数据的特性
2022/11/30 18:12:26 棒棒医生
现在是大数据时代，经常看到各种数据的分析和对比，但就同一件事，分析的结果却五花八门，一致性很差。
为什么会这样？
我觉得，这是因为对数据缺乏“敬畏”，以为数据是拿来就可以用的廉价材料。
我的职业生涯一半是临床，一半是质量管理，后者主要就是“玩”数据。十五年“玩”数据，对数据越来越有一种“敬畏”感，结果是，面对任何数据，轻易不敢相信，轻易不敢分析，轻易不敢使用，更轻易不敢下结论。
数据之为物也，充满了魔性，也充满了危险，它像一头怪兽，必须摸透它的特性，才能与它友好相处。数据至少有以下几个特性：
一、数学确定性
数据必须是可以精确定义的，它的分子和分母都具有数学的确定性。理解数据，首先要理解它的定义。比如，发病率、患病率、感染率，这三个概念看起来是一样的，但实际并不是，它们各自的定义并不相同，它们的分子分母不同，也就是说，它们的数学含义不同。
二、透明的
任何供分析的数据都应该是透明的。医疗安全文化中有不良事件通报制度，其最核心的精神就是非惩罚性的透明通报，必须鼓励把所有的不良事件都通报出来暴露出来，不能惩罚通报者，唯有这样，才能充分暴露安全隐患，才能真正着手系统的改善。如果对不良事件采取惩罚机制，可以预见，不良事件将被大量隐瞒，甚至篡改。比如，手术室里术后手术器械和材料的遗失是一个严重的不良事件，缝线、纱布、缝针、钛夹等等，术后找不到，并不是罕见的。如果发生一起严厉惩罚一起，大多数就会被隐瞒。透明通报出来，可能会得到一个令人惊讶的数据，对这个数据进行彻底的追因溯源，然后着手系统的改善、流程的再造、数据的追踪，才能真正得到真正的改善。
透明的数据才可能是真实的，反之，不透明的数据不大可能是真实的。
数据必须是透明的，我认为这是数据最重要的特性。任何不透明的数据，都没有分析的意义。
三、可验证的
无论人工的还是信息化的数据采集，都可能有各种偏倚。因此，需要对数据进行验证。任何质量数据，其准确性都受很多因素的影响。比如，平均住院日，把住院日除以住院人次是很简单的，但这往往并不真实，有些科室的病人在住院过程中有转科甚至反复转科的过程，最后都算在出院科室，就不公平。有的以大量无效的一日住院来冲淡分子，也不能反应实际水平。还有的是因为等待检查结果(如术后病理报告)而延长了住院日。诸如此类的原因，需要仔细甄别。甚至，还有可能是信息系统的计算错误，以及人为编造数据。所以，数据需要验证，不同的人，不同的方法，抽样验证，看看数据是否可靠，这是很重要的事。
四、可比性
不同的科室、单位、地区、国家，数据不能直接简单地拿来比较。举一个简单的例子，还是平均住院日，有的医院或科室，它的平均住院日很低，但深入了解后得知，它把住院时间超长的、有纠纷的、领导打招呼的等等病例都排除了，这样算得的平均住院日当然就很低了。
所以，数据必须具有可比性。除了纳入的标准、计算的公式和定义、样本的均质性外，数据本身是否是透明的至为关键。
可比的数据才能比，不要拿起数据就胡乱比较一通。
五、可深挖
任何数据的背后都潜藏着无数的数据，需要深潜下去一层一层地挖掘，才可能挖到最后的宝藏。
比如，抗菌药物使用强度(AUD)，绝对不能就AUD论AUD。一个科室的AUD超标，扣钱是最简单的，但解决不了根本问题，必须深挖这个数据：各个品种的AUD是多少？各个医疗组甚至个人的多少？哪些病种使用抗菌药物最多？使用目的(预防还是治疗)构成如何？联合使用的占比？口服抗菌药物的占比等等。把这些深层次的数据都挖出来，才能真正把握该科室抗菌药物使用的现状，也才能制定真正有的放矢的改善措施。
再比如，单看一个甲级病案率70%是没有意义的，必须深挖其不合格30%的构成：时效性指标(入出院、手术记录、病案首页等24小时完成率)如何？重大检查(病原学、大型检查、病理等)记录符合率如何？诊疗行为(手术和操作、抗菌药物、放化疗、输血、植入物、三级查房等)记录符合率如何？归档质量指标(及时归档率、主要诊断和主要手术操作编码正确率等)如何？作为质控人员，把这些数据都挖出来才是王道。
挖数据是质控的利器，不会挖数据，就不要谈质控。
六、数据的使用
数据只有在使用中才会发挥最大的价值，有数据而不用，等于一堆垃圾。而使用数据，需要掌握先进的工具。除了基本的统计图表，至少要掌握PDCA。进阶升级的话，还有品管圈、根因分析法、6西格玛、失效模式及后果分析、灾害脆弱性分析等等。通过使用而不断地改善数据，这才是最后的目的。
不会使用数据，要数据何用？
总之，数据的采集必须是确定的和透明的，形成的数据是可验证的，数据要深挖才能得到更多的信息，数据要使用才能发挥最大作用。
数据真的是很难的东西，这是我对它有所“敬畏”的原因。
源网页 http://weixin.100md.com
返回 棒棒医生 返回首页 返回百拇医药