauf hingewiesen wird, dass es sich weiterhin um ein Planungsinstrument und nicht um einen validierten Akkreditierungsstandard handelt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich den menschlichen Körper als eine riesige, geschäftige Stadt vor, in der jedes Krankenhaus, jede Klinik und jede Apotheke ein anderes Viertel ist. Jahrelang mussten Forscher, die versuchten, große medizinische Rätsel zu lösen, jedes Viertel bitten, ihre geheimen Rezeptbücher (Patientendaten) an eine einzige, riesige zentrale Bibliothek zu schicken. Aber das war riskant; wenn die Bibliothek gehackt wurde, waren alle Geheimnisse auf einmal preisgegeben. Zudem waren einige Viertel zu beschäftigt oder zu besorgt um die Privatsphäre, um ihre Bücher überhaupt zu verschicken. Also kamen Wissenschaftler auf eine klügere Idee: „Föderierte Forschung“. Anstatt die Bücher zu bewegen, schicken sie einen winzigen, supersicheren Roboter in jedes Viertel. Der Roboter liest die lokalen Bücher, führt die Berechnungen direkt vor Ort durch und bringt nur das Endergebnis zurück, während die Geheimnisse hinterlassen werden. Es ist, als würde man einen Koch schicken, der in zehn verschiedenen Küchen Speisen probiert und dann nur über den Geschmack berichtet, ohne jemals die Zutaten mit nach Hause zu nehmen.
Aber hier ist der Haken: Nur weil eine Küche einen Herd hat, bedeutet das nicht, dass sie bereit ist, für eine ganze Stadt zu kochen. Einige Küchen haben kaputte Öfen, einige Köche sind im Urlaub, und einige Viertel sind sich nicht einmal einig darüber, was „scharf“ eigentlich bedeutet. Bevor wir diesen Robotern vertrauen können, die durch das Land laufen sollen, müssen wir eine Möglichkeit finden, zu prüfen, ob jede Küche tatsächlich bereit ist zu kochen. Hier kommt das Konzept der „Bereitschaft“ ins Spiel. Es geht nicht nur darum, die Technologie zu besitzen; es geht darum, die Regeln, die Menschen, das Geld und das Vertrauen zu haben, um das gesamte System reibungslos funktionieren zu lassen.
Das „Health Data Readiness Level“ (HDRL) Framework
In dieser Arbeit hat ein Expertenteam ein neues Werkzeug entwickelt, das Health Data Readiness Level (HDRL) Framework genannt wird. Betrachten Sie dies als eine riesige, 64-Punkte-Checkliste, die dazu dient, jene „Nachbarschaftsküchen“ (Gesundheitsdatendienste) zu inspizieren, um zu sehen, ob sie wirklich bereit sind, die Forschungsroboter hereinzulassen.
Die Autoren haben nicht einfach geraten, was zu prüfen ist. Sie haben 56 andere bestehende Checklisten und Blaupausen analysiert, intelligente Künstliche Intelligenz eingesetzt, um die besten Ideen zu kombinieren, und dann echte Experten aus drei verschiedenen Teilen des Vereinigten Königreichs gebeten, es zu verfeinern. Das Ergebnis ist ein massiver Bewertungsbogen mit 64 verschiedenen Indikatoren (Kontrollpunkten), die sich über 8 verschiedene Kategorien verteilen. Diese Kategorien decken alles ab – von „Haben Sie genug Daten?“ und „Ist Ihre Sicherheit stark?“ bis hin zu „Haben Sie genügend qualifiziertes Personal?“ und „Vertraut die Öffentlichkeit Ihnen?“.
Das Framework bewertet jeden Dienst auf einer Skala von 1 bis 5, ähnlich einem Level-System in einem Videospiel:
- Level 1 (Initial): Sie fangen gerade erst an; es herrscht Chaos.
- Level 2 (Developing/Entwickelnd): Sie haben einige Pläne, aber diese funktionieren noch nicht vollständig.
- Level 3 (Defined/Definiert): Sie haben klare Regeln und Prozesse.
- Level 4 (Managed/Gesteuert): Sie laufen reibungslos und können dies mit Zahlen belegen.
- Level 5 (Optimising/Optimierend): Sie verbessern sich ständig und sind die Besten in der Welt.
Was sie herausfanden: Die Realität von „bereit“, aber „noch nicht ganz“
Das Team testete diese neue Checkliste an drei verschiedenen Gesundheitsdatensystemen im Vereinigten Königreich: Wales, Schottland und Nordirland. Sie wollten sehen, ob die Checkliste funktioniert und wo die Lücken liegen.
Hier ist das Gesamtbild dessen, was sie entdeckten:
- Die Checkliste funktioniert: Sie konnten alle 64 Punkte für alle drei Orte bewerten. Das bedeutet, dass das Werkzeug flexibel genug ist, um bei unterschiedlichen Arten von Organisationen zu funktionieren.
- Das „Beweis“-Problem: Das häufigste Problem war nicht, dass die Dienste die Arbeit nicht ausführen konnten; das Problem war, dass sie nicht beweisen konnten, dass sie es gut machten. Viele Dienste sagten: „Wir haben ein schnelles System!“, aber sie hatten keine schriftlichen Aufzeichnungen oder gemessenen Zahlen, um das zu belegen. Es ist, als würde ein Schüler sagen: „Ich habe hart gelernt!“, aber keine Hausaufgaben vor dem Lehrer vorweisen können.
- Die Level:
- Wales sah am ehesten „Managed“ aus (hauptsächlich Level 3 und 4). Sie haben viele Daten und gute Prozesse.
- Schottland war hauptsächlich „Defined“ (Level 3). Sie haben die Regeln, arbeiten aber noch daran, genügend Daten von Hausärzten (GP) zu erhalten, um die gesamte Bevölkerung abzudecken.
- Nordirland war „Developing“ (hauptsächlich Level 2 und 3). Sie bauen das Fundament auf, haben aber noch etwas Wachstum vor sich.
- Die „Fünf Säulen“: Das Team schlug vor, dass ein Dienst mindestens Level 3 in fünf spezifischen, nicht verhandelbaren Bereichen erreichen muss, um überhaupt in ein nationales Forschungsnetzwerk aufgenommen zu werden: eine rechtliche Grundlage zur Datennutzung haben, ein Komitee zur Genehmigung von Forschung haben, strenge Datenschutzkontrollen haben, Sicherheitszertifikate besitzen und ein Sicherheitsteam im Dienst haben. Alle drei Orte bestanden diesen Basistest.
Was dieses Paper NICHT sagt
Es ist sehr wichtig zu verstehen, was dieses Paper nicht behauptet. Die Autoren sind sehr vorsichtig und betonen, dass dieses Framework keine Abschlussprüfung ist, die ein Krankenhaus besteht oder durchfällt. Es ist noch kein offizielles Regelbuch der Regierung und es ist auch kein Weg, um zu bewerten, welches Land „besser“ als die anderen ist.
Das Paper schließt explizit aus, dieses Werkzeug derzeit als offizielle „Akkreditierungsnorm“ (ein Gütesiegel) oder als strikte „Schwelle“ (eine Mindestanforderung) für den Beitritt zum neuen Health Data Research Service des Vereinigten Königreichs zu verwenden. Warum? Weil das Werkzeug noch nicht ausreichend getestet wurde. Die Autoren geben zu, dass sie noch nicht bewiesen haben, dass die Bewertungen absolut zuverlässig sind (dass verschiedene Personen die gleiche Bewertung abgeben würden) oder dass die Ergebnisse den zukünftigen Erfolg tatsächlich vorhersagen. Sie bezeichnen es als eine „formative Anwendung“, was eine schicke Art zu sagen ist: „Wir haben es ausprobiert, um zu sehen, wie es funktioniert und um Dinge zu finden, die man reparieren muss, nicht um einen Gewinner zu küren.“
Das Fazit
Die Hauptbotschaft ist, dass der Aufbau eines nationalen Systems, in dem Forschungsroboter zwischen Krankenhäusern hin- und herspringen können, ein riesiges Puzzle ist. Wir haben die Teile (die Technologie), aber wir finden noch heraus, ob jedes Teil auch perfekt passt.
Das HDRL-Framework ist eine neue, hilfreiche Karte, die uns zeigt, wo die fehlenden Teile liegen. Es verdeutlicht, dass wir zwar die Fähigkeit zur föderierten Forschung besitzen, aber oft den Nachweis vermissen, dass sie im täglichen Betrieb reibungslos funktioniert. Das Paper legt nahe, dass wir uns, bevor wir diesem System unsere Gesundheitsgeheimnisse anvertrauen, darauf konzentrieren müssen, unsere Leistung besser zu messen, mehr Personal zu schulen und sicherzustellen, dass die Öffentlichkeit uns vertraut.
Für den Moment eignet sich das HDRL am besten als Werkzeug zur Verbesserung – wie ein Coach, der einem Team beim Training hilft – und nicht wie ein Schiedsrichter, der die Pfeife zieht, um das Spiel zu beenden. Es ist ein vielversprechender erster Schritt, aber das Spiel ist noch nicht zu Ende.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.