إنشاء البنية التحتية للبيانات لتحسين المساواة في الرعاية الصحية

يقدم دليل IHI " تحسين المساواة في الرعاية الصحية: بناء البنية الأساسية لدعم المساواة في الرعاية الصحية" أمثلة لكيفية قيام المنظمات ببناء البنية الأساسية لتحسين المساواة في الرعاية الصحية. تتضمن كل استراتيجية وصفًا موجزًا، وإجراءات رئيسية موصى بها، وأمثلة للتغييرات المحددة التي اختبرتها المنظمات لكل إجراء، والتحديات واستراتيجيات التخفيف، والدروس المستفادة، والأدوات والموارد الإضافية. يصف هذا المقتطف إحدى هذه الاستراتيجيات.

تتطلب استراتيجية تحسين المساواة في مجال الصحة جمع البيانات وتقسيمها إلى طبقات لتحديد أوجه عدم المساواة، والمساعدة في تحديد الأولويات، ودفع أنشطة التحسين. تنطبق هذه الاستراتيجية على بيانات الأداء الرقمية للعمليات والنتائج السريرية، وتجربة المريض، والصحة العامة. وعادة ما يتم تلخيص هذه البيانات في لوحات قياس وبطاقات أداء مناسبة لمستويات مختلفة من نظام الرعاية الصحية. كما نشير إلى بيانات REaL - سمات العرق والإثنية واللغة (REaL) المرتبطة بسجلات البيانات الفردية - المستخدمة لتقسيم التدابير السريرية والمريض والصحة العامة إلى طبقات.

يتضمن دليل تحسين المساواة في الرعاية الصحية: بناء البنية الأساسية لدعم المساواة في الرعاية الصحية أمثلة لجمع واستخدام بيانات REaL لتحسين المساواة في الرعاية الصحية، مع التركيز بشكل أساسي على التقسيم الطبقي حسب بيانات العرق والإثنية، مع التركيز بشكل ضئيل نسبيًا على بيانات اللغة. ومع ذلك، فإن مفاهيم البيانات والتوصيات ذات صلة بجميع العوامل الديموغرافية التي قد ترتبط بعدم المساواة في الرعاية، بما في ذلك التوجه الجنسي والهوية الجنسية (SOGI). مع حصول منظمات الرعاية الصحية على بيانات ديموغرافية إضافية وإدارتها للأشخاص الذين تخدمهم، سيكون من الأهمية بمكان تقسيم البيانات عبر عوامل متعددة (على سبيل المثال، العرق والإثنية واللغة والهوية الجنسية).

لإنشاء البنية التحتية للبيانات، تحتاج المنظمات إلى تزويد الموظفين بالتدريب والدعم في الحصول على بيانات REaL دقيقة؛ وفهم سبب رغبتهم في تصنيف البيانات حسب عوامل REaL؛ وتوصيف بيانات REaL المفقودة؛ وتقييم دقة البيانات.

فهم أساسيات بيانات الأسهم

في عام 1997، طلب مكتب الإدارة والميزانية في الولايات المتحدة من الوكالات الفيدرالية والمستفيدين من الأموال الفيدرالية الإبلاغ عن العرق والانتماء العرقي. وقد طور مكتب الإدارة والميزانية فئات موحدة للعرق والانتماء العرقي ونتيجة لذلك تبنت العديد من منظمات الرعاية الصحية فئات مكتب الإدارة والميزانية. بالإضافة إلى ذلك، يتم تضمين فئات مكتب الإدارة والميزانية للعرق والانتماء العرقي في جميع السجلات الصحية الإلكترونية. كما تمكن معايير مكتب الإدارة والميزانية الأفراد من اختيار فئات عرقية متعددة.

يلخص منشور مؤسسة البحوث الصحية والتعليمية لعام 2014 أبعاد بيانات REaL الصالحة:

• الدقة: تحديد الذات، التسجيل الصحيح، التصنيف المتسق؟
• الاكتمال: هل تم جمع البيانات الحقيقية عبر جميع الخدمات؟ هل تم تتبع وتقييم النسبة المئوية غير المعروفة أو الأخرى أو المرفوضة؟
• التفرد: هل يتم تمثيل المرضى الأفراد مرة واحدة فقط؟
• التوقيت: هل يتم تحديث البيانات بانتظام؟
• الاتساق: هل البيانات متسقة داخليًا؟ هل تعكس عدد المرضى الذين يتم تقديم الخدمة لهم؟

لقد استكشفنا العديد من هذه الأبعاد في مبادرة السعي إلى تحقيق المساواة ونتوسع فيها في الأقسام التالية. [ملاحظة: خلال مبادرة السعي إلى تحقيق المساواة، استخدمت ثماني منظمات رعاية صحية أمريكية إطار عمل IHI لمنظمات الرعاية الصحية لتحسين المساواة في الصحة لتحديد واختبار التغييرات المحددة لتحسين المساواة في الصحة.]

توفير التدريب والدعم للموظفين في الحصول على بيانات حقيقية دقيقة

من أجل تصنيف بيانات REaL وتوصيفها وتقييمها، يجب على المنظمات أولاً تطوير خطة لجمع البيانات. ووجدت منظمات Pursuing Equity أنه من الضروري تدريب ودعم الموظفين في التفاعل المستمر مع المرضى لجمع بيانات REaL.

أمثلة على التغييرات التي تم اختبارها:

• تقدم HealthPartners في بلومنجتون بولاية مينيسوتا نصًا مشتركًا للموظفين: "من المهم أن نتمكن من تحديد أي مشكلات صحية قد تكون معرضًا لخطرها بناءً على عرقك أو عرقك أو بلدك الأصلي حتى نتمكن من تقديم أفضل رعاية لك. ستظل هذه المعلومات سرية".
• يقدم نظام هنري فورد الصحي في ديترويت بولاية ميشيغان للمرضى كتيبًا بعنوان "نسأل لأننا نهتم"، متوفرًا باللغات العربية والإسبانية والإنجليزية. يشرح الكتيب سبب طلب النظام الصحي لمعلومات حقيقية، ويؤكد على أن جميع معلومات المرضى سرية، ويصف كيف سيتم استخدام المعلومات في جهود تحسين الجودة للقضاء على التفاوتات في الرعاية الصحية.

توضيح أسباب تصنيف البيانات الحقيقية

تستمد جميع فرق السعي إلى تحقيق المساواة فئات العرق والانتماء العرقي من فئات OMB وقد تتضمن أيضًا فئات أكثر تفصيلاً تتراكم حتى فئات OMB القياسية. لدى المنظمات مجموعة متنوعة من الأسباب لتصنيف مؤشرات الأداء باستخدام عوامل REaL.

تقوم فرق المساواة بتقسيم بيانات REaL في مؤسساتها إلى فئات من أجل:

• تحديد مواطن عدم المساواة من أجل استهداف مبادرات تحسين الجودة لتقليل الفجوات بين المجموعات؛
• فهم التركيبة السكانية للمجتمع الذي تخدمه المنظمة؛
• تلبية المتطلبات الواردة في طلبات المنح والجهات الممولة المحتملة؛
• تحسين توافق تكوين القوى العاملة في مجال الرعاية الصحية مع المجتمع الذي يتم تقديم الخدمات إليه؛
• الوفاء بالتزامات الامتثال التعاقدية؛
• توفير وإدارة خدمات الترجمة.

مثال على التغييرات التي تم اختبارها:

• يستخدم نظام هنري فورد الصحي فئات OMB لتصنيف بياناته حسب العرق. ولخدمة مرضاهم بشكل أفضل، يجمع النظام الصحي بيانات الأصل التفصيلية لتعكس التركيبة السكانية للمجتمع. يعرض الشكل 2 صفحة من كتيب هنري فورد "نسأل لأننا نهتم". يتضمن السؤال 2 فئة للهوية العربية أو الكلدانية نظرًا لوجود عدد كبير من السكان العرب في ديترويت.

Image

الشكل 2. مثال لجمع بيانات REaL من نظام هنري فورد الصحي

تحديد خصائص البيانات الحقيقية المفقودة

في العديد من المنظمات، يعد تحديد بيانات REaL المفقودة والحد منها مشروع تحسين نموذجي. يعد تقسيم معدلات بيانات REaL المفقودة حسب المنطقة أو دار الرعاية الأولية المخصصة خطوة بداية لتحديد فرص التحسين. وكما هو الحال مع المعلومات الأخرى المقدمة من المرضى، من المرجح أن تختلف بيانات REaL غير المكتملة حسب طريقة التجميع (على سبيل المثال، شخصيًا، أو بالبريد، أو عبر بوابة المريض). تقدر منظمات Pursuing Equity أن هناك معدلات أعلى من بيانات REaL المفقودة لمرضى الرعاية الخارجية مقارنة بالمرضى المقيمين في المستشفيات.

وتشير المناقشات مع فرق السعي إلى تحقيق المساواة إلى أن 5% من المرضى الذين يفتقرون إلى فئات العرق أو الإثنية يمثلون هدفاً يمكن تحقيقه. ويبدو من الممكن تحقيق معدلات أقل من ذلك بالنسبة لبيانات تفضيلات اللغة المفقودة. ومع زيادة معدلات البيانات المفقودة عن عتبة 5%، قد يطرح الأطباء والعاملون أسئلة متزايدة حول مدى صحة عروض البيانات وتحليلها التي تصنف حسب عوامل REaL، وهو ما قد يعطل جهود التحسين.

في كل منظمة رعاية صحية، قد يكون لدى بعض المرضى بيانات مفقودة لعامل أو أكثر من عوامل REaL. والمنظمات التي لديها معدلات منخفضة من بيانات REaL المفقودة تستبعد هؤلاء المرضى عمومًا من تحليل البيانات وتعرضها بأقل قدر من المخاطر، بخلاف فقدان الدقة في التقديرات. من ناحية أخرى، إذا حدث فقدان بيانات REaL بشكل متكرر بين بعض المجموعات أكثر من غيرها، مثل المرضى الذين يعانون من تشخيص أو حالة معينة، فإن تجاهل المرضى الذين لديهم بيانات REaL مفقودة يمكن أن يؤدي إلى تحيز الملخصات.

على سبيل المثال، ما الذي يجب عليك فعله لفهم مجموعة من المرضى المصابين بمرض السكري بشكل أعمق، مع التركيز على الفوارق العرقية في نتائج اختبار الهيموجلوبين السكري الحالية التي تقل عن 8.0؟ إذا قدم المحللون بيانات موجزة تتضمن المجموعة التي لم يتم الإبلاغ عن عرقها، يمكن للمراجعين أن يروا بأنفسهم ما إذا كانت هناك حاجة إلى مزيد من التحليل. يسمح ملخص البيانات النموذجي الموضح في الجدول 1 للمراجع بإجراء فحص تقريبي: إذا تم تعيين جميع المرضى الذين لم يتم الإبلاغ عن عرقهم إما في السكان السود أو السكان البيض، فهل تتغير الرسالة في الملخص؟

إذا تغيرت الرسالة، فسوف تحتاج إلى البحث بشكل أعمق قبل استخلاص النتائج أو إطلاق التدخلات.

Image

الجدول 1. ملخص بيانات مثال يوضح النسبة المئوية لمرضى السكري الذين أبلغوا عن عرقهم بأنفسهم

في هذا المثال، فإن تعيين 98 مريضًا بالسكري بدون عرق محدد إلى المجموعتين السوداء أو البيضاء لا يغير الرسالة التي مفادها أن المرضى السود يظهرون معدلًا أقل من التحكم في الهيموجلوبين السكري التراكمي مقارنة بالمرضى البيض؛ لا تتغير النسب المئوية المبلغ عنها حسب العرق، إلى رقمين كما في الجدول الأصلي، بغض النظر عن كيفية تعيين المرضى الـ 98 إلى المجموعتين السوداء أو البيضاء.

من الممكن أيضًا استخدام طرق تحليلية محددة لتوضيح البيانات المفقودة المتعلقة بالعرق والانتماء العرقي. يستخدم نهج متطور، تم تطويره في الأصل من قبل محللي RAND ، تحليل الألقاب والترميز الجغرافي لتحديد العرق والانتماء العرقي للمرضى الذين لديهم معلومات مفقودة.

مثال على التغييرات التي تم اختبارها:

• لقد كانت مؤسسة كايزر للرعاية الصحية والمستشفيات في كاليفورنيا (كايزر بيرمانينت) تستخدم بيانات REaL التي تم الإبلاغ عنها ذاتيًا والتي تم الحصول عليها مباشرة من أعضاء كايزر على مدى السنوات الثلاث الماضية. واعتبارًا من يناير 2019، كان ما يقرب من 90 بالمائة من أعضائها البالغ عددهم أكثر من 12 مليونًا لديهم بيانات عرقية وإثنية تم تحديدها ذاتيًا في مستودع بيانات كايزر. وتقترب بعض مجموعات المرضى من مستوى 3 بالمائة من بيانات REaL المفقودة، مما يتيح لمحللي كايزر تقليل أو القضاء على الاعتماد على الإسناد في التقارير التي تصنف مقاييس الأداء حسب العرق والإثنية.

تقييم دقة بياناتك الحقيقية

تتطلب أفضل الممارسات المتعلقة ببيانات REaL تحديد هوية المريض أو وكيله، مما يعني ضمناً أن اختيارات المريض ستوفر السجلات الأكثر دقة. وكما هو الحال مع أي عنصر بيانات، تحتاج المؤسسات إلى ضمان جودة بيانات REaL لضمان تطابق فئات REaL المشار إليها في سجلات البيانات بدقة مع اختيارات المريض.

تتضمن نقاط البداية لأي برنامج لضمان جودة البيانات ما يلي:

• أخذ العينات للتحقق من الصحة: ​​اختر عشوائيًا عينة من المرضى لإجراء مقابلة أو تفاعل إضافي للاستفسار عن فئات REaL ومقارنتها بمعلومات REaL المسجلة. استشر خبراء الجودة أو أنظمة المعلومات لديك لإنشاء خطة أخذ عينات وتحليل مناسبين لتلبية احتياجاتك.
• مراقبة المرضى: ما مدى فهم المرضى لما يُطلب منهم فيما يتعلق ببيانات REaL؟ ابدأ بخمسة مرضى واسألهم: "ما الذي يمكننا فعله لتسهيل الرد على أسئلتنا حول العرق والإثنية واستخدام اللغة؟"
• مراقبة الموظفين: ما مدى جودة عرض الموظفين لطلب المرضى بالاستجابة لاختيارات REaL؟ هل يتبع كل لقاء أو تبادل بروتوكول مؤسستك؟ قد يشير ما لا يقل عن خمس ملاحظات إلى عدم الاتساق في اتباع الإجراء أو البروتوكول.

أمثلة على التغييرات التي تم اختبارها:

• تقوم Main Line Health في بنسلفانيا بإجراء ضمان ربع سنوي للجودة على جمع بيانات REaL من خلال تدقيق تسجيل المرضى شخصيًا وعبر الهاتف.
• تقوم HealthPartners في مينيسوتا بمراجعة معدلات جمع البيانات الحقيقية سنويًا للبحث عن التدهور في الأداء الأساسي.
• أجرت شركة Partners HealthCare في بوسطن دراسة استقصائية خاصة، برعاية لجنة المساواة والجودة الصحية التابعة لها، لتقييم دقة بيانات REaL. وتضمنت الدراسة اختيارًا عشوائيًا لألف مريض، عبر مواقع متعددة، تم تسجيل بيانات REaL في سجلاتهم. وتم الاتصال بهؤلاء المرضى هاتفيًا للتحقق من بيانات REaL الخاصة بهم، مع أخذ عينات زائدة من المرضى من ذوي البشرة الملونة في مواقع متعددة لمراعاة معدلات عدم الاستجابة الأعلى المحتملة من هذا السكان. وتمت مقارنة الاستجابات بالحقول الموجودة في سجلات بيانات نظام الرعاية الصحية للتحقق من جودة بيانات REaL.

بالنسبة لأنظمة الرعاية الصحية التي تخضع للاندماج أو الاستحواذ، من المرجح أن تختلف فئات بيانات REaL في أنظمة المعلومات القديمة؛ وينبغي لهذه المنظمات أن تتوقع استثمار الوقت وجهد الموظفين لمواءمة بيانات المرضى وإعادة بنائها في نظام المعلومات المدمج.

لمعرفة المزيد، قم بتنزيل الدليل المجاني لتحسين المساواة في الصحة: ​​إرشادات لمنظمات الرعاية الصحية .