Identical results, hidden data problems: running CMS's digital quality measures on real hospital data
यह अध्ययन प्रदर्शित करता है कि जहाँ CMS के गंभीर हाइपोग्लाइसीमिया और हाइपरग्लाइसीमिया के लिए डिजिटल गुणवत्ता उपायों को FHIR का उपयोग करके वास्तविक अस्पताल डेटा पर कुशलतापूर्वक और निरंतर निष्पादित किया जा सकता है, वहीं परिणामी मेट्रिक्स निष्पादन इंजन की त्रुटियों के बजाय अंतर्निहित डेटा गुणवत्ता संबंधी समस्याओं—जैसे कि इकाइयों (units) की अनुपलब्धता और प्रवेश स्थिति वर्गीकरण—के प्रति अत्यधिक संवेदनशील हैं, जो अनिवार्य FHIR रिपोर्टिंग से पहले डेटा तत्परता परीक्षण की महत्वपूर्ण आवश्यकता को रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अस्पताल मरीजों की देखभाल कितनी अच्छी तरह से हो रही है, इसे ट्रैक करने के लिए तेजी से कंप्यूटर पर निर्भर होते जा रहे हैं। डॉक्टरों और नर्सों द्वारा त्रुटियों या जटिलताओं को गिनने के लिए चार्टों की मैन्युअल समीक्षा करने के बजाय, अब सॉफ्टवेयर इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) को स्कैन करके स्वचालित रूप से गुणवत्ता स्कोर उत्पन्न करता है। ये स्कोर यह निर्धारित करते हैं कि एक अस्पताल कैसा प्रदर्शन कर रहा है और इससे सरकारी कार्यक्रमों से मिलने वाली धनराशि भी प्रभावित हो सकती है। इस प्रक्रिया को तेज़ और अधिक सुसंगत बनाने के लिए, स्वास्थ्य अधिकारी एक नई प्रणाली की ओर बढ़ रहे हैं जहाँ डेटा को एक मानक डिजिटल प्रारूप में व्यवस्थित किया जाता है, जिससे विभिन्न कंप्यूटर सिस्टम एक ही भाषा बोल सकें। इसका लक्ष्य इन डिजिटल मापों को स्वचालित रूप से चलाना है, जो रोगी सुरक्षा की एक स्पष्ट, वास्तविक समय की तस्वीर प्रदान करे। हालाँकि, एक महत्वपूर्ण प्रश्न बना हुआ है: यदि कंप्यूटर डेटा को ठीक वैसे ही पढ़ता है जैसा वह लिखा गया है, तो क्या परिणाम रोगी देखभाल की वास्तविक वास्तविकता को दर्शाएंगे, या डेटा रिकॉर्ड करने के तरीके में छिपी खामियां भ्रामक संख्याएं पैदा करेंगी?
एक शोधकर्ता, साई शरण कसा ने इस प्रश्न का उत्तर देने के लिए दो विशिष्ट सुरक्षा उपायों का परीक्षण करने हेतु अस्पताल के रिकॉर्ड के एक विशाल, वास्तविक दुनिया के डेटाबेस का उपयोग किया। ये उपाय दो खतरनाक स्थितियों को पकड़ने के लिए डिज़ाइन किए गए हैं: गंभीर कम रक्त शर्करा (लो ब्लड शुगर) और गंभीर उच्च रक्त शर्करा (हाई ब्लड शुगर), जो अस्पताल में भर्ती मरीजों में हो सकती है। शोधकर्ता ने बोस्टन के एक प्रमुख शिक्षण अस्पताल के सैकड़ों हजार रोगी स्टेज़ को कवर करने वाले, एक दशक से अधिक के गुमनाम रिकॉर्डों के एक पूर्ण सेट का उपयोग किया। इन रिकॉर्डों को नए मानक डिजिटल प्रारूप में परिवर्तित किया गया था, लेकिन इनमें अभी भी वे मूल, अव्यवस्थित विवरण मौजूद थे कि अस्पताल के कर्मचारियों ने जानकारी कैसे दर्ज की थी। शोधकर्ता ने इस डेटा पर आधिकारिक सरकारी सॉफ्टवेयर चलाने के लिए एक प्रणाली बनाई, लेकिन इसमें एक महत्वपूर्ण मोड़ था: प्रणाली को डेटा को प्रत्येक रोगी स्टे के छोटे, प्रबंधनीय टुकड़ों (चंक्स) में संसाधित करने के लिए डिज़ाइन किया गया था, न कि एक साथ रोगी के पूरे एक साल के इतिहास को पढ़ने के लिए। इस दृष्टिकोण ने शोधकर्ता को सभी 431,231 अस्पताल स्टे पर जटिल गणनाओं को केवल कुछ घंटों में चलाने की अनुमति दी, जो पुराने तरीकों का उपयोग करके करने में हफ्तों या महीनों का काम होता।
पहली बड़ी खोज यह थी कि नए, 'चंक्ड' सिस्टम ने उसी डेटा पर मूल, बिना संशोधित सॉफ्टवेयर के साथ बिल्कुल समान परिणाम दिए। यह एक महत्वपूर्ण निष्कर्ष था क्योंकि इसने सिद्ध किया कि डेटा को संसाधित करने का नया तरीका स्वयं तर्क (लॉजिक) में कोई त्रुटि या परिवर्तन नहीं लाता है। कंप्यूटर ठीक वही कर रहा था जो उसे करना चाहिए था। हालाँकि, जब शोधकर्ता ने इस बात की गहराई से जांच की कि कंप्यूटर वास्तव में क्या ढूंढ रहा था, तो उन्होंने पाया कि परिणाम पूरी तरह से उस डेटा की गुणवत्ता पर निर्भर थे जो इसमें फीड किया जा रहा था। सॉफ्टवेयर एक वफादार दर्पण था, लेकिन जो प्रतिबिंब यह दिखा रहा था, वह डेटा के रिकॉर्ड किए जाने के तरीके से विकृत था।
सबसे बड़ी समस्या रक्त शर्करा के स्तर को रिकॉर्ड करने से संबंधित पाई गई। कई मामलों में, बेडसाइड ग्लूकोज मीटर ने एक संख्या तो उत्पन्न की लेकिन माप की इकाई (जैसे मिलीग्राम प्रति डेसीलीटर) शामिल करने में विफल रहे। चूंकि सुरक्षा उपाय यह निर्धारित करने के लिए एक विशिष्ट इकाई की आवश्यकता रखते हैं कि क्या कोई संख्या खतरनाक रूप से कम या उच्च है, इसलिए कंप्यूटर इन संख्याओं की सुरक्षा सीमाओं (थ्रेशोल्ड) से तुलना नहीं कर सका। परिणामस्वरूप, लगभग आधे गंभीर कम रक्त शर्करा की घटनाएं सिस्टम के लिए पूरी तरह से अदृश्य थीं। जब शोधकर्ता ने इन लापता प्रविष्टियों के लिए सही इकाई को मैन्युअल रूप से असाइन किया, तो पता चलाए गए गंभीर कम रक्त शर्करा की घटनाओं की संख्या काफी बढ़ गई, जिससे पता चला कि मूल डेटा ने इन खतरनाक घटनाओं के एक बड़े हिस्से को छिपा दिया था। इसी तरह, सिस्टम कई गंभीर उच्च रक्त शर्करा के दिनों को भी नहीं पकड़ सका क्योंकि वह रोगी के मधुमेह निदान (डायबिटीज डायग्नोसिस) को उनके अस्पताल स्टे से जोड़ने में विफल रहा, जिससे कंप्यूटर को उन दिनों को सही ढंग से गिनने के लिए आवश्यक संदर्भ (कॉन्टेक्स्ट) को अनदेखा करने का कारण मिला।
अध्ययन ने इस बात की भी जांच की कि कंप्यूटर यह निर्णय कैसे लेता है कि किन दवाओं को गिनना है। सॉफ्टवेयर रोगियों की पहचान करने के लिए दवा के नामों की एक सूची पर निर्भर करता है जिन्होंने ग्लूकोज कम करने वाली दवाएं ली हैं। शोधकर्ता ने अस्पताल के स्थानीय ड्रग कोड को मानक सूची के साथ मिलाने के विभिन्न तरीकों का परीक्षण किया। जबकि अलग-अलग मिलान नियमों ने यह बदल दिया कि गिनती में किन विशिष्ट रोगियों को शामिल किया गया है, इसने कुल मिलाकर उन रोगियों के प्रतिशत को बहुत अधिक नहीं बदला जिन्हें प्रतिकूल परिणाम हुए थे। यह सुझाव देता है कि भले ही डेटा मैपिंग के आधार पर विशिष्ट रोगियों की सूची भिन्न हो सकती है, लेकिन इस विशिष्ट डेटासेट में नुकसान की समग्र दर अपेक्षाकृत स्थिर रही। हालांकि, शोधकर्ता ने पाया कि यदि सिस्टम को 'ऑब्जर्वेशन स्टेज़' (अल्पकालिक दौरे जो पूर्ण अस्पताल प्रवेश नहीं हैं) को पूर्ण अस्पताल स्टे के रूप में गिनने के लिए कहा जाए, तो सुरक्षा उपायों में गिने जाने वाले रोगियों की संख्या लगभग दोगुनी हो जाती है। इसने इस बात को उजागर किया कि डेटा में एक साधारण वर्गीकरण त्रुटि भी समूह के आकार को नाटकीय रूप से बदल सकती है, भले ही उस समूह के भीतर नुकसान की दर समान रहे।
शायद सबसे आश्चर्यजनक निष्कर्ष यह था कि डेटा गुणवत्ता सुनिश्चित करने के लिए डिज़ाइन किए गए मानक चेक इन समस्याओं को पकड़ने में विफल रहे। कंप्यूटर सिस्टम, जो यह सत्यापित करते हैं कि क्या डेटा सही प्रारूप का पालन करता है, ने रिपोर्ट किया कि सब कुछ ठीक था। रिकॉर्ड्स ने संरचना और पूर्णता के लिए सभी तकनीकी जांचों को पास कर लिया था, फिर भी उनमें वे छिपी हुई त्रुटियां थीं जिनके कारण सुरक्षा उपायों ने खतरनाक घटनाओं को मिस कर दिया। एक रिकॉर्ड में इकाई गायब हो सकती थी या निदान (डायग्नोसिस) के साथ लिंक टूटा हुआ हो सकता था, फिर भी वह हर वैलिडेशन टेस्ट को पास कर सकता था, और केवल इसलिए अनदेखा किया गया क्योंकि सुरक्षा सॉफ्टवेयर ने अपने परिणाम की गणना करने का प्रयास किया। इसका अर्थ है कि अस्पताल डेटा की सटीकता सुनिश्चित करने के लिए मानक डेटा चेक पर भरोसा नहीं कर सकते; उन्हें इन अंतरालों को खोजने के लिए सुरक्षा उपायों के विशिष्ट तर्क (लॉजिक) को देखना होगा।
शोधकर्ता ने निष्कर्ष निकाला कि जबकि नया डिजिटल सिस्टम तकनीकी रूप से काम करता है और बड़ी मात्रा में डेटा को तेजी से और सस्ते में संसाधित कर सकता है, लेकिन यह जो संख्याएं उत्पन्न करता है, वे केवल उतने ही अच्छे हैं जितना कि उसमें फीड किया गया डेटा। अध्ययन ने दिखाया कि छिपी हुई डेटा समस्याएं, जैसे कि गायब इकाइयां या टूटे हुए लिंक, लगभग आधे गंभीर कम रक्त शर्करा की घटनाओं को छिपा सकती हैं और उच्च रक्त शर्करा के दिनों की गिनती को महत्वपूर्ण रूप से बदल सकती हैं। ये त्रुटियां सॉफ्टवेयर के काम करने में विफलता के कारण नहीं हैं, बल्कि डेटा के सॉफ्टवेयर की सख्त आवश्यकताओं के लिए तैयार न होने के कारण हैं। अस्पतालों को डिजिटल सुरक्षा स्कोर रिपोर्ट करने के अनिवार्य होने से पहले, उन्हें अपने डेटा का इन उपायों के विशिष्ट नियमों के विरुद्ध परीक्षण करना चाहिए ताकि वे सुरक्षा की झूठी भावना रिपोर्ट न करें। तकनीक तैयार है, लेकिन वास्तविक चित्र दिखाने के लिए डेटा को साफ और तैयार किया जाना चाहिए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।