Johan Nordström: Vägen till värde i vården går via strategisk datahantering
Om du jobbar mycket med data har du kanske hört talas om de fyra V:na (Volume, Velocity, Variety och Veracity).
På svenska blir det ungefär volym, snabbhet, variation och korrekthet, som alla är viktiga aspekter av datahantering.
Låt oss titta på hur de hanteras inom sjukvården, med tyngdpunkt på dataanalys. Men många av resonemangen gäller även för mer administrativ datahantering.
Volym – mer är bättre
Vi lever i en era då det är självklart att samla på sig mycket data. Men varför ska man göra det?
Det enkla svaret är att det ger bättre resultat för analyser. Med stora datamängder av hög kvalitet blir det möjligt att tillämpa maskininlärning, vilket fungerar bättre med mer data.
Det går att bygga mer specifika modeller och att segmentera data på bättre sätt, vilket leder till analyser som enklare kan omsättas i praktisk handling.
Sjukvården har goda förutsättning att samla på sig mycket data, till exempel genom digitalisering av patientjournaler och utrustning för att mäta olika aspekter av patienters hälsotillstånd.
Förutsättningarna för att lyckas är att tänka igenom målen för datainsamling och dataanalys, och att säkerställa hög kvalitet för data.
Snabbhet – ger realtid
Det är förstås alltid viktigt att lösningar för datahantering har goda prestanda. Men en specifik fördel med snabb hantering är att kunna göra analyser och agera i realtid, eller så nära realtid som möjligt.
För att lyckas med det krävs hantering av strömmande data, vilket kräver att både infrastruktur och mjukvaror är ändamålsenliga.
Variation – måste hanteras
Olika datamängder inom sjukvården är strukturerade i olika datamodeller, med olika datatyper för likartad information, hanteras med olika mjukvaror och utrustning, och så vidare.
Vad gäller datatyper handlar det inte bara om sådana som text, datum och nummer, utan även om till exempel ljudfiler och video.
Kort sagt, en lyckad lösning för datahantering måste kunna hantera den här variationen. Annars blir resultaten undermåliga och man får ägna mycket tid åt arbetsuppgifter som måste utföras innan analyser kan göras, som att tvätta och konvertera data.
En viktig del av en lösning för att hantera datavariation är att använda maskininlärning för att renodla data, så att olika datamängder kan kombineras i analyser.
Korrekthet – på flera olika sätt
Det kan låta självklart att data ska vara korrekta, men hur mycket kontrolleras det? Och kontrolleras alla olika aspekter av korrekthet?
Det handlar inte bara om själva uppgifterna ska vara rätt, utan även om begreppsanvändning, hur kompletta datamängderna är, om de ger skeva bilder av det som ska beskrivas och en mängd andra aspekter.
Ju mindre korrekt en datamängd är, desto mindre nytta ger det att analysera den. Och i sjukvården kan det leda till direkt farliga slutsatser och beslut. Det krävs både manuellt arbete och smarta mjukvarulösningar för att säkerställa att data är korrekta.
Här är resans mål
Vad står det, ofta bortglömda, femte V:et för?
Värde. Värdet av datahantering och analyser behöver tänkas igenom från det första planeringsmötet, till den sista körningen av en analysmodell.
Det är lätt hänt att glömma bort att tänka på värdet av datahantering när man är upptagen av att hantera den stora mängden utmaningar som står i vägen för arbetet.
Men om inte värde skapas så minskar nyttan av datahantering och dataanalys radikalt.
Artikeln är en del av vårt tema om Opinion.