Johdanto: Diabeteshäiriöiden jatkuva haaste

Diabetes mellitus on edelleen yksi 2000-luvun kiireellisimmistä kansanterveyshaasteista. ]Taudintorjunta- ja ehkäisykeskusten mukaan yli 37 miljoonalla amerikkalaisella on diabetes ja noin 96 miljoonalla aikuisella on diabetesta edeltävä diabetes. Vaikka taakka ei ole tasaisesti jaettu. Rotu- ja etniset vähemmistöt, joilla on alempi sosioekonominen asema, ja maaseudulla tai heikommin palvelluilla alueilla asuvat ihmiset kokevat jatkuvasti korkeampia esiintyvyyslukuja, suurempia komplikaatioita ja huonompia tuloksia. Nämä erot väestöryhmien terveystuloksissa eivät ole satunnaisia; ne heijastavat syvään juurtuneita rakenteellisia eroja terveydenhuollon saannissa, yhteiskunnallisissa taustatekijöissä ja systeemisessä puolueellisuudessa.

Jotta näihin epäyhtenäisyyteen voitaisiin puuttua tehokkaasti, terveydenhuoltojohtajien, poliittisten päättäjien ja tutkijoiden on siirryttävä pidemmälle kuin on suuria keskiarvoja ja tutkittava yhdistettyjen tilastojen vivahteittaisia malleja. Tässä []tietojen jaottelu[] tulee välttämättömäksi. Eriyttäminen on prosessi, jossa terveystiedot jaetaan hienompiin alaryhmiin rotuun, etniseen alkuperään, ikään, sukupuoleen, tuloihin, maantodellisuuteen, koulutustasoon ja muihin muuttujiin nähden paljastaakseen erot, jotka muuten jäisivät näkymättömiksi. Ilman tätä rakeista linssiä, interventiot saattavat olla peiteltyjä ratkaisuja, jotka eivät tavoita eniten tarvitsevia väestöjä.

Tässä artikkelissa tarkastellaan datan kriittisen roolin jakautumista diabeteksen erojen tunnistamisessa ja lieventämisessä. Tutkimme, miten hajautus paljastaa piilotetut epäyhtenäisyydet, keskustelemme alaryhmien tietojen keräämisestä ja analysoinnista, onnistuneiden tapaustutkimusten uudelleentarkastelusta ja hahmottelemme käytännön toimia eriytetyn tiedon integroimiseksi kansanterveysstrategioihin. Loppuun mennessä on oltava selvää, että tietojen yhdistäminen ei ole vain tekninen harjoitus vaan moraalinen välttämättömyys terveyden tasapuolisuuden saavuttamiseksi.

Miksi kootut datanaamiot kriittiset erot

Ensi näkemältä, käyttäen yhdistettyjä tietoja.Näyttää kuitenkin tehokkaalta, jos keskiarvot ovat erittäin harhaanjohtavia. Kun tiedot yhdistetään eri väestöryhmien kesken, erot kumoavat toisensa. Esimerkiksi kaupunki, jossa on 10% diabetesta yleistä saattaa olla 5% luvulla vauras valkoinen naapurusto ja 20% nopeudella pienituloisten mustayhteisöt. Koko luku hämärtää tämän kaksikertaisen eron, mikä johtaa päätöksentekijät uskomaan ongelman olevan yhtenäinen, kun se on jotain muuta.

Harkitse tosimaailman kuvitusta: Amerikkalainen diabetesyhdistys[ ilmoittaa, että Amerikan intiaani- ja Alaskan intiaaniväestöllä on suurin iältään mukautettu diabeteksen esiintyvyys (14,7%), jota seuraa ei-hispaninen mustat (12,5%), latinot (11,7%) ja ei-hispaniset valkoiset (7,5%). Vaikka nämä eriytetyt määrät ovat hälyttäviä, kansallinen keskiarvo kätkee vaikean taakan alkuperäisyhteisöille ja mustille yhteisöille. Lisäksi jopa laajoissa rotuluokissa on huomattavia eroja. Esimerkiksi latinalaisalaryhmien keskuudessa puertoricolaisilla on diabeteksen esiintyvyys lähes kaksinkertainen kuubalaisten määrään verrattuna.

Aggregaatti tiedot myös piilottaa eroja diabetekseen liittyviä komplikaatioita, kuten pienempi-raajojen amputaatiot, munuaisten vajaatoiminta, ja retinopatia. Tutkimus osoittaa, että mustat potilaat diabetes ovat 3...4 kertaa todennäköisemmin käydä pienempi-raajojen amputaatioita kuin valkoiset potilaat, vaikka valvoa taudin vakavuus ja vakuutusstatus. Kuitenkin sairaala, joka vain seuraa yleistä amputaation määrä ei tunnista tätä syvällistä epätasaisuutta. Eroaminen rotu ja etninen on ainoa tapa määrittää, missä interventioita eniten tarvitaan.

Sosiaalisen määrätietoisuuden rooli

Diabeteserot eivät ole biologisesti ennalta määriteltyjä; ne ovat voimakkaasti muokkaamassa sosiaalisia taustatekijöitä terveyden (SDOH): tulot, koulutus, asuminen, elintarviketurva, kuljetus, ja pääsy terveydenhuoltoon. Esimerkiksi, henkilö asuu elintarvikeaavikolla, jolla on rajoitettu pääsy tuoreiden tuotteiden kohtaavat suurempia haasteita hallita diabetes kuin joku hyvin varakas naapurustossa. Poikkeaminen tietoja zip koodi tai väestölaskenta kanavan usein paljastaa, että diabeteksen esiintyvyys ja komplikaatioiden määrä klusteri alueilla, joilla on korkea köyhyys ja alhainen pääsy ensisijainen hoito. Tämä maantieteellinen objektiivi on tehokas työkalu resurssien kohdentamiseen.

Diabetesta koskevien tietojen yhdistämisen keskeiset mitat

Tehokas hajoaminen edellyttää tietojen keräämistä ja analysointia moniulotteisesti. Vaikka rotu ja etninen tausta ovatkin yhteisiä lähtökohtia, ne eivät ole riittäviä. Seuraavat luokat ovat erityisen tärkeitä diabeteksen erojen ymmärtämisen kannalta:

Rotu, Etninen ja Esi-isä

Kuten edellä todettiin, rotujen ja etnisten ryhmien välinen ero ja ihanteellinen vaihtoehto ovat yksityiskohtaiset alaryhmät (esim. Meksiko, Puerto Rican, Kiinan, Vietnamin) . Geneettiset tekijät, kuten insuliiniresistenssin korkeampi määrä joissakin väestöryhmissä, ovat vuorovaikutuksessa sosiaalisten ja ympäristötekijöiden kanssa. []Tietojärjestelmien on kerättävä rakeista etnistä alkuperää koskevia tietoja [, jotta voidaan tehdä mielekäs analyysi.

Maantieteellinen sijainti

Diabetes esiintyvyys vaihtelee dramaattisesti alueittain, osavaltioittain ja jopa naapurustoittain. CDC.s Diabetes valvontajärjestelmä[ antaa läänin tason arvioita, jotka osoittavat hotspots Kaakkois-ja Appalachia. Erittelemällä kaupunki-, esikaupunki- ja maaseutuasema myös asioita: maaseudun asukkaat kohtaavat esteitä kuten rajallinen erikoishoito ja pidempi matka-matka.

Sosioekonominen asema

Tulo- ja koulutustaso ovat yksi vahvimmista ennustajia diabetesta tuloksia. Ihmiset pienin tuloluokat ovat 2..3 kertaa todennäköisemmin diabetes kuin huipulla. Erittelemällä köyhyystaso tai koulutustaso auttaa tunnistamaan, mitkä sosioekonomiset segmentit tarvitsevat kohdennettua tukea, kuten tuetun diabeteksen itsehallinta ohjelmia.

Ikä ja sukupuoli

Diabetesta esiintyy iän myötä, mutta ikäjakaumat vaihtelevat sukupuolen mukaan. Esimerkiksi naisilla voi esiintyä suurempia komplikaatioita diabetekseen liittyvästä sydän- ja verisuonitaudista. Diagregaamisen ikäryhmittäin (esim. 18..44, 45.64, 65+) ja sukupuolen perusteella voidaan räätälöidä seulontasuosituksia ja hoitoprotokollia.

Terveydenhuollon saatavuus ja vakuutustilanne

Vakuuttamattomat ja alivakuutetut henkilöt eivät saa yhtä todennäköisesti säännöllisiä seulontatutkimuksia, johdonmukaista lääkitystä ja ennaltaehkäisevää hoitoa. Diabeetikkojen tietojen poistaminen vakuutustyypeittäin (yksityisen, Medicaren, Medicaidin, vakuuttamattoman) paljastaa, miten terveydenhuoltojärjestelmän esteet vaikuttavat eroihin. Esimerkiksi Medicaid-järjestelmän jäsenet kohtaavat usein pulaa ja suuria kustannuksia myös kattavuuden suhteen.

Kieli- ja kulttuuritekijät

Englantilainen taito (LEP) liittyy huonompaan terveyslukutaitoon ja huonompaan diabetekseen. Puhutun äidinkielen disagregaation avulla tapahtuvat erot voivat ohjata kulttuurisesti ja kielellisesti sopivien opetusmateriaalien ja tulkkipalvelujen kehittämistä.

Miten eriytetyt tiedot tunnistetaan piilotettuina eroina

Eriyttämisen voima piilee sen kyvyssä pintakuvioihin, jotka kootut tiedot hämärtäisivät. Alla on useita konkreettisia esimerkkejä siitä, miten hajaantuminen on paljastanut kriittisiä eroja ja johtanut kohdennettuihin toimiin.

Esimerkki 1: Rotujakauma seulontamäärissä

Yhteisön terveydenhuoltojärjestelmä eri kaupungissa yhteensä sen diabeteksen seulontaasteet ja totesi ne olivat 75% kaikkiaan näyttää hyväksyttävältä. Kuitenkin, kun tiedot jaettiin rodun, Black ja latino potilaiden seulonta-aste oli vain 58% ja 61 prosenttia, vastaavasti. Naapuruston lisäanalyysi osoitti, että klinikoilla pääasiassa Black ja latinoyhteisöissä oli vähemmän seulonta tapahtumia ja lyhyempiä käyttöaikoja. Tämä sai terveydenhuoltojärjestelmän ottamaan käyttöön liikkuvia seulonta yksiköitä ja pidentää ilta-aikoja näillä alueilla, nostamalla seulonta-asteet 20% vuoden kuluessa.

Esimerkki 2: Ikä- ja tuloristeys

Lännen osavaltion kansanterveystutkijat analysoivat diabetessairaalahoitoa käyttäen sekä ikä- että tulotietoja. He havaitsivat, että 45.64-vuotiailla pienituloisilla aikuisilla oli sairaalahoitojen määrä diabeettista ketoasidoosia (DKA), joka oli kolme kertaa korkeampi kuin heidän saman ikäisillä korkeatuloisilla ikäisillä ikäisillä ikäisillään. Tämä näkemys johti kohdennettuun ohjelmaan, jossa tarjotaan ilmaisia glukometrejä ja telelääketieteen valmennusta pienituloisille keski-ikäisille aikuisille. DKA-pääsyt vähenivät 35% interventioryhmässä yli 18 kuukauden ajan.

Esimerkki 3: Kieli esteenä

Sairaalajärjestelmä palvelee suurta vietnamilaista kieltä huomasi, että diabetekseen liittyvät päivystyskäynnit olivat huomattavasti korkeampia vietnamilaisia kuin englantia puhuvia potilaita, vaikka ne kontrolloivat lääketieteellistä monimutkaisuutta. Kielellä tehdyt erot paljastivat, että käännettyä diabeteksen itsehallintaa käytettiin harvoin, koska niitä ei ollut kulttuurisesti räätälöity. Vastauksena sairaala palkkasi kaksikielisiä yhteisön terveystyöntekijöitä ja kehitti videopohjaista koulutusta vietnamilaisessa, mikä vähensi ED-käyntien määrää 25 prosentilla.

Tietojen yhdistämisen käytännön vaiheet

Siirtyminen tarkoituksesta käytäntöön edellyttää järjestelmällisiä muutoksia tiedonkeruussa, analyysissä ja käytössä. Seuraavat vaiheet tarjoavat etenemissuunnitelman terveydenhuoltoalan organisaatioille, kansanterveyslaitoksille ja yhteisöryhmille.

1. Standardoidaan väestötietojen keruu

Jotta voit suorittaa hajottaa, sinun täytyy ensin laadukkaita, rakeinen demografinen data. Tämä tarkoittaa siirtymistä pidemmälle tyypillinen . rotu/etninen ... pudotus joka kompaksoi kaikki latinot tai kaikki aasialaiset yhdeksi luokassa. Käytä yksityiskohtaisia kategorioita, jotka heijastavat paikallista väestöä.esim., Aasian amerikkalaisten potilaiden, sisältävät alaryhmiä kuten kiina, filippiini, intialainen, vietnamilainen, korea, japanilainen. [ Kerää tietoja lisämuuttujista, kuten tulot, koulutus, alkukieli, ja zip koodi.[[ Varmista, että tietojen keruu tehdään kulttuurisesti herkkä tavalla; selittää potilaille, miksi tämä tieto on tärkeää hoidon parantamiseksi.

2. Rakennuksen analysointikapasiteetti

Eriyttäminen edellyttää tilastollisia menetelmiä, jotka voivat käsitellä pieniä otoskokoja vaarantamatta yksityisyyttä. Hyvin pienissä alaryhmissä harkita tietojen yhdistämistä ajan mittaan tai Bayesianin avulla tasaamista vakaiden arvioiden tuottamiseksi. Junadataanalyytikot tekniikoissa, kuten ositetussa analyysissä, logistisessa regressiossa ja monitasoisessa mallintamisessa. Avoimen lähdekoodin työkalut kuten R ja Python yhdistettynä pienalueen arviointiin ovat korvaamattomia.

3. Luo visualisointi, joka kertoo tarina

Tiedot eivät yksin riitä, vaan niistä on tiedotettava tehokkaasti. Käytä lämpökarttoja (maantieteellisiä jakaumatietoja), ryhmiteltyjä viivatauluja (rotu tuloskohtaisesti) ja ositettuja taulukoita erojen korostamiseksi. Dashboards, joiden avulla käyttäjät voivat suodattaa väestötieteellisiä tekijöitä, voivat antaa päätöksentekijöille mahdollisuuden. CDC.s LACES-hanke on erinomainen malli: se tarjoaa maakunnallisia arvioita diabeteksen levinneisyydestä ja muista kroonisista olosuhteista, jotka on eritelty rodun ja köyhyyden mukaan.

4. Tulkkausyhteisöt

Datan hajottaminen ei saa tapahtua tyhjiössä. Mukaan yhteisön jäsenet ja luotetut johtajat tulkitsevat löydöksiä ja yhteissuunnitteluun ratkaisuja. Heidän elävä kokemus tarjoaa kontekstin, jota raaka numerot eivät voi välittää. Esimerkiksi yhteisön neuvoa-antava lautakunta voisi selittää, että alhainen seulontaaste tietyssä Zip-koodi johtuu puutteellisesta kuljetuksesta, ei tiedosta.

5. Linkki data toimintaan

Eriyttäminen on arvokasta vain, jos se johtaa muutokseen. Kehitetään selkeä prosessi havaittujen erojen muuttamiseksi toimintakelpoisiksi toimiksi. Tähän voi sisältyä resurssien (rahoitus, henkilöstö, laitteet) kohdentaminen alipalkatuille alueille, kliinisten protokollien tarkistaminen (esim. kotihoidon tarjoaminen kotitalouksissa oleville potilaille) tai politiikan muutoksen edistäminen (esim. Medicaid-tuen laajentaminen kattamaan diabeteskoulutusohjelmat).

Datan jakautumisen esteiden poistaminen

Hyödyistään huolimatta tietojen eriyttäminen on haasteellista.

Tietojen laatu ja täydellisyys

Potilaat voidaan kirjata rodusta/etnisyydestä tunnetuiksi tai ... Investoida rekisteröintihenkilöstön koulutukseen[] ja käyttää sähköisiä terveystietoja, jotka keräävät tietoja validoiduilla, standardoiduilla kysymyksillä. Tulojen tai koulutuksen osalta, jotka ovat herkempiä, käytetään sijaistoimenpiteitä, kuten väestölaskennasta johdettuja lähiöominaisuuksia (aluekohtaisia toimenpiteitä), kun yksittäisiä tietoja ei ole saatavilla.

Näytteen koko ja yksityisyys

Kun tiedot jaetaan moniin pieniin alaryhmiin, joidenkin solujen lukumäärät voivat olla liian pieniä raportoimaan ilman yksilöiden tunnistamista. Tällaisissa tapauksissa ne yhdistetään ajan mittaan (esim. yhdistämällä useita vuosia tietoja) tai käytetään laajempia ryhmiä (esim. yhdistämällä useita pieniä aasialaisia alaryhmiä).

Vastarintakyky havaittuja eroja vastaan

Jotkut organisaatiot saattavat olla haluttomia korostamaan eroja, koska ne pelkäävät maineen vahinkoja tai oikeudellista altistumista. Kuitenkin avoimuus on kulmakivi terveyden tasapuolisuutta. Erojen määrittäminen järjestelmällinen kysymys (ei epäonnistuminen yksittäisten palveluntarjoajien) ja vahvistaa tehtävän oikeudenmukaisen hoidon voi auttaa voittamaan vastustusta. Monet onnistuneet aloitteet ovat julkisesti jaettuja tietoja sitoumuksena parantaa.

Resurssirajoitteet

Merkityksellinen hajautuminen vaatii aikaa, asiantuntemusta ja teknologiaa. Pienemmille organisaatioille yhteistyö voi tarjota analyyttistä tukea akateemisten laitosten tai kansanterveyslaitosten kanssa. Lisäksi valtion tason tietojen (esim. valtion terveysministeriön tutkimusten) käyttö voi täydentää sisäistä tietoa. Investointi on perusteltua, koska se voi vähentää kalliita, ehkäistäviä komplikaatioita ja parantaa väestön terveyttä.

Tapaustutkimukset: Diabetesta koskevat menestystarinat Data Disaggregating

Tapaustutkimus 1: NYC:n terveyslaitos A1c Registry

New York City.S Department of Health and Mental Hygiene loi A1c rekisterin ihmisille, joilla on diabetes, linkittämällä laboratoriotulokset lähiössä väestö. Digasing by kaupungin ja lähiössä köyhyystaso, osasto totesi, että korkeimmat A1c keskiarvot olivat keskittyneet Etelä Bronx ja Keski Brooklyn. Alueet, joilla on suuri köyhyys ja suuri musta ja latino väestö. Osasto sitten otti käyttöön yhteisön terveysalan työntekijöitä näille naapurustoille, tarjoamalla diabeteksen itsehallinta luokat ja koordinoitu hoito. [ Kolmen vuoden kuluttua keskimääräinen A1c näillä naapurustossa väheni 0,5 prosenttiyksikköä[, ylitti parannuksia varakkaammilla alueilla.

Tapaustutkimus 2: Amerikkalainen diabeettinen ehkäisy Oklahomassa

Oklahoma.S Intian terveyspalvelu käytti eriteltyjä tietoja heimon tunnistaa Cherokee Nation on erityisen korkea diabetesta verrattuna muihin heimoryhmiin valtion. Kumppani heimojohtajat, he käynnistivät kulttuuri- räätälöity Diabetes ehkäisyohjelma. Se sisältää Cherokee kieli, perinteiset elintarvikkeet, ja yhteisön tukea. Erikseen arvioitu osoitti, että osallistujat menettivät keskimäärin 5% kehon painosta, ja ohjelma vähensi uusia diabetestapauksia 28% kahden vuoden aikana. Menestys riippuu tiedoista, jotka osoittivat, että heimoyhteisö tarvitsi eniten toimia.

Tapaustutkimus 3: Kaiser Permanente...

Kaiser Permanente, suuri integroitu terveydenhuoltojärjestelmä, alkoi osittaa laatumittareitaan (esim. diabeteshallinta, verkkokalvokokeet, jalkakokeet) rodun, etnisen ja kielen mukaan 2000-luvun puolivälissä. Aluksi tiedot osoittivat, että mustat ja latinalaisjäsenet olivat huomattavasti epätodennäköisempiä täyttämään diabeteksen hallinnan tavoitteet. Vastauksena Kaiser toteutti järjestelmän koko järjestelmän parannuksia, mukaan lukien kenttäpuhelut espanjaksi, kulttuurisesti mukautettu ravitsemusneuvonta, ja varmistamalla korkea suorituskyky klinikat oli tasaisesti jaettu eri naapurustossa. Yli vuosikymmenen, rodullinen kuilu diabeteksen hallinnassa kaventui 10%: sta 3%: iin. Avain oli säännöllinen, julkisesti raportoitu eriytettyjä tietoja pidettiin vastuussa.

Politiikan vaikutukset: miten eriytetyt tiedot voivat muotoilla lainsäädäntöä

Tietojen jakaminen ei ole vain terveydenhuollon tarjoajien väline, vaan se myös antaa tietoa vaikutusvaltaisista poliittisista päätöksistä. Esimerkiksi Diabetesta ehkäisevä ja kontrolloiva laki liittovaltion tasolla voitaisiin kohdentaa paremmin, jos se edellyttäisi raportointia riskiryhmien mukaan. Vastaavasti valtion Medicaid-ohjelmat voivat käyttää eriytettyjä tietoja sellaisten arvopohjaisten maksumallien luomiseen, jotka palkitsevat onnistumisesta erojen vähentämisessä. CDC:n kansallinen diabetestilastoraportti tarjoaa jo joitakin alaryhmien tietoja, mutta rakeisuuden lisääminen (esim. Aasian alaryhmien mukaan) antaisi valtioille mahdollisuuden kohdentaa rahoitusta tehokkaammin.

Politiikka voi myös käsitellä datainfrastruktuuria. 21. vuosisata Cures Act ja alueellinen terveystiedon vaihto (HIEs) voivat kannustaa keräämään standardoituja sosiaalisia taustatekijöitä terveyteen tietoja, kuten rotu, etninen tausta, ja kieli. Jotkut valtiot, kuten Kalifornia ja Washington, ovat hyväksyneet lakeja, jotka edellyttävät hajottaa terveystiedot Aasian Amerikka ja Native Hawaiian / Pacific Islander väestö. Nämä lainsäädäntötoimet luovat hyveellinen sykli: parempi data johtaa parempia toimia, jotka puolestaan tuottavat tietoja, jotka voivat edistää jatkuvaa investointeja.

Päätelmä: tiedoista omaan pääomaan

Diabetes erot ovat selkeä esimerkki siitä, miten systeeminen epäyhtenäisyys ilmenee terveystuloksissa. Mutta nämä erot eivät ole väistämättömiä. Datan hajoaminen on voimakas linssi, joka paljastaa eksistenssien tarkat ääriviivat, mahdollistaa kohdennetut ja tehokkaat toimet. Se vie meidät pois yhdenmukaisuuden fiktiosta ja kohti personoitua, yhteisöllistä hoitoa.

Mutta tiedot eivät yksin riitä. Se on yhdistettävä poliittinen tahto, yhteisön sitoutuminen, ja kestävät resurssit. Terveydenhuollon organisaatiot, jotka kattavat hajottaminen. ja sitoutuvat toimimaan mitä he löytävät. tulee paremmin sijoittaa vähentämään diabetes komplikaatioita, parantaa elämänlaatua, ja pelastaa ihmishenkiä eri väestöryhmien. Tie terveydenhuollon tasapuolisuus alkaa nähdä selvästi. Datan disagglaging antaa meille tämän vision.

Jos organisaatiosi ei ole vielä yhdistänyt eriteltyjä tietoja diabeteksen hoitoon, aloita pieni. Valitse yksi ulottuvuus. Rakeisuus, etninen tausta, tai zip koodi.Ja tutkia yksi avainmetri, kuten A1c valvonta tai hätäosaston käyttö. Saatat olla yllättynyt siitä, mitä löydät. Ja kun näet eroavuudet, voit alkaa käsitellä sitä. Jokainen askel kohti rakeisuus on askel kohti oikeutta.