Assessment of Data Quality in Relapse Tuberculosis Surveillance Data in Botswana (2022)
Obwohl die zentralen Überwachungsvariablen für Rückfalltuberkulose in den Daten aus Botswana aus dem Jahr 2022 eine hohe Vollständigkeit aufwiesen, zeigt die Studie, dass erhebliche Duplikationen innerhalb des krankenhausbasierten Meldesystems die Fallschätzungen signifikant verzerrten, was verdeutlicht, dass Vollständigkeit allein nicht ausreicht, um die Datenqualität in Umgebungen mit Multi-Plattform-Überwachung zu bewerten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, das nationale Gesundheitssystem in Botswana wäre wie eine riesige Bibliothek, die versucht, jedes Buch (jeden Patienten) im Blick zu behalten, das für eine bestimmte Art von Reparatur (Tuberkulose-Behandlung) hereinkommt. Die Bibliothekare (das Gesundheitspersonal) nutzen drei verschiedene Computersysteme, um aufzuschreiben, wer zu Besuch kommt: eines für die Hauptbibliothek (OpenMRS), eines für die spezielle Reparaturwerkstatt (MPM-Krankenhäuser) und eines für die kleinen Leseecken (BHP-Kliniken).
Diese Studie war wie ein Qualitätsprüfer, der im Jahr 2022 durch die Bibliothek ging, um die Bücher über „Relaps-TB“ (Patienten, die die Behandlung abgeschlossen hatten, aber wieder krank wurden) zu überprüfen. Der Prüfer wollte zwei Dinge wissen:
- Haben die Bibliothekare die Formulare korrekt ausgefüllt? (Vollständigkeit)
- Haben sie versehentlich denselben Namen doppelt aufgeschrieben? (Duplikation)
Hier ist das, was der Prüfer herausfand, einfach erklärt:
1. Die Formulare waren perfekt ausgefüllt
Der Prüfer überprüfte die „Pflichtfelder“ auf den Formularen – Dinge wie das Datum des Behandlungsbeginns, die Art der TB und den Namen der Klinik.
- Das Ergebnis: Die Bibliothekare haben einen fantastischen Job gemacht. Über 98 % der Formulare hatten alle Felder ausgefüllt. Es war, als hätte jedes Buch ein perfektes Etikett auf seinem Buchrücken.
- Der Haken: Nur weil das Etikett perfekt ist, bedeutet das nicht, dass das Buch auch einzigartig ist. Man kann ein perfektes Etikett auf demselben Buch haben, aber wenn man es dreimal auflistet, denkt man, man hätte drei Bücher, obwohl man nur eines hat.
2. Das Problem mit dem „Doppelzählen“
Hier wird die Geschichte interessant. Der Prüfer stellte fest, dass die Formulare zwar vollständig waren, aber das MPM (Krankenhaus)-System etwas chaotisch war.
- Das OpenMRS-System (Hauptbibliothek): Sehr ordentlich. Von 74 Datensätzen waren nur 2 Duplikate. Es war, als fände man versehentlich zwei Kopien desselben Buches.
- Das BHP-System (Leseecken): Hatte nur einen Datensatz, und dieser war perfekt. Keine Duplikate.
- Das MPM-System (Krankenhaus-Reparaturwerkstatt): Dies war der Problembereich. Das System zeigte 153 Datensätze an, aber nachdem der Prüfer es bereinigt hatte, waren es tatsächlich nur 17 einzigartige Patienten.
- Die Analogie: Stellen Sie sich vor, ein Patient betritt ein Krankenhaus. Er wird am Empfang registriert. Dann sieht er einen Spezialisten. Dann geht er zur Apotheke. Wenn das Krankenhaus keine Möglichkeit hat, zu sagen: „Warte, das ist dieselbe Person, die wir gerade eben gesehen haben“, erstellt der Computer möglicherweise jedes Mal eine neue Akte für ihn, wenn er durch eine Tür geht.
- In diesem Fall war das Krankenhaus-System wie ein Fotokopierer, der immer wieder Kopien der Akte derselben Person erstellt. 89 % der Datensätze in diesem System waren lediglich Duplikate derselben 17 Personen.
3. Das große Ganze
Bevor der Prüfer das Chaos beseitigte, sah das System so aus, als gäbe es 228 Fälle von Relaps-TB.
Nachdem die Duplikate („Fotokopien“) entfernt worden waren, waren es tatsächlich nur 90 einzigartige Patienten.
Die wichtigste Lektion:
Die Studie fand heraus, dass Vollständigkeit (das Ausfüllen des Formulars) nicht dasselbe ist wie Genauigkeit (die richtige Anzahl an Unikaten zu haben).
- Wenn man nur prüft, ob die Formulare ausgefüllt sind, könnte man denken, die Daten seien perfekt.
- Aber wenn man nicht nach Duplikaten sucht, könnte man denken, die Krankheit sei viel häufiger, als sie eigentlich ist, weil man dieselbe Person mehrfach zählt.
Warum ist das passiert?
Das Paper legt nahe, dass Krankenhäuser geschäftige Orte mit vielen verschiedenen Zugangspunkten sind. Ein Patient könnte einmal bei der Aufnahme, dann erneut bei einer Nachuntersuchung und dann in einer anderen Abteilung registriert werden. Ohne ein starkes „Ausweis-System“, das all diese Besuche mit einer einzigen Person verknüpft, denkt der Computer, es handele sich um drei verschiedene Personen.
Das Fazit
Die Studie kommt zu dem Schluss, dass die Mitarbeiter des Gesundheitswesens in Botswana einen großartigen Job beim Aufschreiben der Informationen machen (hohe Vollständigkeit), aber die Computersysteme der Krankenhäuser Schwierigkeiten damit haben, zu erkennen, wenn sie dieselbe Person zweimal vor sich haben (hohe Duplikation).
Um dies zu beheben, schlägt das Paper vor:
- Sicherzustellen, dass jeder Patient eine eindeutige ID hat, die ihn überallhin begleitet.
- Die Computersysteme besser miteinander kommunizieren zu lassen (Interoperabilität).
- Die Listen regelmäßig zu „reinigen“, um die doppelten Kopien zu entfernen, genau wie ein Bibliothekar, der überzählige Fotokopien aus dem Regal entfernt.
Kurz gesagt: Die Daten sind gut geschrieben, aber sie sind zu überfüllt mit Doppelzählungen. Das Beheben der Doppelzählungen wird ein wahreres Bild davon liefern, wie viele Menschen tatsächlich wieder krank werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.