Kualitas Data dan Integrasi Masalah

di Elektronik Kesehatan

Pendahuluan
Tiga puluh tahun yang lalu, Komaroff [1] memperingatkan bahwa data medis yang dikumpulkan di atas
kertas
catatan didefinisikan dan dikumpulkan dengan tingkat ditandai variabilitas dan
ketidaktepatan. Ia mengklaim bahwa pengambilan riwayat medis, kinerja
Conte nts
4.1Introduction...................................................................................................55
4.2 Konsep Dasar ............................................... ................................. 56
4.2.1 Informasi Arus ............................................ .......................... 56
4.2.2 Apakah Model dan IS? ......................................... ....................... 57
4.2.3 Sifat Informasi Kesehatan .......................................... ....... 60
4.2.4 Memahami Apa Direkam ........................................... ....... 61
4.3 dataQuality..................................................................................................63
4.3.1 Permasalahan dalam Input Data ......................................... ................ 64
4.3.2 Jenis-jenis Kesalahan ............................................ ...................................... 65
4.3.3 Pembersihan data ............................................. ..................................... 69
4.3.4 Nilai Hilang ............................................. ..................................... 70
4.3.5 Nilai Default ............................................. ...................................... 71
4.3.6 Konsep Klinis ............................................. ................................. 71
4.3.7 Protokol Pengumpulan Data ........................................... ................... 75
4.3.8 Tanggal dan Waktu Masalah ........................................... ............................ 77
4.4 Integrasi Isu EHRs ............................................. ............................. 79
4.4.1 Perbedaan Pengguna ............................................ ............................. 83
4.4.2 Rekam dan Event Linkage ........................................... .................... 85
4,5Discussion......................................................................................................87
4,6 Terkait Kerja dan lebih lanjut Bacaan ............................................ .............. 88
Acknowledgments.................................................................................................90
References................................................................................................................90
56 Informasi Discovery Elektronik Kesehatan
pemeriksaan fisik, interpretasi tes laboratorium, bahkan
definisi penyakit, mengejutkan tidak tepat [1]. Satu dekade yang lalu, Hogan dan
Wagner [2] berpendapat bahwa catatan kesehatan elektronik (EHRs) tidak benar
dievaluasi mengenai akurasi data. Beberapa penelitian telah dipublikasikan sementara
menunjukkan bahwa banyak masalah yang ditemukan oleh Komaroff masih bisa
ditemukan hari ini.

4.2 Konsep Dasar

Untuk lebih memahami isu-isu yang dibahas dalam bab ini, penting untuk
memahami bagaimana pasien arus informasi dalam perawatan kesehatan, apa IS (seperti
EHR), apa sifat informasi yang berhubungan dengan kesehatan, dan siapa
aktor yang terlibat dalam proses tersebut.

4.2.1 Arus Informasi

Kesehatan adalah-informasi dan pengetahuan-driven. Kesehatan yang baik tergantung
untuk mengambil keputusan pada waktu yang tepat dan tempat, sesuai dengan pasien yang tepat
Data dan pengetahuan yang berlaku [3]. Komunikasi adalah relevansi maksimal dalam
pengaturan kesehatan hari ini, kegiatan yang berhubungan dengan kesehatan, seperti pemberian
perawatan,
penelitian, dan manajemen, tergantung pada pembagian informasi dan kerja sama tim [4].
Menyediakan layanan kesehatan berkualitas tinggi merupakan informasi-dependent
Proses. Memang, praktek kedokteran telah digambarkan sebagai didominasi
oleh seberapa baik informasi diproses atau diolah kembali, diambil, dan
dikomunikasikan [5]. Diperkirakan 35% sampai 39% dari total biaya operasional rumah sakit
telah dikaitkan dengan pasien dan kegiatan komunikasi profesional
[6]. Dokter menghabiskan lebih dari seperempat [7, 8] dan perawat setengah [9] waktu mereka
penulisan grafik pasien.
Sebuah catatan pasien adalah satu set dokumen yang berisi klinis dan administrasi
informasi mengenai salah satu pasien tertentu, komunikasi pendukung
dan dalam praktek sehari-hari dan memiliki pengguna yang berbeda pengambilan keputusan dan
tujuan [10]. Ini ada untuk menghafal dan berkomunikasi yang ada pada data
individu tertentu, untuk membantu dalam pemberian perawatan untuk orang ini.

Catatan tidak hanya IS tetapi juga sistem komunikasi yang memungkinkan komunikasi
antara profesional kesehatan yang berbeda dan antara masa lalu dan
sekarang [11, 12]. Catatan pasien, pasien, dan bukti-bukti yang dipublikasikan adalah
tiga sumber yang diperlukan untuk praktek berbasis bukti obat [3]. Ta Men
digunakan untuk keputusan klinis langsung (baik oleh penulis atau oleh orang lain),
keputusan klinis di masa depan, peningkatan kualitas, pendidikan, penelitian klinis,
manajemen, dan penggantian, dan bertindak sebagai bukti dalam kasus pengadilan.
Dalam prakteknya, cukup sering pasien yang tidak benar terdaftar atau item data
dapat akurat direkam atau tidak tercatat sama sekali. Kualitas pasien
Data dalam catatan pasien berbasis komputer telah ditemukan untuk menjadi agak rendah
beberapa kesehatan IS [2, 13, 14]. Sebagian besar sumber DQ miskin dapat ditelusuri kembali ke
kesalahan manusia [13, 15] atau desain sistem yang buruk [14]. Selain itu, penilaian
kebenaran data pasien yang dikumpulkan adalah proses yang sulit bahkan ketika kita
akrab dengan sistem bawah yang dikumpulkan [16].
Gambar 4.1 merupakan diagram alir informasi dari pengamatan pasien
untuk penggunaan data oleh peneliti (berdasarkan Hogan dan Wagner [17] dan
Savage [18]). Dalam setiap langkah dari arus informasi (diwakili oleh panah di
angka), adalah mungkin untuk mengalami masalah yang mengakibatkan hilangnya data atau data
salah tafsir. Ini menjadi jelas bahwa ada jalan panjang untuk pergi dari
data pasien yang sebenarnya untuk data yang digunakan oleh peneliti. Perlu ditekankan
bahwa, saat ini, kita hanya tidak memiliki orang-orang yang memasukkan informasi ke dalam
komputer, kami juga memiliki komputer memasukkan data ke satu sama lain [19].
4.2.2 Apakah Model dan IS?
Untuk lebih memahami hubungan antara artefak manusia (misalnya, IS) dan
dunia nyata (misalnya, pelayanan kesehatan) deskripsi langkah-langkah yang diperlukan untuk membuat
artefak manusia disajikan. Langkah-langkah ini menekankan fakta bahwa kualitas
artefak sangat diandalkan pada kualitas dari beberapa model:
1. Buat model dunia nyata dengan siapa artefak yang akan berinteraksi
(misalnya, arus informasi di departemen kebidanan).
2. Buat model artefak (misalnya, Bersatu diagram Modeling Language
menggambarkan perilaku departemen kebidanan IS menjadi
diimplementasikan).
3. Melaksanakan artefak berdasarkan model (misalnya, menerapkan
Kebidanan Rekam Pasien untuk menjadi bagian dari arus informasi dalam
kebidanan departemen).
4. Gunakan artefak diimplementasikan pada dunia nyata (misalnya, gunakan diimplementasikan
Kebidanan Rekam Pasien setiap hari pada tertentu
kebidanan departemen).
Model matematika dan komputasi ada untuk menggambarkan perilaku, yang
adalah, untuk menjelaskan bagaimana sistem atau peristiwa dunia nyata bekerja. Mereka
menyederhanakan atau mengabaikan

beberapa rincian dalam rangka untuk membuat mereka lebih dimengerti. Umumnya, mereka
memungkinkan sistem yang kompleks untuk dipahami dan membuat perilaku mereka diprediksi.
Model dapat disajikan sebagai persamaan, diagram, atau skema. mereka dapat
memberikan gambaran palsu dan prediksi bila digunakan dalam situasi mereka
tidak direncanakan untuk.
IS adalah model dan begitu, mereka salah, yaitu, mereka mengabaikan beberapa rincian
tidak diperlukan untuk tujuan IS. Masalahnya muncul ketika data yang dikumpulkan
oleh IS digunakan untuk tujuan yang berbeda daripada yang itu dirancang
untuk, dan untuk tujuan baru yang mengabaikan rincian memiliki relevansi.
Sebuah model data adalah rencana untuk membangun database. Pemodelan data menghasilkan
deskripsi formal data yang mewakili konsep yang menarik bagi tertentu
domain (orang, tempat, dll), dan menunjukkan bagaimana entitas secara konseptual
terkait satu sama lain. Pemodelan data dalam perawatan kesehatan adalah sulit dan
tugas yang memakan waktu karena luasnya domain, kompleksitas
pengetahuan, dan berbagai peserta, semua dengan sedikit berbeda
pandangan tentang proses [20]. Dalam konteks ini sistem kesehatan,
database harus mengatasi dua persyaratan penting: pengambilan data yang cepat
untuk pasien individu dan kemampuan beradaptasi terhadap kebutuhan informasi yang berubah
lembaga [21]. Ada empat langkah dasar untuk pemodelan data generik untuk
klinis IS: untuk mengembangkan skema rinci data medis, untuk menyaring
konsep dan hubungan yang tidak bervariasi di seluruh catatan pasien, untuk mengubah
skema rinci ke dalam skema generik, dan untuk melaksanakan generik
skema menggunakan sistem manajemen database [20].
Pengantar untuk kesehatan IS dapat ditemukan dalam Bab 2. Ini berfokus pada
Extensible Markup Language (XML) representasi berbasis EHR, yang
adalah representasi masa depan yang paling menjanjikan. Namun, sebagian besar yang ada EHR
sistem masih menggunakan model relasional, yang menyimpan data dalam tabel, dengan baris
dan kolom (kolom juga disebut atribut). Meskipun beberapa bagian
diskusi kita mengasumsikan model relasional untuk EHR, prinsip yang sama juga
mengajukan representasi EHR berbasis XML.
Pelajaran penting lainnya adalah bahwa sulit untuk mengusulkan data yang harus
terstruktur dan yang istilah harus ditawarkan untuk entri data, sebelum mengetahui
tujuan yang datanya akan digunakan. Dalam studi prospektif, penelitian
dirancang sebelum data dikumpulkan, sedangkan penelitian retrospektif mengandalkan
pada data yang telah dikumpulkan untuk tujuan yang berbeda. Tabel 4.1 menyajikan beberapa
perbedaan antara studi retrospektif dan prospektif: (1) waktu
ketika arti dari setiap bidang data diketahui peneliti, (2) keberadaan
protokol penelitian untuk pengumpulan data, (3) kontrol pada jenis
pengguna, dan (4) tujuan untuk pengumpulan data. Penelitian klinis akan sering
memerlukan data yang memiliki rincian yang tinggi dan dicatat seragam, yang
tidak akan selalu sesuai dengan format di mana data dicatat untuk
perawatan pasien. Kelengkapan, akurasi, dan diperlukan keseragaman data, oleh karena itu,
tetap fungsi penggunaan data. Namun demikian, kita harus menyimpulkan
bahwa data penataan narasi tidak per se menjamin ketelitian sebuah

4.2.3 Sifat Informasi Kesehatan

Informasi digambarkan sebagai interpretasi data dan pengetahuan yang
sistem cerdas (manusia dan buatan) dilakukan untuk mendukung keputusan mereka.
Data adalah pusat untuk semua perawatan medis karena mereka sangat penting untuk proses
pengambilan keputusan. Data memberikan dasar untuk mengkategorikan masalah a
Pasien mungkin memiliki atau mengidentifikasi subkelompok dalam suatu populasi pasien.
Semua kegiatan perawatan medis melibatkan pengumpulan, analisis, atau penggunaan data. Ta Men
juga membantu dokter untuk memutuskan apa informasi tambahan yang diperlukan dan
tindakan apa yang harus diambil untuk mendapatkan pemahaman yang lebih besar pasien
masalah atau untuk mengobati lebih efektif penyakit yang telah didiagnosa [23].
Informatika kesehatan dapat membantu dokter dengan keputusan dan tindakan mereka, dan
meningkatkan hasil pasien dengan memanfaatkan informasi yang lebih baik, membuat
lebih efisien cara di mana data pasien dan pengetahuan medis
ditangkap, diproses, dikomunikasikan, dan diterapkan.
Data yang berhubungan dengan kesehatan tidak homogen di alam. Mulai dari narasi,
Data tekstual untuk pengukuran numerik, mencatat tanda-tanda biologis,
dan gambar.
Account Data narasi untuk komponen besar dari informasi yang
berkumpul dalam perawatan pasien. Mereka termasuk gejala-gejala pasien, / nya
deskripsi penyakit ini, riwayat kesehatan, sejarah sosial dan keluarga, yang
tinjauan umum sistem, dan temuan pemeriksaan fisik. Data yang dikumpulkan
dari pemeriksaan fisik secara longgar dikodekan dengan konvensi singkatan
dan singkatan dikenal profesional kesehatan dan mencerminkan stereotip
Proses pemeriksaan. Data narasi lain sangat sulit untuk membakukan
dan masalah yang signifikan dapat dikaitkan dengan singkatan tidak standar
setelah mereka dapat memiliki arti yang berbeda tergantung pada konteks di
yang mereka digunakan. Beberapa upaya telah dilakukan untuk menggunakan teks konvensional
notasi sebagai bentuk frase summarization dan lengkap digunakan sebagai longgar
standar. Penegakan untuk merangkum kondisi heterogen karakteristik
konsep sederhana tentang seorang pasien sering tidak berhasil [23].

banyak data yang digunakan dalam pengobatan yang numerik. Ini termasuk tanda-tanda vital seperti
karena suhu atau tekanan darah, tes laboratorium hasil, dan beberapa pengukuran
diambil selama pemeriksaan fisik. Jenis data lebih mudah
untuk merumuskan dan beberapa dapat diperoleh dan disimpan secara otomatis. Akan Tetapi,
ketika data numerik ditafsirkan, masalah presisi dan validitas
menjadi penting. Dalam beberapa bidang kedokteran, terutama intensif
perawatan pengobatan, data diperoleh dalam bentuk sinyal kontinyu seperti
elektrokardiogram atau gelombang pulse oximetry. Ketika data tersebut disimpan dalam
catatan medis, yang melacak grafis sering disertakan. Bagaimana jenis
Data paling berhasil dalam penyimpanan komputer dan sistem keputusan klinis adalah
tantangan penting.
Gambar visual, diperoleh dari mesin atau ditarik oleh profesional kesehatan
untuk mencari kelainan atau menggambarkan prosedur, merupakan jenis penting
data. Gambar radiologi dapat disimpan dalam catatan pasien elektronik menggunakan
diformalkan mengompresi protokol. Kemungkinan untuk memperoleh dan menyimpan
gambar sketsa merupakan tantangan penting dalam pengembangan elektronik
catatan pasien karena heterogenitas dan kurangnya standarisasi.
Praktek medis medis pengambilan keputusan [24]. Informasi yang ada untuk
keputusan dukungan dan tindakan seperti prosedur; jika gagal untuk melakukan hal ini,
menjadi suara yang tidak relevan. Proses diagnosis adalah probabilistik klinis
penalaran berdasarkan tiga jenis informasi: data pasien, medis
pengetahuan, dan "direktori" informasi (misalnya, kamar bedah yang tersedia di
rumah sakit) [25]. Ini adalah mengapa diagnosis dan konsekuen klinis
Keputusan merupakan dinamika pasti dan proses evolutif. meskipun ini
jenis informasi dapat dikodekan dan terstruktur, penyimpanan pada pasien
Rekor bisa sulit untuk memformalkan karena ketidakpastian ini, keberadaan
lebih dari satu hipotesis diagnosis, dan evolusi-waktu terkait dari
diagnosis akhir. Prosedur klinis lebih mudah untuk meresmikan dan biasanya
diwakili dengan kode.
Secara umum, informasi kesehatan dapat dibagi menjadi kelompok-kelompok yang berbeda. untuk
masing-masing kelompok, adalah mungkin untuk mengasosiasikan sebuah metode yang biasa untuk
mendapatkan data tersebut
dan juga kesulitan formalisasi. Tabel 4.2 merangkum beberapa
karakteristik kelompok-kelompok ini.

4.2.4 Memahami Apa Direkam

Miskin presentasi data klinis juga dapat menyebabkan kurang informasi klinis
praktek, tidak pantas investigasi ulang, atau arahan yang tidak perlu, dan
limbah waktu dan sarana lainnya [3]. Apa manusia mengerti adalah
mendalam dibentuk oleh cara di mana data yang disajikan, dan oleh
cara kita bereaksi terhadap presentasi data yang berbeda [4]. Dengan demikian, itu mungkin sama
pentingnya
struktur data dengan cara sehingga dapat dipahami terbaik, karena itu adalah untuk
memastikan bahwa data yang benar di tempat pertama. Cara di mana data
disajikan harus mempertimbangkan konteks klinis saat ini dan
mengantisipasi kebutuhan pengguna, sehingga menciptakan lingkungan yang cerdas [26].

Dalam rangka untuk benar menginterpretasikan data EHR, sangat penting untuk
peneliti untuk memahami bagaimana EHR IS karya, yaitu, perangkat lunak, perangkat keras,
orang, dan proses. Dengan demikian, para peneliti menggunakan data EHR harus
memiliki akses ke dokumentasi yang menggambarkan model basis data, bentuk pengguna,
perangkat yang digunakan dalam pengumpulan data, deskripsi pengguna, dan protokol
digunakan dalam pengumpulan data.
Selain itu, untuk aman menginterpretasikan data kesehatan dari sistem heterogen
untuk penelitian digunakan, penting untuk dapat berbagi dan berkomunikasi
artinya data. Karena jumlah yang berpotensi sangat besar data dan perlu
penalaran data, sangat penting bahwa semantik data yang
komputer-
ditafsirkan. Kekhawatiran semantik seperti umumnya dapat dibagi
ke nilai data, struktur data, dan semantik terminologi yang berhubungan.
Untuk meningkatkan akurasi data, EHR harus memungkinkan asosiasi kehandalan
mengukur beberapa data (misalnya, "influenza Tersangka"). beberapa penulis
bahkan telah mengusulkan bahwa terkait dengan setiap nilai dalam database, ada
harus menjadi nilai kedua menggambarkan keandalan nilai [27].
Kategori yang diusulkan baik, sedang, miskin, tidak diketahui, dan tidak
yang berlaku.
4.3 Kualitas Data
Dengan perkembangan teknologi informatika, database medis cenderung
lebih dapat diandalkan. Namun, isu-isu mengenai DQ telah menjadi lebih relevan
dari sebelumnya sebagai pemanfaatan database ini meningkat baik dalam besarnya
dan pentingnya. DQ adalah relatif terhadap masing-masing tujuan dan dapat didefinisikan sebagai
"Kesesuaian untuk digunakan," yaitu, data dapat dianggap kualitas yang tepat untuk
satu tujuan tetapi mereka mungkin tidak memegang kualitas yang cukup untuk situasi lain
[28]. Hal ini terutama berlaku dalam database medis; database medis dapat
kualitas untuk analisis ekonomi tetapi mungkin kualitas cukup untuk klinis
studi.
Untuk data yang memiliki kualitas, Wyatt dan Liu [29] menyatakan bahwa mereka harus
akurat, lengkap, relevan, tepat waktu, cukup rinci, tepat
diwakili (misalnya, secara konsisten kode menggunakan sistem pengkodean klinis), dan
harus menyimpan informasi kontekstual yang cukup untuk mendukung pengambilan keputusan.
Penulis lain mempertimbangkan empat dimensi DQ [28]: akurasi, sebagai tingkat
kebenaran dan ketepatan dengan mana data dunia nyata yang diwakili;
kelengkapan, seperti sejauh mana semua data yang relevan dicatat; konsistensi,
sebagai sejauh mana data yang memenuhi kendala tertentu dan bisnis
aturan main; dan ketepatan waktu, sebagai sejauh mana data yang direkam up-todate
[30, 31].
Dalam perspektif lain, adalah mungkin untuk menganalisis DQ mengenai tiga
Peran tentang data: produksi, kustodian, dan konsumen. Produsen Data orang-orang yang menghasilkan
data (misalnya, medis, keperawatan, atau staf administrasi); data
kustodian
adalah mereka yang menyediakan dan mengelola sumber daya komputasi untuk menyimpan
dan pengolahan data (misalnya, administrator database dan ilmuwan komputer);
dan konsumen data mereka yang menggunakan data dalam perawatan medis (misalnya,
dokter, peneliti, dan manajer) [32, 33].

4.3.1 Permasalahan dalam Input Data

Data dalam catatan kesehatan harus akurat, lengkap, dan up-to-date, di
Agar bermanfaat, tidak hanya untuk latihan kesehatan (tujuan utamanya), tetapi
juga untuk kegiatan penelitian lebih lanjut. Catatan medis berbasis kertas (PBMRs)
masih merupakan fondasi penting informasi bagi kesehatan, dan
sering dianggap sebagai standar emas untuk evaluasi sistem EHR, seperti
mereka mewakili kontak terdekat dengan acara yang sebenarnya mereka melaporkan. itu
reputasi buruk dari PBMRs sebagian besar berasal dari fakta bahwa mereka membutuhkan
pengguna mengeluarkan banyak waktu dan usaha untuk mencari informasi tertentu,
atau untuk mengumpulkan dan memperoleh gambaran umum. Juga, masukan dari
Informasi dilakukan oleh orang yang berbeda, di berbagai titik dalam waktu,
dan sering dilakukan setelah pelayanan medis telah diberikan, dengan
Masalah utama tulisan tangan yang buruk, lembar yang hilang, dan dokumentasi yang tidak sempurna
biasanya dihubungkan dengan beban kerja yang tinggi dari kedua dokter dan
perawat [34].
Selama dekade terakhir, berbagai sistem komputer telah diperkenalkan
untuk mendukung praktek klinis [35]. Namun, komputerisasi tidak
selalu membantu [12]. Sebagai contoh, Soto et al. [36] dilaporkan dalam penelitian mereka
pada kualitas dokumentasi yang, meskipun kehadiran medis elektronik
record yang dirancang untuk memudahkan dokumentasi, tingkat dokumentasi
beberapa domain jatuh di bawah tingkat yang diinginkan. EHRs telah dilemahkan oleh
kedua kesalahpahaman pada desain catatan, dan dangkal (atau tidak ada)
Penelitian pada desain user interface yang digunakan untuk mengisi dan mengambil data. untuk
membantu dokter menemukan data yang lebih cepat dan dengan sedikit usaha, semua orang
merancang dan
menulis dalam catatan perlu memahami bagaimana dan mengapa kita mencari catatan
dan fitur desain yang membuat pencarian lebih mudah. Di satu sisi, baik
desain record dapat menggandakan kecepatan di mana suatu ekstrak pembaca dipraktekkan
informasi dari dokumen, sedangkan desain miskin memperkenalkan atas
batas kecepatan yang tidak dapat diatasi dengan pelatihan [12]. Di sisi lain,
desain user interface memiliki pengaruh besar pada kegunaan
sistem, dan ini memainkan peran penting dalam pencegahan lengkap
dan catatan data yang tidak benar [35]. Bahkan mempertimbangkan rekor sempurna dan
desain user interface, ada tingkat ketidakpastian yang tinggi dalam data yang tercatat,
sebagian berasal dari fakta bahwa pengguna yang berbeda berpartisipasi dalam data
rekaman [36] dan beberapa berasal dari fakta bahwa data saat ini adalah
diperkenalkan dalam sistem catatan yang berbeda hampir bersamaan atau,
Setidaknya, selama acara pasien yang sama, yang menyebabkan untuk merekam dan linkage acara
masalah [37].

4.3.2 Jenis-jenis Kesalahan

Arts et al. [38] Ulasan konsepsi utama tentang jenis kesalahan data,
mulai dari spesifikasi semantik (misalnya, interpretasi, dokumentasi,
dan kesalahan coding) definisi proses yang mendasari (misalnya, sistematis dan acak
kesalahan). Fokus diberikan kepada kedua. Penyebab kesalahan data yang sistematis
termasuk kesalahan pemrograman, definisi jelas untuk item data, atau pelanggaran
protokol pengumpulan data. Kesalahan data acak, misalnya, dapat
disebabkan oleh data yang tidak akurat transkripsi dan mengetik kesalahan atau tulisan tangan terbaca
dalam catatan pasien [38]. Mereka juga melakukan studi kasus sederhana
untuk mencoba mengidentifikasi penyebab utama data ketidaklengkapan dan ketidakakuratan.
Mereka mengevaluasi data yang tercatat dalam dua unit perawatan intensif yang berbeda (ICU),
satu menggunakan PBMR dan lain sistem manajemen data pasien, baik
mendaftarkan data mereka sendiri ke dalam database registry pusat di Nasional
Institut Kesehatan dan Klinis Excellence pusat koordinasi. utama
sumber kesalahan yang dicari dalam tiga proses berikut: local
perekaman data, ekstraksi data lokal, dan transfer data pusat. Dari 20 secara acak
dipilih pasien dari setiap ICU, evaluasi keseluruhan mengakibatkan
berikut: 2.0% data yang tidak akurat (sebagian besar untuk kesalahan pemrograman) dan 6,0%
Data lengkap (sebagian besar untuk catatan buruk dirancang, dengan variabel yang hilang)
untuk rumah sakit dengan menggunakan pengumpulan data otomatis; 4,6% data yang tidak akurat
(sebagian besar untuk transkripsi akurat dan / atau perhitungan) dan 5,0% tidak lengkap
Data (hampir merata untuk transkripsi dari PBMR dan untuk pemrograman
kesalahan dalam proses transfer data) untuk rumah sakit menggunakan data manual
Koleksi. Meskipun skenario ini tidak salah satu yang paling sulit tentang
DQ, itu mengungkapkan beberapa penyebab yang menarik yang perlu diperhitungkan
dalam desain EHR. Tabel 4.3 dan 4.4 hadir gambaran penulis tentang penyebab
DQ cukup, dalam dua periode yang berbeda dari implementasi sistem EHR terdistribusi
dan penyebaran: pengaturan registry dan pengumpulan data.
Kami mengarahkan pembaca untuk studi dirujuk untuk laporan menyeluruh pada
penyebab tidak cukup DQ. Meskipun demikian, kami percaya bahwa penting tertentu
menyebabkan bahwa kita harus membahas dalam bab ini adalah desain antarmuka yang buruk;
kurangnya kepatuhan terhadap pedoman, protokol, dan definisi data; dan tidak cukup
informasi tentang data yang dikumpulkan. Sebuah taksonomi masalah DQ (DQPs),
yang diselenggarakan oleh tingkat granularity, disajikan pada Tabel 4.5 [39]. Selanjutnya, kami
menyajikan
definisi singkat untuk setiap DQP berdasarkan Oliveira et al. [39], dan sekarang
beberapa contoh:
Hilang nilai-atribut yang diperlukan tidak diisi, yaitu, tidak adanya
nilai dalam atribut wajib (misalnya, jenis kelamin seorang pasien
yang hilang).
Sintaks nilai pelanggaran-atribut melanggar sintaks yang telah ditetapkan (misalnya,
birth_date tidak dalam format tanggal yang benar).
Domain nilai pelanggaran-atribut melanggar domain nilai yang valid
[misalnya, lama tinggal (LOS) mengandung nilai negatif]. Jika atribut

Table table belom

Pelanggaran aturan-ini bisnis masalah dapat terjadi pada semua rincian

tingkat, ketika diberikan aturan domain bisnis dilanggar (misalnya, patient_
Nama harus memiliki minimal dua kata, tapi ada tuple mana ini
kendala tidak dihormati).
Keunikan tupel pelanggaran-dua (atau lebih) * memiliki nilai yang sama dalam
nilai unik atribut (misalnya, process_number sama untuk berbeda
pasien).
Keberadaan sinonim penggunaan nilai sintaksis yang berbeda dengan
arti yang sama (dalam atribut atau antar atribut terkait dari
beberapa hubungan) (misalnya, penggunaan lambung atau perut).
Pelanggaran fungsional ketergantungan-nilai tupel melanggar sebuah
ada ketergantungan fungsional antara dua atau lebih atribut (misalnya, dalam
rumah sakit yang sama, (dept_code = 40; dept_name = Gastroenterologi)
dan (dept_code = 40; dept_name = Psikiatri)).
Duplikat Perkiraan tupel-entitas dunia nyata yang sama diwakili
(sama atau dengan perbedaan kecil) di lebih dari satu tuple
[misalnya, departemen tuple (Pneum, lantai 8, St. John Hospital) adalah
duplikat perkiraan departemen tuple (pneumologi, delapan lantai,
John Rumah Sakit St.)].
Duplikat konsisten tupel-representasi dari dunia nyata yang sama
entitas dalam lebih dari satu tuple tetapi dengan inkonsistensi antara
nilai atribut [misalnya, alamat di duplikat tupel rumah sakit (St. John
Rumah Sakit, Great Ormond Street) dan rumah sakit (John Rumah Sakit St.,
Saintfield Jalan) tidak konsisten)].
Integritas referensial pelanggaran-nilai dalam atribut kunci asing
tidak ada dalam hubungan yang terkait sebagai nilai kunci primer (misalnya,
pokok kode diagnosis 434,91 tidak hadir dalam diagnosis
hubungan).
Referensi-the salah integritas referensial dihormati tetapi asing
kunci berisi nilai, yang tidak benar (misalnya, kepala sekolah
diagnosis dikodekan sebagai 434,10 bukannya 434,11; kedua kode ada di
diagnosis hubungan).
Heterogenitas sintaks-adanya representasi yang berbeda
sintaks dalam atribut terkait, dalam sumber data atau diantara data
sumber (misalnya, atribut admission_date memiliki sintaks hh / bb / tttt, namun
atribut discharge_date memiliki sintaks yyyy / mm / dd).
Heterogenitas ukuran unit-penggunaan unit ukuran yang berbeda di
atribut terkait, dalam sumber data atau di antara sumber data (misalnya,
dalam sumber-sumber data yang berbeda, representasi suhu atribut
dalam skala yang berbeda (Celcius / Fahrenheit). Heterogenitas representasi-penggunaan set yang
berbeda dari nilai-nilai kode
Properti dunia nyata yang sama, dalam sumber data atau diantara data
sumber (misalnya, dalam satu sumber, jenis kelamin dapat diwakili dengan nilai 1,
2 dan, di sumber lain, dengan nilai-nilai M, F).
Keberadaan homonim penggunaan nilai sintaksis sama dengan yang berbeda
makna, antara atribut terkait dari berbagai sumber data
(misalnya, ventilasi memiliki setidaknya dua arti yang berbeda, satu mengacu
fenomena biologis respirasi, dan lainnya mengacu
aliran lingkungan udara).

4.3.3 Pembersihan data

Outliers, inkonsistensi, dan kesalahan dapat dimasukkan dalam proses data
pembersihan [40]. Pembersihan data terdiri dari eksplorasi data untuk kemungkinan
masalah dan membuat upaya untuk memperbaiki kesalahan. Ini adalah penting
langkah dalam proses penemuan pengetahuan dalam database (KDD) [41]. di sana
banyak masalah yang berkaitan dengan pembersihan data yang peneliti mencoba untuk
mengatasi, seperti berurusan dengan data yang hilang dan menentukan record kegunaan
dan data yang salah [42]. Tidak ada definisi umum untuk pembersihan data karena
berkaitan erat dengan daerah di mana itu diterapkan, misalnya, di KDD, data
pergudangan, atau total manajemen DQ [40].
Subkelompok DQPs terkait dengan outlier basis data, inkonsistensi,
dan kesalahan dapat dibagi menjadi integritas semantik, sintaksis, dan referensial
masalah [43]. Karakterisasi dan sistematisasi masalah ini
sangat penting. Sebuah objek yang tidak sesuai dengan perilaku umum
data disebut outlier [41]. Outlier bisa terjadi karena mekanik
kesalahan, perubahan perilaku sistem, perilaku penipuan, kesalahan manusia, atau
kesalahan instrumen atau kesalahan [44]. Mereka adalah, biasanya, sangat berbeda dari, atau
tidak konsisten dengan, data yang tersisa. Outlier bisa menjadi kesalahan tapi bisa juga
hasil dari variabilitas alami data, dan dapat menyimpan penting disembunyikan
Informasi. Tidak ada teknik universal untuk mendeteksi outlier;
berbagai faktor harus dipertimbangkan [18]. Statistik dan mesin belajar
berkontribusi dengan metodologi yang berbeda yang penting untuk analisis mereka [41,
45-47]. Biasanya, metode analisis outlier berbasis komputer mengikuti statistik,
a-jarak jauh, atau berbasis penyimpangan pendekatan [41]. algoritma harus
akan dipilih ketika mereka cocok untuk model distribusi, jenis
atribut, kecepatan, skalabilitas, dan karakteristik domain spesifik lainnya
[44].
Cara yang ini DQPs potensial dikelola juga sangat
penting. Hal ini diperlukan untuk menganalisis dan menentukan apa yang harus dilakukan dalam
setiap situasi
(misalnya, untuk menghapus atau label error). Untuk memudahkan analisis outlier, probabilitas
dapat
ditugaskan untuk setiap kasus. Isu yang terkait dengan data yang preprocessing juga penting
untuk pengurangan upaya komputasi untuk mencapai domain lebih cepat
pemahaman dan implementasi yang lebih cepat dari metode.

4.3.4 Nilai Hilang

Hilang nilai dapat mewakili sistem-hilang (misalnya, akibat tidak
memilih
Pilihan ada) atau pengguna-hilang (misalnya, akibat memilih
opsi bernama "diketahui"). Sistem-hilang harus dihindari dan diganti
oleh user-hilang
bila memungkinkan. Utama masalah tentang sistem-
yang hilang
nilai muncul pada waktu analisis, yaitu dengan mencoba untuk mencari tahu apa yang
berarti ketika nol atau nilai kosong disimpan dalam database. untuk menggambarkan
masalah ini, mari kita perhatikan bentuk contoh untuk pengenalan informasi
tentang alergi. Bentuk biasa menganggap hanya kotak centang sederhana.
Alergi terhadap penisilin: []
Apa nilai kosong berarti? Apakah pasien tidak alergi? dokter
tidak tahu? Pertanyaannya adalah tidak berlaku dalam pengaturan saat ini?
Nilai belum diperkenalkan, tapi mungkin akan berada di bawah
iterasi?
Bentuk yang lebih jelas mempertimbangkan ya / tidak tombol radio untuk memaksa pengguna untuk
memberikan
menjawab, bahkan jika itu adalah jawaban standar.
Alergi terhadap penisilin: () Ya (*) No
Tetapi bahkan ini tidak cukup untuk menjelaskan hal-hal untuk analis. Lebih kompleks
Bentuk harus mempertimbangkan hipotesis lain (N / A berarti Tidak Berlaku):
Alergi terhadap penisilin:
() Ya () Tidak ada (*) diketahui
() Ya () Tidak ada (*) Unknown () N / A () Ya () Tidak () Unknown ()
N / A (*) Tidak pernah masuk
() Dokter mengatakan Ya () Dokter mengatakan ada
() Pasien mengatakan Ya () Pasien mengatakan ada
() Unknown (*) Tidak pernah masuk () N / A
Pendekatan serupa telah diusulkan dalam studi tentang pengawasan demografi
sistem [48]. Bertujuan untuk meningkatkan keandalan data, satu set standar
nilai didefinisikan untuk digunakan secara konsisten di seluruh database untuk menunjukkan
status nilai data tertentu. Nilai-nilai standar berikut (dan
maknanya) yang diusulkan:
"Tidak pernah masuk" -Ini adalah nilai default untuk semua bidang data dalam baru
menciptakan rekor.
"Tidak berlaku" diberikan-data di ladang atau catatan terkait, nilai
untuk bidang ini data tidak berlaku.
"Unknown" nilai -The tidak diketahui. Tindak lanjut yang dihasilkan tidak lebih baik
informasi atau tidak berlaku.
"Untuk dikonfigurasi" -Ini menunjukkan kebutuhan untuk query nilai seperti
muncul pada dokumen masukan dan mengambil tindak lanjut.
Dari-Rentang nilai pada dokumen masukan di luar jangkauan dan
tidak bisa masuk. Tindak lanjut tidak menghasilkan informasi yang lebih baik
atau tidak berlaku.
Dua nilai standar terakhir ("Untuk dikonfigurasi" dan "Out of range") adalah
terkait lebih erat dengan sistem penelitian surveilans demografi, dan
karena itu lebih sulit untuk menggeneralisasi ke penggunaan lain.
Selain itu, program entri data perangkat lunak mengharuskan pengguna untuk memasukkan
nilai ke lapangan, terlepas dari apakah sebuah entri akan berlaku, mungkin
menemukan bahwa nilai telah dimasukkan hanya untuk memenuhi persyaratan
Program daripada untuk merekam data yang valid. Memiliki pilihan yang berhubungan dengan hilang
Data membantu untuk memecahkan pertanyaan-pertanyaan ini.

4.3.5 Nilai Default

Nilai default adalah konten preassigned untuk wadah data (misalnya, entri bentuk
atau lapangan tabel). Ini adalah nilai yang digunakan ketika ada nilai yang disediakan. untuk
meningkatkan
kesederhanaan penggunaan, antarmuka pengguna komputer sering menggunakan nilai default.
kegagalan
nilai-nilai biasanya nilai yang paling umum, dan mereka dianggap
benar kecuali pengguna menentukan sebaliknya. Asumsi standar tersebut tidak
sesuai untuk masuknya data klinis, karena dua alasan [49]:
1. Mereka mungkin bias data, karena mereka mungkin muncul untuk menjadi "diharapkan"
atau "normal" nilai.
2. Pengguna mungkin hanya kehilangan pertanyaan jika default diambil.
Alternatif adalah untuk membuat semua bidang entri data kosong atau awalnya ditetapkan untuk
"Tidak diketahui," sehingga setiap titik data dalam database merupakan eksplisit
masukan oleh pasien. Palmblad dan Tiplady [49] menekankan bahwa respon harus
selalu hasil dari tindakan oleh user-default tidak harus diambil sebagai
Data.
4.3.6 Konsep Klinis
Ada beberapa sumber masalah ketika merancang antarmuka pengguna, terutama
dalam domain kesehatan. Dalam studi Hyeoneui et al. [50], masalah
ditemukan pada lembar aliran ICU keperawatan terkait dengan label item data. beberapa
label (misalnya, "Status" dan "Kondisi") ditemukan didefinisikan samar-samar.
Mereka tidak menyampaikan informasi semantik yang memadai tentang data yang dikandungnya,
sehingga sulit untuk mengambil dan melakukan inferensi pada data.
Data dikodekan menawarkan cara yang mungkin untuk menerapkan statistik untuk data yang
dikumpulkan. itu
Keuntungan yang jelas. Namun demikian, data dikodekan selalu menyiratkan penyederhanaan
realitas. Bentuk terstruktur adalah model realitas, dan dengan demikian mereka
bertujuan untuk mengubah realitas yang kompleks dalam versi yang disederhanakan. Karena teks bebas
tidak memaksakan begitu banyak pembatasan, kehilangan informasi cenderung lebih lebih rendah.
Juga, ketika orang-orang dipaksa untuk memilih dari daftar yang telah ditentukan
Kode, mereka mungkin menemukan bahwa mereka tidak dapat menemukan kode yang benar dan
sehingga mereka
pilih kode yang tampaknya paling dekat dengan, tetapi tidak benar-benar mewakili, nyata
situasi atau pengamatan [51].
Sebagai contoh, keakuratan informasi rumah sakit dikodekan pada Pasien yang
Sistem Administrasi Rumah Sakit Birmingham Perempuan diuji
[52]. Ketepatan diagnosis, intervensi, dan diagnosis-intervensi
pasang catatan elektronik rendah. Kappa () statistik perjanjian dilaporkan
adalah 0,39, 0,30, dan 0,21, dan proporsi perjanjian adalah 69,69,
64,64, dan 60,26, masing-masing [53]. Penting untuk dicatat bahwa data ini memiliki
sebelumnya telah digunakan untuk mengukur tingkat kesehatan berbasis bukti [54].
Para penulis mengklaim bahwa sumber utama kesalahan muncul karena database
maternities dan operasi bedah tidak mulus terkait dengan Pasien
Sistem Administrasi. Penelitian ini menyimpulkan bahwa tingkat tinggi ketidaktepatan
mungkin ada di data klinis rumah sakit elektronik, dan bahwa peneliti mengandalkan
di rumah sakit data elektronik yang disarankan untuk terlebih dahulu memeriksa tingkat akurasi.
Dalam contoh lain, perjanjian diagnosis final antara dua sumber
untuk gawat darurat pediatrik (ED) dilihat di 19 institusi AS
baru-baru belajar [55]. Secara keseluruhan, 67% dari diagnosa dari administrasi dan
Sumber disarikan berada dalam kelompok diagnosis yang sama. perjanjian bervariasi
oleh situs, mulai dari 54% menjadi 77%. Para penulis menyimpulkan bahwa diagnosis ED
diambil dari sumber-sumber administrasi elektronik dan grafik pengguna
Ulasan sering tidak setuju. Perjanjian bervariasi oleh institusi dan dengan diagnosis.
Pekerjaan lebih lanjut dianjurkan untuk meningkatkan akurasi diagnosis
coding. Penelitian lain telah dijelaskan masalah kesalahan klasifikasi di EHRs [56].
Masalah coding meningkat ketika mencoba untuk mengintegrasikan database. membuat
umum sistem pengkodean dari set yang berbeda dari kode yang rumit karena
kemungkinan bahwa proses yang berbeda untuk coding dan berbeda definisi yang
yang digunakan. Di bawah, empat studi kasus yang berkaitan dengan isu-isu coding dijelaskan.
Aturan validasi studi kasus. Dalam database debit rumah sakit pusat, sederhana
alat validasi, dengan aturan domain didefinisikan oleh seorang spesialis dalam kodifikasi medis,
dilaksanakan [57]. Alat ini secara berkala menghasilkan laporan kesalahan
dan memberikan umpan balik kepada administrator database. Dengan alat umpan balik ini, dan
hanya 7 bulan, kesalahan kritis menurun dari 6% menjadi 1% (dari 173.795 ke
27.218 kasus). Setelah itu, kesalahan kritis terus menurun dan dalam 1 tahun
dikurangi menjadi 0,13% (5,112 kasus). Ini adalah sederhana, namun sangat menarik,
contoh bagaimana prosedur sederhana jelas dapat mempengaruhi kualitas data
dan akibatnya kualitas penelitian setiap menggunakan data itu. Mari kita analisa
contoh aturan validasi (algoritma) untuk berat badan lahir (lihat Gambar 4.2).
Bayi yang baru lahir diberi kode dengan memiliki Klasifikasi Internasional pokok
Penyakit, 9 revisi, Modifikasi Klinis (ICD-9-CM) kode diagnosis
dimulai dengan V3. Dalam kasus ini, atribut berat lahir (BIRTH_WGT)
tidak bisa hilang.
Influenza coding antara studi kasus rumah sakit. Contoh yang lebih lengkap
salah
Data dapat ditemukan dalam data yang sama. ICD-9-CM memiliki diagnostik

Apakah atribut diisi?

- Tidak diagnosis utama memiliki kode dimulai dengan V3?
Ya keluaran kesalahan kritis
Tidak ok
- Ya diagnosis utama memiliki kode dimulai dengan V3?
Ya nilai BIRTH_WGT antara 400 dan 9000?
Ya ok
Tidak keluaran kesalahan kritis
Tidak keluaran kesalahan kritis

Kode khusus untuk influenza (487,0, 487,1, dan 487,8) yang dapat dengan mudah diambil
dari catatan rumah sakit. Meskipun ada memiliki beberapa usaha yang sukses
dalam penggunaan kode ini [58], kodifikasi spesifik ini tidak seragam
dilakukan di rumah sakit yang berbeda. Bahkan, dengan menggunakan rawat inap nasional sebelumnya
database, kita dapat menemukan perbedaan besar dalam rumah sakit perawatan akut yang berbeda
(lihat Gambar 4.3). Persentase kasus dengan rentang influenza dari
1,77% sampai 0,00% dari semua rawat inap di rumah sakit Portugis. Besar kemungkinan
bahwa sebagian besar diagnosis influenza tidak diperkenalkan.
Stroke coding studi kasus protokol iskemik. Data debit ICD-9-CM juga telah
digunakan untuk mengidentifikasi pasien stroke untuk epidemiologi, kualitas pelayanan,
dan studi biaya [59]. Namun demikian, selama bertahun-tahun stroke iskemik (a buruk
jenis didefinisikan stroke) tidak memiliki langsung masuk dalam abjad ICD-9-CM
indeks. Di Portugal, karena penafsiran yang salah dari seorang pejabat
entitas, stroke iskemik awalnya dikodekan dengan 437,1 (iskemik umum lainnya
otak-vascular penyakit), bukan yang benar 436 kode (akut tetapi illdefined
Penyakit otak-vaskular). Pada bulan Oktober 2004, Para Pihak Bekerjasama
dan Editorial Dewan Penasehat untuk Coding Clinic untuk ICD-9-CM menjelaskan
situasi ini dan memodifikasi sistem klasifikasi, menunjukkan
Kode 434,91 (oklusi arteri serebral ditentukan dengan infark serebral)
sebagai yang benar untuk stroke iskemik. Setelah jangka waktu 2 sampai 3 tahun (waktu
diperlukan untuk pesan untuk mencapai semua coders medis di Portugal, karena
penggunaan versi ICD-9-CM tidak up-to-date atau seragam), stroke iskemik
coding mulai secara umum, dan benar, diklasifikasikan dengan 434,91. seperti ditunjukkan
pada Gambar 4.4, perubahan dalam protokol untuk pengkodean stroke iskemik jelas
dipengaruhi ICD-9-CM data debit: ada pengurangan yang jelas selama bertahun-tahun di
episode dikodekan sebagai 436 (stroke tidak ditentukan) dan peningkatan simultan di
434,91 (penyakit otak-vaskular, termasuk stroke iskemik).
Leukemia kejadian penurunan sulit untuk menjelaskan. Gambar 4.5 menunjukkan insiden
(jumlah kasus baru dalam kurun waktu tertentu) tahun untuk leukemia

Figure 4.4 belom

dihitung dengan menggunakan database dari rumah sakit nasional yang sama. dokter spesialis
tidak menemukan alasan medis untuk penurunan tersebut antara tahun 1999
dan 2001 (1183 to 770 kasus). Di sisi lain, coding spesialis menyarankan
bahwa mungkin modifikasi kebijakan coding bisa menjadi penyebab ini tiba-tiba
mengalami penurunan.
Representasi jelas dan konsisten adalah dasar data
menggunakan kembali. Sistem yang dikembangkan secara lokal sering gagal untuk memenuhi
persyaratan ini. di sana
adalah metode untuk disambiguate representasi konsep [60]:
Top-down pendekatan-identifikasi konsep-konsep kunci dari sebuah domain, yang
kemudian diatur dalam struktur; maka konsep rinci diisi
ke dalam struktur.
Pendekatan bottom-up-koleksi semua konsep yang rinci, yang
kemudian disusun dalam suatu struktur hirarkis.
Dalam sebuah penelitian tahun 2008, Hyeoneui et al. [50] menunjukkan bagaimana metode ini dapat
diterapkan dalam skenario real-kasus. Lembar aliran keperawatan ICU dikembangkan secara lokal
dipelajari dengan tujuan untuk penggalian model konseptual yang ada di
AKU S. Meskipun proses padat karya, metode disambiguasi terbukti
menjadi layak dalam menjelaskan berbagai representasi data ambigu di lokal
ICU lembar aliran keperawatan.

4.3.7 Protokol Pengumpulan Data

Menarik elemen data keluar dari sistem dan lingkungan yang menghasilkan
mereka juga menarik mereka dari informasi berharga yang memberi mereka definisi
dan struktur. Sebagai contoh, untuk elemen data tunggal tekanan darah, yang
Definisi dipahami cukup baik. Namun, bagaimana seseorang menafsirkan tekanan darah
mungkin berbeda sehubungan dengan: di mana ia diukur (dalam batas-batas yang tenang

Diagram belom
kantor dokter atau di belakang ambulans); bagaimana itu diukur; pada saat
itu diukur (waktu dan hari); dan yang mengambil pengukuran.
Banyak pertanyaan mungkin timbul tentang protokol pengumpulan data:
Haruskah hanya menyimpan data pada tekanan darah atau harus protokol
juga digunakan untuk mengumpulkan itu?
Adalah nilai-nilai dimengerti tanpa protokol?
Bisa dua suhu, yang diukur di lokasi yang berbeda, mewakili
variabel yang sama?
Bisa dua suhu, diukur dengan perangkat yang berbeda, mewakili
variabel yang sama?
Savage [18] mengusulkan bahwa metode akuisisi berikut harus
dijelaskan dalam rangka untuk lebih memahami data:
praktek Bisnis
Metode pengukuran, pengamatan, dan penilaian
praktek Pencatatan
Kendala dan aturan yang diterapkan
Perubahan dalam metode dari waktu ke waktu
Dalam standar openEHR [61], perhatian khusus diberikan kepada cara-terkait kesehatan
Data diukur, sehingga semua kelas PERAWATAN ENTRY di openEHR EHR
Reference Model memiliki bagian protokol. Ini termasuk OBSERVATION tersebut,
EVALUASI, ACTION, dan INSTRUKSI kelas. Bagian Protokol
ditambahkan di awal desain openEHR berdasarkan penelitian pada saat itu
menunjukkan bahwa komputerisasi berarti bahwa banyak rincian bisa ditambahkan ke
dokumentasi yang bisa berguna di masa depan. bagian ini
digunakan untuk merekam informasi yang tidak penting, tetapi mungkin menambah nilai, dengan
interpretasi pengukuran. Ini sering kali berisi informasi tentang
cara di mana sesuatu yang diukur, seperti perangkat atau lokasi
pengukuran (ketika nilai pengukuran yang diterapkan pada tubuh seperti
suhu).
Contoh ilustrasi yang berbeda menunjukkan bagaimana perbedaan protokol memiliki
dampak penting pada interpretasi data. Di Portugal, LOS dihitung dengan
mengurangkan tanggal masuk dari tanggal debit. Sama-hari tetap adalah
akibatnya dikodekan sebagai 0. hari Cuti tidak dikurangi. bahkan mempertimbangkan
masuk dan waktu debit, proses perhitungan LOS tidak selalu
beberapa di antara rumah sakit yang berbeda di seluruh negeri. Untuk sama-hari
tetap kita, menemukan, dalam beberapa kasus, LOS dengan nilai 0 dan, dalam kasus lain, dengan
nilai 1. administrasi / aplikasi klinis nasional lainnya tidak menggunakan
definisi standar dan termasuk hari cuti. Akibatnya, sebuah episode di mana
pasien meninggalkan hari setelah masuk diberikan 2 hari untuk LOS.
4.3.8 Tanggal dan Isu Waktu
Salah satu bagian penting dari informasi mengenai kegiatan klinis saat ini
ketika mereka terjadi. Dalam banyak situasi, keakuratan data waktu memiliki
konsekuensi medis, medikolegal, dan penelitian yang mendalam (misalnya, kelahiran anak,
kematian, operasi, anestesi, atau resusitasi). Mengenai data mining, yang
Analisis data waktu memungkinkan pengguna menetapkan urutan peristiwa dan waktu
selang antara setiap peristiwa, dan dengan demikian memungkinkan hubungan peristiwa ketika
mengintegrasikan
database yang berbeda atau melakukan penambangan proses data log.
Salah satu masalah berasal dari kenyataan bahwa ada beberapa tidak sinkron
mekanisme yang digunakan untuk memberitahu waktu. Ada pepatah lama, "Seorang pria
dengan menonton tahu apa waktu itu. Seorang pria dengan dua jam tangan tidak pernah yakin. "
Selama resusitasi, beberapa timepieces yang digunakan, dan banyak peristiwa terjadi
dalam waktu singkat. Ketidakakuratan membuat tidak mungkin untuk secara akurat merekonstruksi
urutan peristiwa, yang meningkatkan risiko kewajiban dalam hal terjadi
gugatan [62]. Badan standar bidang informatika medis sudah
solusi yang diusulkan, seperti Konsisten Waktu Integrasi Profil, meskipun
mereka terutama ditujukan untuk menyinkronkan log, otentikasi pengguna, dan digital
menandatangani dokumen.
Kelahiran per studi kasus menit. Masalah lain terkait dengan orang-orang pembulatan
dari menit (atau detik) dari peristiwa klinis. Untuk menguji premis ini,
penulis bab ini telah mengukur frekuensi kelahiran dikelompokkan berdasarkan
menit kelahiran (0-59) di sebuah rumah sakit Portugis pusat. database
digunakan memiliki lebih dari 10.000 kelahiran terdaftar. Beberapa frekuensi dihitung
adalah sebagai berikut: 9.15% selama 0 menit, 4,94% selama 30 menit, 1,8% selama 12 menit,
dan 0,44% untuk 51 menit (lihat Gambar 4.6). Top 12 menit yang paling sering
semua kelipatan 5. Grafik jelas menunjukkan profesional kesehatan
kecenderungan untuk menit masukan yang dalam kelipatan 5. Hari ini, tampaknya perawat

figure 4.6

dengan kedua jam komputer dan jam dinding tidak pernah yakin apa waktu kelahiran
benar-benar terjadi. Selama beberapa tahun sekarang, perawat di Perinatal Diskusi
Daftar mempertanyakan dilema terlalu banyak jam ("Apakah Anda dokumen
waktu dari jam dinding, monitor janin elektronik atau komputerisasi
medis catatan jam workstation? "" Bagaimana jika waktu yang berbeda-beda? "
"Di mana Anda mendapatkan waktu standar?") [63].
Sebuah studi yang berbeda menunjukkan bahwa 93% dari kasus serangan jantung akan berisi
Kesalahan dokumentasi 2 menit (mungkin karena pembulatan) atau lebih
dan bahwa 41% dari kasus akan berisi kesalahan dokumentasi dari 5 menit atau
lebih [64]. Nilai ini menegaskan variasi pengaturan arloji kritis
sistem perawatan darurat perkotaan.
Kaye et al. [65] berpendapat bahwa kemampuan untuk menggunakan interval waktu untuk
mengevaluasi resusitasi
praktek di rumah sakit terganggu dengan ada waktu yang hilang
Data, Utstein interval proses standar emas dihitung negatif, tidak mungkin
interval 0 menit dari pengakuan penangkapan untuk Meningkatkan intervensi Life Support
di unit dengan penyedia cardiopulmonary resuscitation saja, penggunaan
beberapa timepieces untuk waktu perekaman data selama acara yang sama, dan lebar
variasi dalam koherensi dan presisi timepieces [65]. Untuk mendeteksi masalah tersebut,
peneliti harus mencoba untuk
Memahami protokol / kebijakan yang digunakan oleh pengguna EHR untuk merekam waktu.
Cari tahu bagaimana timepieces yang berbeda disinkronisasi.
Periksa apakah perangkat dan server sama dikonfigurasi tentang
zona waktu dan daylight saving time.
Buat algoritma untuk menguji keakuratan data (misalnya, distribusi menit
kelahiran harus skor). Hal 78