نشانه گذاری عدم جمع آوری داده ها در شناسایی و رسیدگی به تفاوت های دیابت

این مقاله نقش حیاتی عدم توافق داده ها در شناسایی و تجزیه و تحلیل تفاوت های دیابت را بررسی می کند.ما بررسی خواهیم کرد که چگونه عدم توافق در معرض نابرابری های پنهان قرار می گیرد، روش هایی را برای جمع آوری و تجزیه و تحلیل داده های زیرگروه، بررسی مطالعات پرونده موفق، و طرح گام های عملی برای ادغام داده های غیر رسمی به استراتژی های بهداشت عمومی، با پایان دادن به اطلاعات اخلاقی ضروری است.

چرا ماسک های داده ای انبوهی از تفاوت های بحرانی

در نگاه اول، استفاده از داده های جمع آوری شده مانند شیوع متوسط ملی دیابت، کارآمد است.با این حال، میانگین ها می توانند به طور عمیقی گمراه کننده باشند، زمانی که داده ها در جمعیت های مختلف جمع آوری می شوند، تفاوت ها یکدیگر را از بین می برند، به عنوان مثال، یک شهر با 10٪ شیوع دیابت به طور کلی ممکن است در محله های سفید مرفه 5٪ باشد و نرخ 20٪ در جوامع کم درآمد باشد، اما این تفاوت مبهم است که این تفاوت را به طور کلی دو عامل می دهد.

یک تصویر واقعی در نظر بگیرید: انجمن دیابت آمریکایی گزارش می دهد که بزرگسالان بومی هندی / Alaska بالاترین میزان ابتلا به دیابت سن (14.7%)، و پس از آن توسط سیاه پوستان غیر اسپانیایی (12.5%)، اسپانیایی ها (11.7%)، و سفید پوستان غیر اسپانیایی (7.5%) وجود دارد.

داده های آگایر نیز تفاوت در عوارض مربوط به دیابت را پنهان می کنند، مانند قطع عضو کم، نارسایی کلیه و تحقیقات رتینوپاتی نشان می دهد که بیماران سیاه مبتلا به دیابت 3 تا 4 برابر احتمال دارد که تحت کاهش دفع آفات نسبت به بیماران سفید، حتی پس از کنترل شدت بیماری و وضعیت بیمه قرار گیرند، یک بیمارستان که تنها به طور کلی تشخیص می دهد که ممکن است به سرعت این اختلال نژادی را مشخص کند و به طور دقیق به این روش های کاهش می رسد.

نقش عوامل اجتماعی

تفاوت های دیابت از نظر بیولوژیکی از پیش تعیین نشده اند؛ آنها به شدت توسط عوامل اجتماعی سلامت (SDOH): درآمد، آموزش، مسکن، امنیت غذایی، حمل و نقل و دسترسی به مراقبت های بهداشتی شکل می گیرند؛ به عنوان مثال، فردی که در یک بیابان غذایی با دسترسی محدود به چهره های تازه در مدیریت دیابت خود را نسبت به کسی در یک محله به خوبی منبع شده است.

ابعاد کلیدی عدم انتشار داده ها برای دیابت

عدم توافق موثر نیاز به جمع آوری و تجزیه و تحلیل داده ها در ابعاد مختلف دارد، در حالی که نژاد و قومیت نقاط شروع مشترک هستند، آنها بسیار از حد کافی هستند. دسته های زیر به ویژه برای درک تفاوت های دیابت مرتبط هستند:

نژاد، قومیت و Ancestry

همانطور که در بالا ذکر شد، عدم تجمع توسط گروه های نژادی و قومی و ایده آل (به عنوان مثال، مکزیک، پورتوریکو، چینی، ویتنامی) - خطر تفاوت شناختی را دارند، مانند نرخ بالاتر مقاومت به انسولین در برخی از جمعیت ها، تعامل با عوامل اجتماعی و زیست محیطی. سیستم های دانه باید داده های مواد تشکیل دهنده تجزیه و تحلیل های قومی را جمع آوری کنند.

بسیاری از سیستم های بهداشتی داده های جمعیت شناختی ناقص یا متناقض دارند. بیماران ممکن است به عنوان "ناشناختی" یا "دیگر" برای نژاد / قومیت ثبت نام ثبت نام کنند. و استفاده از اسناد الکترونیکی برای جمع آوری داده ها با استفاده از سوالات معتبر، استاندارد شده یا آموزش، که حساس تر هستند، استفاده از اقدامات پیشگیرانه مانند معیارهای آماری (از نظر سنجی فردی) در دسترس است.

اندازه نمونه و نگرانی های حریم خصوصی

هنگامی که داده ها به بسیاری از زیرگروه های کوچک تقسیم می شوند، اعداد برای برخی از سلول ها ممکن است خیلی کوچک باشد تا بدون خطر شناسایی افراد گزارش شود.در چنین مواردی، جمع آوری وقت (به عنوان مثال، ترکیب چندین سال حفظ حریم خصوصی) یا استفاده از دسته های گسترده تر (به عنوان مثال، ترکیب چند زیرگروه آسیایی کوچک) انطباق با

مقاومت در برابر پذیرش تفاوت ها

برخی از سازمان ها ممکن است تمایلی به برجسته کردن تفاوت ها نداشته باشند، زیرا از آسیب های اعتباری یا قرار گرفتن در معرض قانونی می ترسند، شفافیت یک سنگ بنای عدالت سلامت است. بسیاری از ابتکارات موفق به طور عمومی داده های غیر رسمی خود را به عنوان یک مسئله سیستمیک (نه شکست ارائه دهندگان فردی) و تقویت ماموریت مراقبت منصفانه می تواند به غلبه بر مقاومت کمک کند.

منابع Constraints

عدم توافق معنی دار نیاز به زمان، تخصص و فن آوری برای سازمان های کوچکتر، مشارکت با موسسات دانشگاهی یا سازمان های بهداشت عمومی می تواند پشتیبانی تحلیلی را ارائه دهد.علاوه بر این، با استفاده از داده های سطح دولتی (به عنوان مثال، نظرسنجی های بخش بهداشت دولتی) می تواند داده های داخلی را تکمیل کند.این سرمایه گذاری توسط پتانسیل کاهش هزینه های هزینه، عوارض قابل پیشگیری و بهبود سلامت جمعیت توجیه می شود.

مطالعات موردی: داستان های موفقیت در تجزیه و تحلیل داده های دیابت

مطالعه موردی 1: وزارت بهداشت نیویورک A1c Registry

وزارت بهداشت و روان شهر نیویورک یک رجیستری A1c برای افراد مبتلا به دیابت ایجاد کرد، نتایج آزمایشگاه را با جمعیت محلی پیوند داد.با تجزیه و تحلیل سطح فقر و فقر محله، بخش تشخیص داد که بالاترین میانگین ALT در محله های جنوب برونکس و بروکلین متمرکز شده است - به عنوان فقر بالا و جمعیت بزرگ اسپانیایی و فقیر و فقیر است [بخش بهداشت عمومی]، به طور متوسط سه محله های خود را در این مناطق مدیریت می کند: به طور متوسط، و هماهنگ شده است.

مطالعه موردی: پیشگیری از دیابت بومی آمریکا در اوکلاهما

خدمات بهداشت هندی اوکلاهما از داده های متناقض توسط قبیله برای شناسایی ملت چریک به عنوان داشتن یک نرخ دیابت به ویژه بالا در مقایسه با دیگر گروه های قبیله ای در دولت استفاده می کرد.آنها یک برنامه فرهنگی "درمان دیابت قبیله ای" را راه اندازی کردند که به زبان Cherokee، غذاهای سنتی و حمایت از جامعه وابسته بود. ارزیابی غیر رسمی که نشان داد که شرکت کنندگان به طور متوسط 5٪ از کاهش یافته است.

مطالعه موردی 3: متریک کیفیت رقابتی-استراتی دائمی

کایزر دائمیe، یک سیستم مراقبت های بهداشتی یکپارچه بزرگ، معیارهای کیفیت آن را (به عنوان مثال، کنترل دیابت، امتحانات شبکیه، امتحانات پا) با نژاد، قومیت و زبان در اواسط سال ۲۰۰۰، ابتدا، داده ها نشان داد که سیاه و اعضای اسپانیایی به طور قابل توجهی کمتر به اهداف کنترل دیابت گزارش شده است.

مفاهیم سیاست: چگونه داده های غیر رسمی می توانند قانون گذاری کنند

عدم توافق داده ها نه تنها یک ابزار برای ارائه دهندگان خدمات بهداشتی است؛ بلکه تصمیمات سیاست های با تاثیر بالا را نیز اطلاع می دهد.به عنوان مثال، قانون پیشگیری از دیابت و کنترل در سطح فدرال می تواند بهتر هدف قرار گیرد اگر گزارش های غیر رسمی توسط زیرگروه های با خطر بالا را کاهش دهد، به طور مشابه، برنامه های Medicaid دولتی می توانند از داده های غیر رسمی برای ایجاد مدل های پرداخت مبتنی بر ارزش استفاده کنند (به طور موثر کاهش داده های کاهش می دهد.

سیاست همچنین می تواند به زیرساخت های داده ها اشاره کند.قانون 21st Century Cures و تبادل اطلاعات بهداشت منطقه ای (HIEs) می تواند مجموعه ای از عوامل تعیین کننده اجتماعی استاندارد داده های بهداشتی، از جمله نژاد، قومیت و زبان را تحریک کند، برخی از ایالت ها، مانند کالیفرنیا و واشنگتن، قوانینی را تصویب کرده اند که نیاز به تجزیه و تحلیل داده های بهداشتی برای آسیایی و بومی / جمعیت هاوایی / اقیانوس آرام دارند که این اقدامات سرمایه گذاری را بهبود می بخشد.

نتیجه گیری: از داده ها تا عدالت

تفاوت های دیابت یک نمونه بارز از چگونگی آشکار شدن نابرابری های سیستمیک در نتایج سلامت است، با این حال، این تفاوت ها اجتناب ناپذیر نیستند.تجزیه داده ها یک لنز قدرتمند است که خطوط دقیق عدم کفایت را آشکار می کند، که ما را قادر می سازد فراتر از داستان یکنواختی و مراقبت شخصی، مراقبت های پاسخگو.

اما داده ها به تنهایی کافی نیست، باید با اراده سیاسی، مشارکت جامعه و منابع پایدار و سازمان های بهداشت و درمان که عدم توافق را در نظر می گیرند، جفت شود و متعهد به عمل در مورد آنچه که پیدا می کنند، بهتر است برای کاهش عوارض دیابت، بهبود کیفیت زندگی، و نجات زندگی در سراسر گروه های جمعیتی، راه عدالت سلامت با دیدن به وضوح تجزیه و تحلیل داده ها که به ما می دهد.

اگر سازمان شما هنوز داده های یکپارچه را در مراقبت از دیابت یکپارچه نکرده است، شروع کوچک. Pick یک بعد - نژاد، قومیت، یا کد پستی - و بررسی یک متریک کلیدی، مانند کنترل A1c یا استفاده از بخش اورژانس، شما ممکن است با آنچه که شما کشف می کنید شگفت زده شوید و هنگامی که شما تفاوت را ببینید، شما می توانید آن را به آن رسیدگی کنید.