Table of Contents

Introduksiyon: Ang Namamalaging Hamon ng Di - Pagkakapantayan ng Diabetes

Ang diabetes mellitus ay nananatiling isa sa pinaka-kakapansin-pansing mga hamon sa kalusugan ng publiko sa ika-21 siglo.Centers for Disease Control and Prevention (CDC), mahigit 37 milyong Amerikano ang may diabetes, at humigit-kumulang 96 milyong mga taong namumuhay sa mga lugar na predivigtal. Bagaman ang kondisyon ay nakakaapekto sa mga tao mula sa lahat ng antas ng buhay, ang pabigat ay hindi pantay na ipinamamahagi. ang mga minoryang lahi at etniko, ang mga indibiduwal na may mas mababang katayuang sosyo-ekonomiko, at ang mga naninirahan sa mga lugar na nasa ilalim ng mga presertektibong mga eksistensiyon sa mga ekweblusibong pangkalusugan, hindi sinasadyang mga ekwiliblusibo sa mga ektibong mga ektibong mga ekwiliblusibo sa mga ektibong mga ektopikong mga entidad sa mga ekwili, hindi sinasadyang mga ekwilig pangkalusugan; hindi na mga ektoprentidad na pang-kalihibibibiyebiyal na mga

Upang mabisang mapakitunguhan ang mga di - timbang na estadistikang ito, ang mga lider ng healthcare, mga gumagawa ng patakaran, at mga mananaliksik ay dapat na kumilos nang lampas sa malawak na mga katamtaman at suriin ang iba't ibang huwaran na nakatago sa loob ng mga estadistikang ito. Dito ang ay kailangang kumilos na lampas sa malawak na antas ng pagtatangi ng kalusugan, ang di - kinakailangang pamamaraan upang mahati ang mas mabuting lahi ng mga tao, etnikong pinagmulan, kasarian, kita, heograpiya, antas ng edukasyon, at iba pang - uri ng kalikasan na hindi kayang gawin ang mga pamamaraan na hindi kayang gawin ng mga pamamaraan upang hindi na kailangan ng mga impormasyon.

Sinusuri ng artikulong ito ang mahalagang papel ng di - pagkakasundo ng impormasyon sa pagkilala at pagsusuri sa mga subgroup data, pagrerepaso ng matagumpay na mga pag - aaral sa kaso, at pagbabalangkas ng praktikal na mga hakbang para sa pagsasama ng impormasyon sa mga estratehiya ng kalusugan ng publiko.

Kung Bakit Pinalalampas ng mga Aggreganteng Data ang Mapanganib na mga Pagkakaiba

Sa unang tingin, gamit ang aggregate dataileria tulad ng pambansang average na paglaganap ng diabetesiviseems mahusay. Gayunpaman, ang mga average ay maaaring labis na nakaliligaw. Kapag ang mga datos ay naka-publish sa iba't ibang mga populasyon, ang mga diparties ay nagkansela sa isa't isa. Halimbawa, ang isang lungsod na may 10% na paglaganap na diabetes ay maaaring aktuwal na magkaroon ng 5% na rate sa mayamang puting mga purok at isang 20% rate sa mababang-income Black communities. Ang agregregregate na pigura ay nagpapalabo sa dalawang-fold na pagkakaibang ito, ang mga gumagawa ng patakaran na nag-kateorit na ang problema kapag ito ay parehas sa mga model na parehas na problema kapag ito.

Isaalang - alang ang isang tunay na ilustrasyon: ang American Diabetes Association ay nag - uulat na ang mga Amerikanong Indian/Alaska Native adult ay may pinakamataas na edad-adjudence ng diabetes (14.7%), na sinusundan ng non-Hispanic Blacks (1.5%), Hispaniko (1.7%), at mga hindi-Hispanic whites (7.5%). Bagaman ang mga disnaghiwalay na bilang na ito ay nakababahala, ang isang pambansang katamtamang bilang ay magkukubli sa mabigat na pasanin sa mga pamayanang Black.

Ang aggregate data ay nagtatago rin ng mga disparidad sa mga komplikasyong diabetes-related, tulad ng mas mababang-limb pagputol, pagkabigo ng bato, at retinopathy.Ang pananaliksik ay nagpapakita na ang mga pasyenteng Itim na may diabetes ay 3–4 beses na mas malamang na sumailalim sa mas mababang-lib na pagputol kaysa sa mga pasyenteng puti, kahit na pagkatapos na makontrol ang pagiging malala ng sakit at katayuan sa seguro. Gayunpaman, ang isang ospital na nagrereresulta lamang sa kabuuang bilang ng inemitasyongregregregasyong ito ay maaaring hindi matukoy ang malalim na indigregregrasyon sa pamamagitan ng lahi at etniko ay ang tanging paraan na nangangailangan ng mga interbensiyon.

Ang Papel ng mga Nakasisiya sa Lipunan

Ang mga dispensasyon ng diabetes ay hindi pa tiyak sa biyolohikal na paraan; ang mga ito ay labis na hinuhubog ng mga panlipunang determinante ng kalusugan (SDOH): ang kita, edukasyon, pabahay, seguridad sa pagkain, transportasyon, at access sa healthcare. Halimbawa, ang isang taong naninirahan sa isang disyerto ng pagkain na may limitadong access sa mga bagong ani ay kadalasang naghahayag na ang paglaganap at pag-access ng mga ito ay mas maraming hamon sa pangangasiwa ng kanilang diabetes at mas mababang aktwalidad kaysa sa isang tao sa isang mahusay na pag-iingat na pook.Ang mga impormasyon ay isang malakas na mapagkukunan ng mga ekwadrehistorasyon.

Mga Pangunahing Dimensiyon ng Data Diagregasyon para sa Diabetes

Ang epektibong dispagegrasyon ay nangangailangan ng pagkolekta at pagsusuri ng datos sa ibayo ng multiple dimensiyon. Bagaman ang lahi at lipi ay karaniwang panimulang puntos, ang mga ito ay malayo sa sapat. Ang mga sumusunod na kategorya ay lalo nang may kaugnayan sa pag-unawa ng dispensasyon ng diabetes:

Lahi, Etnikong Katalan, at Ahensiya

Gaya ng nabanggit sa itaas, ang pag - aalis ng mga pangkat ng lahi at etnikong mga tao sa ngayon ay nagsasangkot ng mabuti, ng detalyadong mga grupo ng insulin (hal., Mexico, Puerto Rican, Intsik, Vietnamese) ng mga dalubhasa sa nutrisyon sa iba't ibang uri ng panganib. Ang henetikong mga salik, gaya ng mas mataas na bilang ng insulin resistance sa ilang populasyon, na nakikitungo sa mga salik na panlipunan at pangkapaligiran.

Lugar ng Geographic

Ang paglaganap ng diabetes ay lubhang magkakaiba sa pamamagitan ng rehiyon, estado, at maging sa pook. Ang CDCixis Diabetes Surveillance System ay nagbibigay ng county-level na mga tantiya na nagpapakita ng mga hotspot sa Timog-silangan at Appalachia. diagregation by urban, suburban, at rural na katayuan din ang mga residente ay nakaharap sa mga harang tulad ng limitadong pangangalaga at mas mahabang distansiya sa paglalakbay.

Kalagayan sa Sociodeconomic

Ang mga taong nasa pinakamababang recome bracket ay 2–3 beses na mas malamang na magkaroon ng diabetes kaysa sa mga nasa itaas. Ang pag-aalsa sa antas ng kahirapan o pagkakamit ng edukasyon ay tumutulong upang matukoy kung aling mga bahaging pang-ekonomiya ang nangangailangan ng target na suporta, tulad ng mga subsiditibong programang diabetes self-mandament.

Edad at Sekso

Ang paglaganap ng diabetes ay tumataas habang nagkakaedad, ngunit ang mga pang-edad na mga huwaran ay nagkakaiba sa pamamagitan ng pagtatalik. halimbawa, ang mga babae ay maaaring makaranas ng mas maraming komplikasyon mula sa sakit sa puso na nauugnay sa diabetes. di-pag-aagresibo sa pamamagitan ng grupo ng edad (e.g., 18–44, 45–64, 65+) at ang pagtatalik ay nakapagdurulot ng mga angkop na mga rekomendasyon at mga protocol ng paggamot.

Pag - iingat sa Kalusugan at ang Kalagayan sa Seguro

Ang mga hindi naiinsured at hindi naiinsured na indibiduwal ay hindi gaanong tumatanggap ng regular na pagsusuri, hindi nagbabagong medikasyon, at preventive care. disgregating diabetes data sa pamamagitan ng mga tipo ng seguro (private, Medicare, Medicaid, di-nasusuporta) ay naghahayag kung paanong ang mga hadlang sa sistemang pangkalusugan ay nakatutulong sa dispensiyon.Para sa mga tao sa Medicaid ay kadalasang humaharap sa mga kakulangan ng provider at mataas na gastos sa out-of-pocket kahit na may saklaw.

Wika at mga Salik Pangkultura

Ang limitadong kahusayan sa Ingles (LEP) ay nauugnay sa mas mababang pagkatutong pangkalusugan at mas mahinang mga kinalabasang diabetes.Ang pag-aalsa sa pamamagitan ng pangunahing wikang sinasalita ay maaaring maging gabay sa pag-unlad ng mga materyal na pang-edukasyon at pang-edukasyon na pang-edukasyon.

Kung Paano Nadiskaril ang mga Nakakubling Di - Pagkakatangi - tangi ng Data

Ang kapangyarihan ng dispagregasyon ay nakasalalay sa kakayahan nitong mag-ibabaw ng mga dibuhong makulimlim ang aggregated data. sa ibaba ay ilang mga kongkretong halimbawa ng kung paanong ang dispagegrasyon ay nakatuklas ng mga kritikal na di-pagkakaiba at humantong sa sinadyang aksiyon.

Halimbawa 1: Pag - aalis ng Halaga ng Paglitaw ng Lahi

Isang sistema ng kalusugan ng pamayanan sa isang iba't ibang lungsod ang nag-ebolb sa mga rate ng pagsusuri ng diabetes nito at natuklasan na ang mga ito ay nasa 75% overallifeming katanggap-tanggap. Gayunpaman, nang ang mga datos ay disnaglat ng lahi, ang mga pasyenteng Black at Hispaniko ay nagkaroon ng mga screening rate lamang na 58% at 61%, ayon sa pagkakasunod. Ang karagdagang pagsusuri ng mga pook ay nagpakita na ang mga klinika sa mga pamayanang pangunahin ay may mas kaunting mga pangyayaring pangsuri at mas maikling oras ng pagpapatakbo. Ito ay nag-udyok sa sistemang pangkalusugan na mag-gamit ng mga mobile unit at nagpapahaba ng mga oras sa gabi sa mga lugar na iyon, na nagpataas ng mga bilang sa mga 20% sa pagsusuri sa mga bilang sa loob ng mga isang taon.

Halimbawa 2: Edad at Ugnayang Pangkompleks ng Kita

Sinuri ng mga mananaliksik sa kalusugang pampubliko sa isang kanluraning estado ang mga pagpapaospital ng diabetes gamit ang parehong mga datos ng edad at kita. Natagpuan nila na ang mga mababang-income na nasa edad na 45–64 ay may isang rate ng pagpapaospital para sa eretikong ketoacidosis (DKA) na tatlong beses na mas mataas kaysa sa kanilang mga mas mataas na-income na mga kasamahan sa parehong edad. Ang kabatirang ito ay humantong sa isang naka-asintang programa na nagbibigay ng libreng glucomediate at tele-indicine coaching para sa mga mababang-in-in-in-age na adulto. Ang mga pag-in-in-in-in-age na mga pag-a ay bumaba ng 35% mga pag-a-a-a-a-update sa pamamagitan ng mga 35% na mga interfaced.

Halimbawa 3: Wika Bilang Hadlang

Napansin ng isang sistema ng ospital na naglilingkod sa isang malaking Vietnamese-pagbigkas na populasyon na ang diabetes-related emergency department na mga pagbisita ay lubhang mas mataas sa mga Vietnamese-pagsasalita na mga pasyente kumpara sa mga pasyenteng nagsasalita ng Ingles, kahit na kung kinokontrol ang komplikadong medikal.Ang diagregatory sa pamamagitan ng wika ay nagsiwalat na ang pagsasalin ng diabetes self-maning mga materyal ay bihirang gamitin dahil ang mga ito ay hindi kultural na naangkop. ⁇ Bilang tugon, ang ospital ay umupa ng mga platarian community community community work workers at gumawa ng video-based education sa Vietnamese, na edukasyon sa 25% pagbabawas sa ED na pagbisita sa mga ED na mga pagbisita sa gitna ng populasyon.

Praktikal na mga Hakbang sa Pag - aalis ng Tagâ sa Data

Ang paglipat mula sa intensiyong magsagawa ay nangangailangan ng sistematikong pagbabago sa koleksiyon, pagsusuri, at paggamit ng datos. Ang mga sumusunod na hakbang ay nagbibigay ng isang daang-daan para sa mga organisasyong pangkalusugang pangkaunlaran, pampublikong kagawarang pangkalusugan, at mga pangkat na pampamayanan.

1. Itakda ang Koleksiyon ng Demographic Data

Upang maisagawa ang dispagrehiyon, kailangan mo muna ang mataas-quality, granular demographic data. Ito ay nangangahulugan ng pag-iiba ng tipikal na ⁇ Race/Ethodanty Equiltdown na nagreresulta sa lahat ng Hispaniko o lahat ng mga taga-Asya sa isang kategorya. Gamitin ang detalyadong mga kategorya na sumasalamin sa lokal na populasyon[up.g., para sa mga pasyenteng Amerikano sa Asya, isama ang mga subgrupo tulad ng Intsik, Pilipino, Indiyano, Koreano, Hapones. Collecleclecleclecation data sa mga varise, primary language, at element adence to Philippines[1]; paliwanag ng impormasyon na ang mga pasyenteng sensitibo sa impormasyon[T][T][T][T] Ang impormasyon ay ang mga incifiedly'

2. Magkaroon ng Pagsusuri sa mga Kabisayaan

Ang dispagegasyon ay nangangailangan ng mga pamamaraang estadistikal na maaaring humawak ng maliliit na sampol na sukat nang hindi ikinokompromiso ang pribadong buhay. Para sa napakaliit na subgroup, isaalang-alang ang aggregasyon ng datos sa paglipas ng panahon o paggamit ng Bayesian smoothing upang lumikha ng matatag na mga tantiya.Sanayin ang mga analisis ng datos sa mga pamamaraan tulad ng stratified analisis, logistic regression, at multilevel na pagmo-source na mga kasangkapan tulad ng R at Python, na sinamahan ng mga pakete para sa maliit na mga aspekwensiya.

3. Gumawa ng mga Pahiwatig na Nagsasaysay sa Kuwento

Ang Data lamang ay hindi sapat; ito ay dapat na makipagtalastasan ng epektibo. Gamitin ang mga mapa ng init (geographic disagregation), mga nakapangkat na tsart ng bar (kabihasnan ayon sa kinalabasan), at mga strategic table upang itampok ang mga dispartidad. Dashboard na nagpapahintulot sa mga gumagamit na masala sa pamamagitan ng demographics na maaaring bigyan ng kapangyarihan ang mga nagpapasiya-maker. Ang proyektong CDCilers PLACES ay isang mahusay na modelo: nagbibigay ito ng county-level na mga tantiya ng paglaganap ng diabetes at iba pang-level na kondisyon, na na na na na na na pinag-didigitwa ng lahi at kahirapan.

4. Magsagawa ng Pagkakasalungatan

Ang dispagregasyon ng mga Data ay hindi dapat mangyari sa isang vacuum. kasangkutan ng mga kasapi ng komunidad at mga pinagkakatiwalaang lider sa pagbibigay kahulugan sa mga natuklasan at co-designing na mga solusyon. Ang kanilang karanasan sa pamumuhay ay nagbibigay ng konteksto na hindi kayang ihatid ng mga hilaw na numero. Halimbawa, ang isang lupong pampananalapi ng komunidad ay maaaring magpaliwanag na ang mababang bilang ng pagsusuri sa isang partikular na kodigong Zip ay dahil sa kakulangan ng transportasyon, hindi dahil sa kawalan ng kabatiran.

5. Maugnayin ang Data sa Pagkilos

Mahalaga lamang ang di-pag-aalsa kung ito ay hahantong sa pagbabago. Linangin ang isang malinaw na proseso para sa pagbago ng mga identified disparties sa mga aktwal na intervention. Maaaring kasangkot dito ang allocating forces (pagpapagana, mga tauhan, kagamitan) upang ma-serve ang mga lugar, muling pag-vivivision ng mga klinikal protocol (e.g., pag-alok ng home-based care para sa mga pasyenteng may housebound), o pagtaguyod para sa pagbabago ng patakaran (e.g., pagpapalawak ng Medicaid upang masaklaw ang mga programa sa edukasyon). Magtakda ng mga target at pag-unlad sa paglipas ng mga pag-aaral sa parehong-aaral gamit ang mga dispruget gamit ang mga disprugregreget.

Pagdaig sa mga Hadlang Upang Maalis ang Date

Sa kabila ng mga pakinabang nito, napapaharap sa ilang hamon ang pagdidiskaril ng impormasyon.

Katangian at Kaganapan ng Data

Maraming mga sistemang pangkalusugan ang may hindi kumpleto o hindi nagbabagong demograpikong datos. Ang mga pasyente ay maaaring itala bilang ⁇ un alam na ⁇ o ⁇ otherić para sa lahi/etnikong kaantasan. Invest in explosive for regulatoration staff[[kailangan ng sanggunian] [[FLT] [[3]] Ang investial for regulatoration staff[] at paggamit ng elektronikong rekord ng kalusugan ay nag-udyok ng pag-i-ispwerang data sa mga integ integ ins kapag ang indibiduwal na datos ay hindi makuha ng mga impormasyon.

Ang Sample ay Nakaaapekto at mga Pagkabahala sa Pribadong Buhay

Kapag ang datos ay nahahati sa maraming maliliit na subgroup, ang mga numero para sa ilang mga selula ay maaaring napakaliit upang mag-ulat nang hindi nanganganib na makilala ang mga indibiduwal. Sa gayong mga kaso, ang aggregate sa paglipas ng panahon (e.g., pagsamahin ang maramihang taon ng datos) o gumamit ng mas malawak na kategorya (e.g., pagsamahin ang ilang maliit na subgroup sa Asia.[up]. Ensure na sumusunod sa

Pagtanggi sa mga Pagkakaiba

Ang ilang organisasyon ay maaaring atubiling itampok ang mga pagkakaiba dahil natatakot sila sa pinsalang nagagawa o legal na pagkalantad. Gayunman, ang transparency ay isang batong panulok ng pagkakapantay - pantay sa kalusugan.

Mga Kontribusyong Pang - akit

Ang makabuluhang diagregasyon ay nangangailangan ng panahon, kadalubhasaan, at teknolohiya. para sa mas maliliit na organisasyon, ang mga pakikipagsosyo sa mga akademikong institusyon o mga ahensiyang pangkalusugang pampubliko ay maaaring magbigay ng analog na suporta. bukod dito, ang paggamit ng state-level data (e.g., mga survey ng kagawarang pangkalusugan ng estado) ay maaaring magdagdag ng internasyunal na datos. Ang pamumuhunan ay binibigyang-katwiran ng potensiyal na mabawasan ang magastos, maiiwasang mga komplikasyon at mapabuti ang kalusugan ng populasyon.

Mga Pag - aaral sa Kaso: Mga Kuwento ng Tagumpay sa Diabetes Data Di - pagkakasundo

Pag - aaral ng Kaso 1: A1c Registry ng NYC Health Department

Ang Kagawaran ng Kalusugan at Kalusugan ng Isip ng New York City Enift ay lumikha ng isang A1c register para sa mga tao na may diyabetis, na nag-uugnay ng mga resulta ng laboratoryo sa mga demographic ng komunidad. sa pamamagitan ng disgreging borough at aspeto ng kahirapan sa pook-urbano, kinilala ng departamento na ang pinakamataas na A1c average na A1cc na mga bilang ay nakatuon sa South Bronx at sentral Brooklyn ⁇ areas na may mataas na kahirapan at malaking populasyon ng Itim at Hispaniko.[1] Pagkatapos ng tatlong taon, ang kagawaran ay nag-impluwnc na mga komunidad na manggagawa sa mga pook na ito ay nag-karaan ng mga ⁇ 1 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0 ⁇ 0

Pag - aaral sa Kaso 2: Pag - iwas sa Diabetes ng mga Katutubong Amerikano sa Oklahoma

Ang Oklahomailes Indian Health Service ay gumamit ng diagregated data by tribe upang kilalanin ang Cherokee Nation bilang may partikular na mataas na diabetes kumpara sa ibang mga tribong grupo sa estado. Ang isang adaptasyon sa mga pinuno ng tribo, sila ay naglunsad ng isang kultural na reclusion na ⁇ Diabetes Prevention Programifict na kinabibilangan ng Cherokee language, tradisyunal na pagkain, at suporta ng komunidad.Ang isang di-agregreguladang pagtatasa ay nagpakita na ang mga kalahok ay nawalan ng average na 5% ng timbang, at ang programa ay nabawasan ng mga bagong kaso ng higit sa 28% na mga matagumpay na mga indibidwal na mga datos na nangangailangan ng mga transaksyon ng mga tribo.

Pag - aaral ng Kaso 3: Ang Kaiser Perfeiris Racing-Stratified Quality Mertrics

Ang Kaiser Permande, isang malaking integrated healthcare system, ay nagsimulang mag-istratehiya sa kalidad na mga metriko nito (e.g., kontrol sa diabetes, mga checkup ng retina, mga pagsusulit sa paa) sa pamamagitan ng lahi, etnikoty, at wika sa gitnang-2000s. Sa simula, ang datos ay nagpakita na ang mga miyembro ng Black at Hispaniko ay hindi gaanong natugunan ang mga target ng diabetes. Bilang tugon, ang mga indibidwal na sistema-panlahat na pagpapabuti, kabilang ang mga outreach call sa Kastila, kultural na insyi-ed nutrisyon, at ang mga segurado ang mga high-produced clinic ay pantay na ipinamahagi pa sa mga komunidad sa loob ng dekada:FL.[0] Ang mga lider ng mga pwerscreg pang-F ay iniulat sa publiko.[0] Ang mga pwerscreat ay nag-F.[0] Ang mga pwers ay nag-F ay nag-F.[0] Ang mga pwerscreat ay nag-F.[0] Ang mga pwerscreat ay nag-F.

Mga Implikasyon sa Patakaran: Kung Paano Maaaring Hubugin ng Disgregated Data ang Legisyon

Ang diagregasyon ng Data ay hindi lamang isang kasangkapan para sa mga tagapaglaan ng healthcare; ito rin ay nagbibigay-alam ng mga mataas-paapid na mga desisyon. Halimbawa, ang Diabetes Prevention and Control Act sa antas pederal ay mas maaaring i-asinta kung ito ay nangangailangan ng disgregated report sa pamamagitan ng high-risk subgroups. Ang mga programa ng estadong Medicaid ay maaaring gumamit ng diagregrateng datos upang lumikha ng mga modelo ng halaga-based na gantimpala sa pagbabawas ng mga disparidad. Ang [[T:0T:[T][T] Statistics[F ⁇ [T][T][T] ay magbibigay ng mas epektibong impormasyon mula sa sub-hensiyal.

Maaaring matugunan din ng Patakaran ang data imprastraktura. Ang 21st Century Cures Act at rehiyonal health information exchanges (HIEs) ay maaaring mag-enclaim ng koleksiyon ng mga pamantayang panlipunang determinante ng mga datos na pangkalusugan, kabilang ang lahi, etnikong pag-aari, at wika. Ang ilang mga estado, tulad ng California at Washington, ay nagpasa ng mga batas na nangangailangan ng displorasyon ng datos ng kalusugan para sa mga populasyon ng Asian American at Native Hawaiian/Pacific Islander. Ang mga aksiyong ito ay lumilikha ng isang mahusay na siklo: ay umaakay sa mas mainam na mga pag-aklasin ang mga impormasyon, na maaaring lumikha ng mga data na maaaring lumikha ng mga kabig pang-in ang mga pampetisyon para sa mga datos para sa patuloy na pamumuhunan.

Pagsasaayos: Mula sa Data Tungo sa Pagiging Equity

Ang mga disparidad ng diabetes ay isang ganap na halimbawa kung paano ang mga systemic inequities ay makikita sa mga resulta ng kalusugan. gayunpaman, ang mga disparties na ito ay hindi maiiwasan. Data dispagegation ay isang malakas na lente na naghahayag ng eksaktong mga hugis ng inequity, na nakapagdudulot ng target, epektibong mga pagkilos.Ito ay nag-uudyok sa atin na higit pa sa kathang-isip ng platinidad at tungo sa personalisado, komunidad-responsive na pangangalaga.

Subalit ang impormasyon lamang ay hindi sapat. Dapat na ito'y may kaugnayan sa pulitikal na kalooban, kasunduan sa komunidad, at mga panustos. ang mga organisasyon ng healthcare na sumasakop sa di - pagkakasundong ekwasyon na gaya ng ginagawa nila ay mas mabuting nakapuwesto upang bawasan ang mga komplikasyon sa diyabetis, pagbutihin ang kalidad ng buhay, at iligtas ang buhay sa pamamagitan ng demographic groups.

Kung hindi pa naisasama ng inyong organisasyon ang impormasyong di - naihihiwalay sa pangangalaga ng diyabetis, pumili ng isang dimensiyong ekwasyon, etnikong katangian, o zigro code ⁇ and analisis, gaya ng A1c control o emergency department useration. Maaaring magulat ka sa kung ano ang natuklasan mo.