Die Datenmodernisierung ist von entscheidender Bedeutung, um die öffentliche Gesundheit gerechter zu gestalten. Ein robustes, hochmodernes Datensystem kann tiefere Einblicke in gesundheitliche Ungleichheiten liefern, gezielte Interventionen steuern und die effektive Ressourcenverteilung zwischen Patienten und ihren Gemeinschaften verbessern.
Um jedoch die Chancengleichheit im Gesundheitswesen voranzutreiben, ist es wichtig, genaue und konsistente Daten zu sammeln, die tiefere Einblicke in marginalisierte und oft übersehene Bevölkerungsgruppen ermöglichen. Solche Datensätze umfassen Rasse und ethnische Zugehörigkeit; sexuelle Orientierung und Geschlechtsidentität (SOGI); und die sozialen Determinanten der Gesundheit (SDOH), wie Wohnraum, Ernährungsunsicherheit oder Einkommensniveau. Während immer mehr Organisationen und Behörden diesen Datentypen Priorität einräumen, bestehen weiterhin erhebliche Lücken.
Bestimmte Daten zur gesundheitlichen Chancengleichheit – etwa zu Rasse und ethnischer Zugehörigkeit – werden schon seit langem erhoben, wenn auch mit Lücken. Eine Analyse von 20 Jahren klinischer Studiendaten in den USA ergab, dass nur bei 43 % der Patienten eine Rassenzugehörigkeit angegeben war. Selbst wenn Rasse und ethnische Zugehörigkeit angegeben werden, sind die gesammelten Daten oft zu begrenzt und fassen verschiedene Gemeinschaften unter einzelnen Überschriften zusammen. Wählen Sie die Rassenoption „Schwarz“. Diese Kategorie erfasst mehrere unterschiedliche Gemeinschaften in einer einzigen Kategorie (z. B. in den USA geborene Afroamerikaner, Haitianer, afrikanische Einwanderer) und übersieht dabei potenziell wichtige gesundheitsbezogene Unterschiede zwischen den Teilpopulationen.
Daten zu SOGI und SDOH werden hingegen selten erhoben. Die meisten Bundesgesundheitsberichte untersuchen nicht die sexuelle Orientierung oder Geschlechtsidentität der Befragten. Wenn solche Informationen gesammelt wurden, zeigte sich jedoch häufig, dass die gesundheitlichen Folgen für sexuelle und geschlechtsspezifische Minderheiten schlechter waren. Das Weiße Haus erkannte dies an und forderte die Bundesbehörden auf, sich damit zu befassen. Es ist auch immer noch ungewöhnlich, dass diese Berichte Informationen zu SDOH enthalten, obwohl das CDC in seinem HI-5-Programm, einer Initiative, die nichtklinische Ansätze zur Verbesserung der öffentlichen Gesundheit hervorhebt, angibt, dass SDOH den stärksten Einfluss auf die Gesundheit hat.
Während der Verbesserung der gleichstellungsbezogenen Datenerhebung mehr Aufmerksamkeit geschenkt wird, einschließlich Initiativen im Büro des Nationalen Koordinators für Gesundheitsinformationstechnologie, muss noch mehr getan werden. Die aktuellen Datenlücken haben schwerwiegende Auswirkungen, da sie bestehende gesundheitliche Ungleichheiten verschärfen und zu irreführenden oder sogar ungenauen Gesundheitsempfehlungen führen. Auch wenn viel auf dem Spiel steht, können diese Lücken durch Investitionen in Menschen geschlossen werden – die angemessene Schulungen und Anreize benötigen, um Daten korrekt zu vervollständigen – und durch Technologie – die eine einfache Datenerfassung, -freigabe und -analyse ermöglichen muss. Durch die Überbrückung dieser Datenkluft können Angehörige der Gesundheitsberufe ein gerechteres und effektiveres System aufbauen.
In Menschen investieren
Um Datenlücken zu schließen und die gesundheitliche Chancengleichheit zu verbessern, müssen wir verstehen, wie Daten gesammelt, analysiert, geteilt und verbreitet werden. Dies beginnt bei den Mitarbeitern, die die Daten sammeln und eingeben. Diese Mitarbeiter benötigen eine angemessene Schulung, Verstärkung und Anerkennung.
Zu wissen, wie man die richtigen Fragen stellt, ist für die Verbesserung der Datengerechtigkeit von entscheidender Bedeutung. Das Personal sollte regelmäßig über die Bedeutung und Wirkung der Datenerfassung informiert und Feedback erhalten. Gesundheitsdienstleister werden eher Daten sammeln, wenn sie wissen, wie diese ihren Patienten helfen. In der Schulung sollte auch untersucht werden, wie medizinisches und öffentliches Gesundheitspersonal ein Umfeld schaffen kann, in dem sich Einzelpersonen bei der Offenlegung sensibler Informationen, wie etwa ihrer sexuellen Orientierung, wohler fühlen.
In Technologie investieren
Sobald Daten erfasst sind, ist der Einsatz der richtigen Technologie für den effektiven Austausch, die Analyse und die Nutzung von Erkenntnissen zur Verbesserung der Gesundheitsergebnisse von entscheidender Bedeutung. Der Datenaustausch zwischen und zwischen Gesundheitssystemen kann einige der oben genannten bestehenden Lücken schließen, und eine starke Cloud-Architektur ist ein entscheidender Baustein. Beispielsweise enthalten Krankenakten, die oft in Arztpraxen oder Krankenhäusern gesammelt werden, wichtige Daten zur gesundheitlichen Chancengleichheit, wie etwa Rassen- oder SOGI-Daten. Diese Daten bleiben jedoch häufig innerhalb der Wände einer Arztpraxis. Die Schaffung einer robusten Cloud-Architektur, die den Austausch aggregierter Krankenaktendaten zwischen Gesundheitsdienstleistern und Beamten des öffentlichen Gesundheitswesens ermöglicht, würde wichtige Einblicke in die Gesundheit der Bevölkerung und Krankheitstrends liefern und fundiertere Richtlinien für die öffentliche Gesundheit schaffen. Glücklicherweise gibt es bereits Bemühungen, den Datenaustausch zu verbessern. Kalifornien ist einer von mehreren Bundesstaaten, die untersuchen, wie sich aktienbezogene Daten aus mehreren Quellen am besten identifizieren und teilen lassen.
Künstliche Intelligenz (KI) wird zunehmend zur Analyse von Daten zur gesundheitlichen Chancengleichheit genutzt. KI kann dabei helfen, Gesundheitsmuster zu erkennen, erhöhte Risiken für potenzielle Krankheiten innerhalb bestimmter Bevölkerungsgruppen zu lokalisieren und die allgemeine Patientenversorgung zu verbessern. KI-Tools können auch die Echtzeitüberwachung von Gesundheitstrends erleichtern und Entscheidungsträgern dabei helfen, zeitnahe und evidenzbasierte Strategien zur Verbesserung der allgemeinen Ergebnisse im Bereich der öffentlichen Gesundheit umzusetzen. Beispielsweise hat der Bundesstaat Washington bereits KI in seine Datenanalyse in seinem Health Equity Atlas und anderen Ressourcen integriert.
Allerdings sind Gesundheitsdaten natürlich äußerst persönlich und der Schutz der Patienten muss Vorrang haben. Gesundheitssysteme müssen mit geeigneten Cybersicherheitsmaßnahmen ausgestattet sein, um sensible Daten zu sichern und zu schützen. Solche Maßnahmen sind erforderlich, um die Bedenken der Öffentlichkeit und der politischen Entscheidungsträger auszuräumen, dass vertrauliche Informationen möglicherweise unangemessen verwendet werden.
Eine Zukunft mit Aktiendaten
Es besteht ein weit verbreitetes Missverständnis, dass ein Datenproblem durch eine einmalige Investition in die Hardware- oder Softwareentwicklung behoben werden kann. Doch die Datenmodernisierung und die Förderung gesundheitlicher Chancengleichheit erfordern kontinuierliche Investitionen. Führungskräfte müssen nachhaltige Investitionen tätigen, um ihr IT-Personal und ihre Technologie auf dem neuesten Stand zu halten und das Personal vor Ort – wie Epidemiologen sowie Klinik- und Laborpersonal – zu unterstützen, ohne das genaue Daten nicht erfasst und analysiert werden können. Während die Datenmodernisierung eine Investition in die Vorabplanung, das Design und die Implementierung der Technologie erfordert, wird der Wert der Investition ohne fortlaufenden Support nur von kurzer Dauer sein.
Trotz der verbleibenden Herausforderungen ist ein öffentliches Gesundheitssystem mit fundierten Daten, relevanter Schulungsunterstützung und einer effektiven IT-Infrastruktur in greifbarer Nähe. Eine ordnungsgemäße Datenerfassung, -analyse und -nutzung hat das Potenzial, seit langem bestehende gesundheitliche Ungleichheiten zu beseitigen und unser Gesundheitssystem so voranzutreiben, dass es allen Gemeinschaften dient. Auch wenn dieser Wandel nicht über Nacht erfolgen wird, wird ein anhaltendes Engagement für Gerechtigkeitsdaten zweifellos die Ergebnisse im Bereich der öffentlichen Gesundheit für alle verbessern.
Foto: eichinger julien, Getty Images
