Giriş: Diyabet Disparities'in Persiste Challenge

Diyabet mellitus 21. yüzyılın en acil halk sağlığı zorluklarından biri olmaya devam ediyor.Süresel ve etnik azınlıklar için eşit ve Önleme (CDC)), 37 milyondan fazla Amerikalının diyabeti var ve yaklaşık 96 milyon yetişkin, daha büyük komplikasyonları etkilerken, bu eşitsizlikler, yıkıcı sağlık grupları arasında bile açık olmayan sağlık grupları arasında negatif etkiler; sosyoekonomik statüde, kırsal veya altında yaşayan insanlar sürekli olarak daha yüksek prediabette, daha büyük risklerde ve fakir sonuçlar doğuruyor.

Bu eşitsizlikleri, sağlık liderlerini, politika yapıcılarını etkin bir şekilde ele almak ve kolektif istatistikler içinde saklı olan nuanced kalıpları incelemelidir.Bu, lginçT:0)data disaggregasyon) kaçınılmaz hale gelir.Depresyon, sağlık verilerini en iyi alt gruplar halinde bozmak için geri alma sürecidir - ırk, etnik köken, yaş, seks, gelir, coğrafya, eğitim seviyesi ve diğer değişkenler – aksi takdirde görünmez lens müdahaleleri ortaya çıkarmak için risk.

Bu makale, veri toplama ve analiz etme için veri ayrıştırmalarının kritik rolünü araştırır ve eşitsizlikleri azaltmak için pratik adımlar atacağız.Sonunda, verilerin eşitsizlikleri nasıl açığa çıkardığını inceleyeceğiz, ancak sağlık eşitliğine ulaşmak için ahlaki bir zorunluluktur.

Neden Aggregated Data Maskeleri Eparities

İlk bakışta, toplam verileri kullanarak - diyabetin ulusal ortalama yaygınlığı gibi - düşük gelirli Siyah topluluklarda% 20 oranında etkili olabilir. Bu iki yönlü farklar, sorunlara yol açan politikacılar, bir şey olduğunda, sorun üniforması iptal eder.

Gerçek dünya örneği göz önünde bulundurun: www.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.) ve diğer gruplar arasında, Kübalı olmayan ve siyah topluluklarının neredeyse her türlü baskısızlığa maruz kalmadığını bildiriyor.

Aggregate verileri diyabetle ilgili komplikasyonlarda eşitsizlikleri de saklıyor, örneğin daha düşük-limbiyalar, böbrek başarısızlığı ve retinopati gibi. Araştırma, Black hastalarla 3-4 kez daha az fark etme olasılığı beyaz hastalardan daha yüksek, hatta hastalık ciddiyet ve sigorta statüsüne kontrol ettikten sonra, sadece genel amputasyon oranlarının bu derin eşitsizlikleri tespit edemeyeceğini gösteriyor.

Sosyal Determinants'in Rolü

Diyabet eşitsizlikleri biyolojik olarak önceden belirlenmiş değildir; iyi niyetli bir mahalledeki birinden daha büyük zorluklarla sonuçlanır (SDOH): gelir, eğitim, konut, gıda güvenliği, ulaşım ve sağlık hizmetlerine erişim. Örneğin, yüksek yoksulluk ve düşük bir yiyecek çölünde yaşayan bir kişi, şeker tahsis edilen bir mahalledeki birinden daha büyük zorluklarla karşılaşır.

Diyabet için Veri Dekorasyonunun Anahtar Ölçüleri

Etkili bir ayrım, birden fazla boyutta verileri toplama ve analiz etme gerektirir. Yarış ve etniklik ortak başlangıç noktalarıdır, özellikle diyabet eşitsizlikleri anlamak için ilgilidir:

Yarış, etniklik ve Ancestry

Yukarıda belirtildiği gibi, ırk ve etnik gruplar tarafından küçültülerek - ve ideal olarak, ayrıntılı alt gruplar tarafından (örneğin, Meksika, Porto Rican, Çin, Vietnam) - bazı popülasyonlarda daha yüksek insülin direnci oranları gibi genetik faktörler, sosyal ve çevresel faktörlerle etkileşimde bulunmak.

Coğrafi Konum

Diyabet prevalı bölgede, eyalet ve hatta mahalle tarafından dramatik bir şekilde değişir. CDC'nin 03.Örnek:0)Diabetes Surveillance Sistemi), Güneydoğu ve Appalachia. Şehir tarafından dezenfekte edilen bölgelerin ve kırsal statülerin sınır dışı edilmesiyle ilgili sorunlarla karşı karşıyadır: kırsal sakinleri sınırlı uzmanlık bakımı ve daha uzun seyahat mesafeler gibi engeller.

Socioekonomik Durum

Income ve eğitim seviyesi diyabet sonuçlarının en güçlü tahmincileri arasındadır. En düşük gelir paralarındaki insanlar diyabete en üsttekilerden daha fazla olasılıkla diyabete sahip olmak için 2-3 kat daha olasıdır. Yoksulluk seviyesi veya eğitim kazanımları, sosyoekonomik segmentlerin hedefli desteğe ihtiyacı olduğunu tespit eder.

Yaş ve Seks

Diyabet prevalı yaşla artar, ancak yaşla ilgili desenler seks tarafından farklıdır. Örneğin, kadınlar diyabetle ilişkili kardiyovasküler hastalıklardan daha fazla komplikasyon yaşayabilirler. yaş grubu tarafından (örneğin, 18-44, 45-64, 65+) ve seks, özel tarama önerileri ve tedavi protokolleri sağlar.

Sağlık Erişimi ve Sigorta Durumu

Uninsured ve sigortalı bireyler normal tarama, tutarlı ilaç ve önleyici bakım almak için daha az olasıdır. Sigorta türü (özel, Medicare, Medicaid, sigortalanmamış) sağlık sistemi engellerinin eşitsizliklere nasıl katkıda bulunduğunu ortaya koymaktadır. Örneğin, Medicaid'deki insanlar genellikle hizmet sıkıntısı ve yüksek maliyetlerle karşı karşıya kalır.

Dil ve Kültür Faktörleri

Sınırlı İngilizce yeterlilik (LEP) daha düşük sağlık okuryazarlığı ve kötü diyabet sonuçları ile ilişkilendirilir. birincil dil konuşan dil tarafından yapılan bulaşma kültürel ve dilsel olarak uygun eğitim malzemeleri ve tercüman hizmetleri geliştirmesine rehberlik edebilir.

Gizli Ayrılmaları Nasıl Kaybolan Veri Identifies Hidden Disparities

Kısıtlama gücü, agred verilerin gizlendiği yüzey kalıplarının altında yatıyor. Aşağıda, disaggregasyonun kritik eşitsizlikleri nasıl ortaya çıktığının birkaç somut örneği vardır ve hedefli eyleme yol açtı.

Örnek 1: Ekranlama Oranlarında Yarış Kısıtlama

Farklı bir şehirde bir topluluk sağlığı sistemi diyabet tarama oranlarına uygun şekilde toplanıp %75'te olduklarını buldular - bu tür alanlardan verinin yarış, Black ve İspanyol hastalarında% 58'i tarama oranlarına sahip olduğu ve mahalledeki analizlerin daha düşük tarama olayları ve daha kısa çalışma saatleri olduğunu gösterdi.

Örnek 2: Yaş ve Income kesişim

Batı eyaletlerindeki halk sağlığı araştırmacıları, diyabet hastanelerini hem yaş hem de gelir verilerini kullanarak analiz ettiler. 45–64 yaş arası düşük gelirli yetişkinler için hastaneleşme oranına sahipler, diyabetik ketoacidosis (DKA) aynı yaş aralığından üç kat daha yüksek gelirli akranlarına göre düştüler. Bu anlayış, düşük gelirli orta gelirli yetişkinler için hedefli bir programda ücretsiz glukometreler ve telemedicine antrenörlük sağladı. DKA kabulleri 18 aydan fazla müdahale grubundaki% 35 oranında düştü.

Örnek 3: Bir Engel Olarak Dili

Büyük Vietnamca konuşan bir nüfusa hizmet eden bir hastane sistemi, diyabetle ilgili acil durum departmanı ziyaretlerinin Vietnamca konuşan hastalar arasında İngilizce konuşan hastalar arasında önemli ölçüde daha yüksek olduğunu fark etti, hatta bu nüfus arasında ED ziyaretlerinde %25 azalmaya yol açtı.

Data Disaggregation için Pratik Adımlar

Uygulamayı gerçekleştirmek, veri toplama, analiz ve kullanım için sistematik değişiklikler gerektirir. Aşağıdaki adımlar sağlık kuruluşları, halk sağlığı departmanları ve topluluk grupları için bir yol haritası sağlar.

1. Demographic Data Koleksiyonu

Kısıtlama yapmak için öncelikle yüksek kaliteli, granular demografik verilere ihtiyacınız var. Bu, tipik “Race/Ethnicity” damladown that to all İspanyollar veya tüm Asya'ları bir kategoriye düşürüyor. Yerel nüfusunu yansıtan ayrıntılı kategoriler kullanın - Asya Amerikalı hastalar için, Çinliler, Filipinli, Vietnam, Kore, Japonca.urP:0)Bu tür ek değişkenlere kıyasla, eğitim, birincil dil ve zip kodun ) Bu verileri kültürel olarak hassas bir şekilde açıklamak için neden önemlidir.

2. Analytical Kapasite Oluşturma

Disaggregation, küçük örnek boyutlarda mahremiyetten ödün vermeden idare edebilecek istatistiksel yöntemler gerektirir.Çok küçük alt gruplar için, Bayesian'ı zamanla takip etmek veya Bayesian'ı istikrarlı tahminler üretmek için tekniklerde kullanmayı tercih eder.Sorbest analiz, lojistik regresyon ve çok seviyeli modelleme gibi. R ve Python gibi açık kaynaklı aletlerle birlikte, küçük çaplı tahminler için paketler ile birlikte, sabit tahminler oluşturmak için çok değerlidir.

3. Hikayeyi Söyleyen Görselleştirmeler Yaratın

Yalnızca veriler yeterli değildir; kullanıcıların karar vericiler tarafından filtrelenmesine izin veren tablolar (geografik disaggregasyon), gruplanmış bar grafikler (sonrası ile sonuç olarak), ve ırk ve yoksullukla ilgili tablolar.Depresifler tarafından filtrelenmesine izin veren Dashboards.

4. Yorumlama Toplulukları

Veri ayrıştırma bir vakumda gerçekleşmemelidir. Toplum üyeleri ve güvenilen liderler bulguları yorumlamak ve ortak tasarım çözümlerine sahip olmalıdır. Örneğin, bir topluluk danışma kurulu, belirli bir Zip kodundaki düşük tarama oranlarının farkında olmadığı, farkındalık eksikliğinden dolayı olduğunu açıklayabilir.

5. Eyleme İlişkin Veri

Disaggregasyon, yalnızca değişmeye yol açan bir süreçtir. Tanımlanmış disparities into actionable Translations (e.g) Bu, tüm kaynaklarını (öğmen, personel, ekipman) korumalı alanları takip etmek için, klinik protokolleri (e.g., ev temelli bakım hizmetleri sunmak) veya politika değişikliği için reklam vermek için (örneğin, Medicaid'i diyabet eğitimi programlarını kapsamak için genişletebilir hedefler ve takip etmek için zaman boyunca ilerlemeyi izlemek için.

Data Disaggregation için Fazla Engeller

Yararlarına rağmen, veri kesintisi birkaç zorlukla karşı karşıyadır. Bu engelleri ele almak ve ele almak, devam etmek için önemlidir.

Data Quality and Completeness

Birçok sağlık sistemi eksik veya tutarsız demografik verilere sahiptir. Hastalar, ırk/etki için “ödül” veya “başka” olarak kayıt personeli için eğitimde bulunurlar). ve elektronik sağlık kayıtları kullanarak verileri toplamak için elektronik sağlık kayıtları kullanabilir. gelir veya eğitim için, bu daha hassas, güvenilir olmayan mahalle özellikleri gibi önlemler (önetici önlemleri) bireysel veriler kullanılamazken.

Örnek Boyut ve Gizlilik

Veriler birçok küçük alt gruba kırıldığında, bazı hücreler için sayılar bireylerin risklendirilmesi olmadan rapor için çok küçük olabilir.In such, agre over time (e.g., multiple years of data) or use more large categories (e.g., together several small Asian subgrups). HIPAA ve diğer gizlilik düzenlemeleri ile uyumlu; < 10 numara ile hücreler yayınlamayın.

Acknowledging Disparities

Bazı kuruluşlar eşitsizlikleri vurgulamak için isteksiz olabilirler, çünkü saygın hasar veya yasal maruz kalmalardan korkuyorlar. Ancak, şeffaflık bir sağlık eşitliğinin temel taşıdır. Bir sistem konusu olarak eşitsizlikleri tersine çevirmek (birey sağlayıcının başarısızlığı) ve adil bakım misyonunu yeniden finanse etmek, birçok başarılı inisiyatifin üstesinden gelmek için kamuya açık bir şekilde paylaşılmasına yardımcı olabilir.

Kaynak Ekleri

Anlamlı disaggregasyon zaman, uzmanlık ve teknoloji gerektirir. Daha küçük kuruluşlar için, akademik kurumlar veya kamu sağlık kuruluşları ile ortaklıklar analitik destek sağlayabilir. Ayrıca, devlet düzeyindeki verileri kullanarak (örneğin, devlet sağlığı bölüm anketleri) iç verileri tamamlayabilir.

Vaka Çalışmaları: Diyabet Data Disaggregation'daki Başarı Hikayeleri

Vaka Çalışması 1: NYC Health Department A1c Kayıt

New York City'nin Sağlık ve Ruh Hijyen Bölümü, Güney Bronx ve merkezi Brooklyn'de yoğun bir kayıt oluşturduğunu, mahalle demografileriyle laboratuvar sonuçlarını mahallede ilişkilendirerek, ilçe ve mahallelerde, diyabete kendi yönetim sınıflarını ve bakımını sunmuş durumda olduklarını tespit etti.

Vaka Çalışması 2: Amerikan Diyabeti Oklahoma'da Önleme

Oklahoma'nın Hint Sağlık Servisi, Cherokee Nation'ı devletteki diğer kabile gruplarına kıyasla özellikle yüksek bir diyabet oranına sahip olarak tanımlamak için kabile tarafından ezilmiş bir veri başlattılar.Amone Nation'ı, halkın en çok ihtiyaç duyduğu verileri incelediler.

Vaka Çalışması 3: Kaiser Süreklie'nin Yarış-Stradlaştırılmış Kalite Metrikleri

Kaiser Süreklie, büyük entegre bir sağlık sistemi, kalite ölçümlerinin (örneğin, diyabet kontrolü, retina sınavları, ayak sınavları) yarış, etnik köken ve dil orta2000'lerde bile dağıtıldığına göre, veriler, Siyah ve İspanyol üyelerinin diyabet kontrol hedeflerini karşılamak için önemli ölçüde daha az muhtemel olduğunu gösterdi. yanıt olarak, İspanya'da yapılan sistem çapındaki gelişmeleri, kültürel olarak uyarak beslenme danışmanlığı ve yüksek performanslı klinikleri garanti altına alındı.

Politika Implikasyonları: Nasıl Kısıtlanmış Veri Yasaları Şekilleyebilir

Veri kesintisi sadece sağlık sağlayıcıları için bir araç değildir; aynı zamanda yüksek riskli verilerden, değer bazlı ödeme modellerini azaltmak için de bilgilendirilebilir. ”UygunT:0 Ulusal Diyabet İstatistikler Raporu[Döneticiler tarafından raporlanmışsa, yüksek riskli alt gruplar tarafından rapor edilebilir. Benzer şekilde, devlet Medicaid programları, Asya alt gruplarının azaltılmasına izin verecek değer tabanlı ödeme modellerini daha iyi bir şekilde kullanabilir.]

Politika ayrıca veri altyapısına da hitap edebilir. 21. Yüzyıl Cures Yasası ve bölgesel sağlık bilgileri borsaları (HIEs) Asya Amerikan ve Yerli Hawaii/Pacific Islander popülasyonları için sağlık verileri toplamayı teşvik edebilir: Daha iyi veriler, ırk, etniklik ve dil gibi, bu da yatırım için savunabilecek verileri ortaya koyar.

Sonuç: Verilerden Eşitliğe

Diyabet eşitsizlikleri, sistemin sağlık sonuçları konusunda ortaya çıktığı bir yıldızk örnektir. Ancak, bu eşitsizlikler kaçınılmaz değildir. Data disaggregation, hedef alınan, etkili eylemleri açığa çıkaran güçlü bir lensdir.

Ancak yalnızca veriler yeterli değildir. Politik irade, topluluk katılımı ve sürekli kaynakları ile eşlenmelidir. Sağlık kuruluşları, eşitsizlikleri kucaklayan - ve buldukları şeylere hareket etmeyi taahhüt eder - yaşam kalitesini azaltmak için daha iyi konumlandırılmış ve yaşam boyu hayat kurtarmak gerekir.Sağlık eşitsizliğine giden yol net bir şekilde görmeye başlar.

Kuruluşunuz henüz diyabet bakımına entegre edilmemiş verileri entegre etmediyse, küçük bir boyut seçin – bir boyut, etniklik veya zip kodu – ve A1c kontrol veya acil durum departmanı kullanımı gibi bir temel metrik inceleyebilirsiniz. ve bir kez bunu görmeye başlayabilirsiniz.