Evaluation of linkage between health, education and social care administrative data for 21 million children in England
Diese Studie bewertet die Verknüpfung von Daten aus dem Gesundheitswesen, dem Bildungswesen und der sozialen Pflege für 21 Millionen Kinder in England und zeigt auf, dass zwar über 90 % der jüngsten Kohorten erfolgreich verknüpft werden, jedoch eine signifikante Unterrepräsentation bei Kindern aus benachteiligten Gebieten, Bewohnern Londons und Minderheiten mit ethnischem Hintergrund fortbesteht, was die kritische Notwendigkeit unterstreicht, dass Forscher diese demografischen Verzerrungen in ihren Analysen berücksichtigen müssen.
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 vor, Sie versuchen, die Gesundheit der Kinder einer Nation zu verstehen, indem Sie auf eine einzige, riesige Landkarte blicken. In England wird diese Karte nicht durch die Befragung jeder einzelnen Familie gezeichnet, sondern durch das Zusammenfügen von drei verschiedenen Datensätzen offizieller Aufzeichnungen: den medizinischen Notizen aus Krankenhäusern und Kliniken, den Anwesenheits- und Leistungsregistern der Schulen sowie den Akten der Sozialdienste. Jahrzehntelang wurden diese Aufzeichnungen in verschiedenen Gebäuden verwahrt, bewacht von unterschiedlichen Regeln. Doch Forscher haben daran gearbeitet, sie miteinander zu verknüpfen, und so ein leistungsstarkes Werkzeug namens ECHILD geschaffen. Dieses System ermöglicht es Wissenschaftlern zu sehen, wie die Gesundheit eines Kindes, seine Zeit im Klassenzimmer und die sozialen Umstände seiner Familie über ein ganzes Leben hinweg miteinander verwoben sind. Die Hoffnung ist, dass wir durch das Betrachten des Gesamtbildes Probleme früher erkennen und eine bessere Unterstützung für die Millionen junger Menschen gestalten können, die in England aufwachsen. Damit diese Karte jedoch nützlich ist, muss sie genau sein. Wenn die Karte ganze Stadtteile oder bestimmte Bevölkerungsgruppen übersieht, könnten die daraus gezogenen Schlussfolgerungen irreführend sein und potenziell dazu führen, dass die am stärksten gefährdeten Kinder ohne die Hilfe bleiben, die sie benötigen.
Ein Forschungsteam hat sich kürzlich zum Ziel gesetzt, die Qualität dieser massiven digitalen Karte zu überprüfen. Sie wollten genau wissen, wie viele Kinder erfolgreich über diese verschiedenen Datensätze hinweg verknüpft werden konnten und, was ebenso wichtig ist, wer fehlt. Sie untersuchten Daten von 21 Millionen Kindern, die zwischen 1984 und 2023 geboren wurden. Der Prozess beinhaltete das Abgleichen eines Schulregisters eines Kindes mit seinem medizinischen Datensatz unter Verwendung sicherer, anonymer Identifikatoren. Die Ergebnisse zeigten, dass das System in seiner Kernaufgabe bemerkenswert effektiv ist. Für Kinder, die in den letzten Jahren geboren wurden, konnten mehr als 90 Prozent derjenigen, die einen Geburtsdatensatz aus einem Krankenhaus besitzen, erfolgreich mit einem Schulregister verknüpft werden. Ebenso wurde festgestellt, dass etwa 88 Prozent der Kinder, die in den frühen 2000er Jahren eine Schule besuchten, einen entsprechenden medizinischen Datensatz aufwiesen. Insgesamt enthält das System nun verknüpfte Informationen zu 21 Millionen Individuen, was eine Ressource schafft, die über 350 Millionen Beobachtungsjahre umfasst.
Dennoch zeigte die Studie, dass diese Karte nicht perfekt vollständig ist, und die fehlenden Teile sind nicht zufällig verteilt. Die Forscher fanden heraus, dass die Wahrscheinlichkeit, dass ein Kind in die verknüpften Daten aufgenommen wird, stark davon abhängt, wer es ist und wo es lebt. Kinder, die in London leben, Kinder aus benachteiligten Gebieten und Kinder aus ethnischen Minderheiten wurden seltener erfolgreich mit ihren Datensätzen verknüpft als ihre Altersgenossen. So tauchten beispielsweise Kinder, die als schwarz oder asiatisch registriert waren, oder solche, die in den wirtschaftlich am stärksten benachteiligten Vierteln lebten, seltener in den verknüpften Daten auf als weiße Kinder oder solche aus wohlhabenderen Gegenden. Dieses Muster hielt über verschiedene Altersgruppen und Zeiträume hinweg an. Die Gründe für diese Lücken sind vielfältig. Einige Kinder haben sich möglicherweise dagegen entschieden, dass ihre Gesundheitsdaten für die Forschung verwendet werden, andere könnten Privatschulen besucht haben, die nicht vollständig in der nationalen Datenbank erfasst sind, oder sie könnten nach ihrer frühen Kindheit nach England gezogen sein, ohne zuvor einen medizinischen Datensatz im System zu haben.
Die Forscher untersuchten auch, ob das System versehentlich die falschen Personen verbindet, wie etwa das Verknüpfen des Schulregisters eines Kindes mit der medizinischen Akte eines anderen Kindes. Sie fanden heraus, dass falsche Übereinstimmungen extrem selten waren und in weniger als einem Prozent der Fälle auftraten. Wenn sie vorkamen, waren sie bei Kindern mit fehlenden oder unklaren Informationen in ihren Unterlagen häufiger, wie etwa bei jenen ohne festen Wohnsitz oder mit unvollständigen demografischen Details. Dies deutet darauf darauf hin, dass die Fehler meist auf eine schlechte Datenqualität zurückzuführen sind und nicht auf einen Fehler in der Matching-Technologie selbst. Die Studie hob auch eine spezifische historische Besonderheit hervor: Kinder, die zwischen 1997 und 2002 geboren wurden, ließen sich seltener verknüpfen, da in diesen Jahren Babys nicht automatisch eine eindeutige nationale Gesundheitsnummer bei der Geburt erhielten, was zu Verwirrung in den Aufzeichnungen führte und die Verknüpfung erschwerte.
Die Bedeutung dieser Ergebnisse liegt darin, was sie uns über die Grenzen der Nutzung von Big Data zum Verständnis der Gesellschaft lehren. Während das ECHILD-System ein leistungsstarkes Werkzeug zur Generierung von Erkenntnissen zur Verbesserung der Kindergesundheit ist, repräsentiert es nicht jedes einzelne Kind gleichermaßen. Die Gruppen, die am wahrscheinlichsten unterrepräsentiert sind, sind oft genau jene Gruppen, die vor den größten gesundheitlichen und sozialen Herausforderungen stehen. Wenn Forscher diese Daten verwenden, ohne diese Lücken zu berücksichtigen, könnten sie fälschlicherweise glauben, dass bestimmte Gesundheitsprobleme in benachteiligten Gebieten oder unter Minderheiten seltener vorkommen, einfach weil diese Kinder in dem Datensatz fehlen. Die Autoren betonen, dass das Verständnis darüber, wer fehlt, genauso entscheidend ist wie das Verständnis darüber, wer präsent ist. Indem sie die Grenzen ihrer Karte kennen, können Wissenschaftler ihre Methoden anpassen, um sicherzustellen, dass die Geschichten, die sie über die Gesundheit von Kindern erzählen, fair und genau sind, anstatt unbeabsichtigt die Stimmen derer zu verstummen, die am meisten gehört werden müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.