每个人都在谈论公平,但有没有人真正倾听? : 在卫生系统中更好的数据驱动学习的理由

科学领域:

• 医疗保健管理的管理
• 健康 公平 卫生 公平
• 数据科学在医学中的数据科学

背景情况:

• 医疗保健依赖于数据进行决策,但COVID-19的反应突出了边缘化人口的不平等.
• 现有的数据收集和分析方法往往无法捕获关键的社会人口统计和患者感知数据,阻碍了公平的改进.
• 学习健康系统 (LHS) 提供了一个框架,通过将数据整合到实践和研究中来解决这些差距.

研究的目的:

• 分析当前医疗保健数据的使用及其在实现公平结果方面的局限性.
• 探索学习健康系统 (LHS) 如何将数据转化为可操作的洞察力,以实时改善医疗保健.
• 提出提高医疗保健数据利用的学习方面的策略.

主要方法:

• 该研究是一篇评论,讨论了数据在医疗保健决策中的应用和局限性.
• 它考察了学习健康系统 (LHS) 在弥合数据差距和促进健康公平方面的作用.
• 评论分析了数据收集和分析的循环,以及它对医疗保健实践和研究的影响.

主要成果:

• 医疗保健中传统的数据使用往往使不平等现象持续存在,特别是对于边缘化群体.
• 学习健康系统 (LHS) 展示了快速开发和实施公平医疗干预措施的潜力.
• 关于社会人口统计和健康的社会决定因素,仍然存在显著的数据缺口,限制了对医疗保健需求的全面理解.

结论:

• 医疗保健面临的"学习问题"与"数据问题"一样,需要改变数据的使用方式.
• 学习健康系统 (LHS) 为将数据转化为持续学习和及时改善医疗保健提供了一个模型.
• 优先考虑从数据中获得的学习对于推动医疗保健公平性和有效性至关重要.