Assessment of Data Quality in Relapse Tuberculosis Surveillance Data in Botswana (2022)
Hoewel de belangrijkste surveillancevariabelen voor recidiverende tuberculose in de data van Botswana uit 2022 zeer compleet waren, onthult de studie dat substantiële duplicatie binnen het op ziekenhuizen gebaseerde rapportagesysteem de schattingen van het aantal gevallen aanzienlijk heeft vertekend, wat aantoont dat volledigheid alleen onvoldoende is voor het beoordelen van de datakwaliteit in surveillanceomgevingen met meerdere platforms.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat het nationale gezondheidssysteem in Botswana een enorme bibliotheek is die probeert elk boek (patiënt) bij te houden dat binnenkomt voor een specifieke soort reparatie (Tuberculosebehandeling). De bibliothecarissen (gezondheidswerkers) gebruiken drie verschillende computersystemen om op te schrijven wie er binnenkomt: één voor de hoofdbibliotheek (OpenMRS), één voor de speciale reparatiewinkel (MPM ziekenhuizen), en één voor de kleine leeshoekjes (BHP klinieken).
Deze studie was als een kwaliteitsinspecteur die in 2022 door de bibliotheek liep om de boeken over "Relaps TB" (patiënten die hun behandeling voltooiden maar weer ziek werden) te controleren. De inspecteur wilde twee dingen weten:
- Hadden de bibliothecarissen de formulieren correct ingevuld? (Volledigheid)
- Hadden ze per ongeluk dezelfde persoon twee keer opgeschreven? (Duplicatie)
Hier is wat de inspecteur heeft gevonden, eenvoudig uitgelegd:
1. De formulieren waren perfect ingevuld
De inspecteur controleerde de "verplichte velden" op de formulieren—dingen zoals de datum waarop de behandeling begon, het type TB, en de naam van de kliniek.
- Het resultaat: De bibliothecarissen hebben een fantastisch werk geleverd. Meer dan 98% van de formulieren had alle vakjes aangevinkt. Het was alsof elk boek een perfect label op de rug had.
- De addertjes onder het gras: Alleen omdat het label perfect is, betekent het niet dat het boek uniek is. Je kunt een perfect label op hetzelfde boek hebben, maar als je het drie keer vermeldt, denk je dat je drie boeken hebt terwijl je er slechts één hebt.
2. Het probleem van het "dubbel tellen"
Dit is waar het verhaal interessant wordt. De inspecteur ontdekte dat terwijl de formulieren volledig waren, het MPM (Ziekenhuis) systeem een beetje chaotisch was.
- Het OpenMRS Systeem (Hoofdbibliotheek): Erg netjes. Van de 74 records waren er slechts 2 duplicaten. Het was alsof je per ongeluk twee exemplaren van hetzelfde boek vond.
- Het BHP Systeem (Leeshoekjes): Had ook slechts één record, en dat was perfect. Geen duplicaten.
- Het MPM Systeem (Ziekenhuis-reparatiewinkel): Dit was de probleemzone. Het systeem toonde 153 records, maar nadat de inspecteur het heeft opgeschoond, waren er eigenlijk maar 17 unieke patiënten.
- De analogie: Stel je voor dat een patiënt een ziekenhuis binnenkomt. Hij wordt geregistreerd bij de receptie. Daarna ziet hij een specialist. Daarna gaat hij naar de apotheek. Als het ziekenhuis niet op een manier beschikt om te zeggen: "Wacht, dit is dezelfde persoon die we zojuist hebben gezien," kan de computer voor elke deur waar de persoon doorheen loopt een nieuw dossier aanmaken.
- In dit geval was het ziekenhuissysteem als een fotokopieerapparaat dat steeds kopieën van het dossier van dezelfde persoon bleef maken. 89% van de records in dit systeem waren slechts duplicaten van dezelfde 17 mensen.
3. Het grote plaatje
Voordat de inspecteur de rommel opruimde, leek het systeem 228 gevallen van relaps TB te hebben.
Nadat de dubbele "fotokopieën" waren verwijderd, was het werkelijke aantal slechts 90 unieke patiënten.
De belangrijkste les:
De studie vond dat volledigheid (het invullen van het formulier) niet hetzelfde is als nauwkeurigheid (het hebben van het juiste unieke aantal).
- Als je alleen kijkt naar of de formulieren zijn ingevuld, denk je misschien dat de gegevens perfect zijn.
- Maar als je niet controleert op duplicaten, denk je misschien dat de ziekte veel voorkomender is dan hij in werkelijkheid is, omdat je dezelfde persoon meerdere keren telt.
Waarom gebeurde dit?
Het artikel suggereert dat ziekenhuizen drukke plekken zijn met veel verschillende toegangspunten. Een patiënt kan bijvoorbeeld één keer worden geregistreerd bij opname, opnieuw bij een follow-up, en weer bij een andere afdeling. Zonder een sterk "ID-kaart" systeem dat al deze bezoeken aan één enkel persoon koppelt, denkt de computer dat dit drie verschillende mensen zijn.
De Conclusie
De studie concludeert dat de gezondheidswerkers in Botswana een geweldig werk doen wat betreft het opschrijven van informatie (hoge volledigheid), maar dat de computersystemen van de ziekenhuizen moeite hebben om te beseffen wanneer ze naar dezelfde persoon twee keer kijken (hoge duplicatie).
Om dit op te lossen, stelt het artikel voor:
- Ervoor zorgen dat elke patiënt een unieke ID heeft die hen overal volgt.
- De computersystemen leren om beter met elkaar te communiceren (interoperabiliteit).
- De lijsten regelmatig "op te schonen" om de dubbele kopieën te verwijderen, net zoals een bibliothecaris extra fotokopieën uit het rek verwijdert.
Kortom: De gegevens zijn goed geschreven, maar ze zijn te druk met dubbeltellingen. Het oplossen van de dubbeltellingen zal een waarder beeld geven van hoeveel mensen er daadwerkelijk weer ziek worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.