Intégration des données: Apprivoiser la bête des soins de santé – Partie 2

En septembre dernier, j'ai lancé une série de blogs sur le sur l'intégration des données pour les soins de santé. Le problème est qu’il est extrêmement difficile d’intégrer les données d’un ou de plusieurs systèmes de DME dans une base de données analytique cohérente. Le fait que je fasse ce travail depuis 2 mois témoigne de cette déclaration, car cela me tenait tellement occupé que je n'ai pas pu ajouter à cette série jusqu'à présent.

Permettez-moi de récapituler la partie 1 "[ Intégration des données: maîtriser la bête des soins de santé ".

Je vous ai expliqué que le processus d'extraction de données de votre système de DME avec ses systèmes auxiliaires associés et de les amener au point d'analyse et de génération de rapports peut s'avérer extrêmement complexe. et tâche fastidieuse. Sans parler d’extrêmement coûteux.

Vous devez extraire les données, les consolider, les nettoyer et en vérifier l’exactitude, puis les charger dans un entrepôt de données bien conçu pour pouvoir générer des rapports obligatoires et utilisables.

J’ai laissé entendre que cela pourrait Faites-le en moins de temps et à moindre coût si vous trouvez une personne possédant une expertise des systèmes source et un ensemble de processus et d'outils répétables et réputé pour faire le travail à votre place.

Eh bien… permettez-moi de vous présenter la passerelle Perficient Analytics for Healthcare. 19659007] Au cours des dernières années, l’équipe de veille stratégique de Perficient Healthcare s’est attachée à mettre au point une méthodologie et un ensemble d’outils reproductibles et rentables qui nous permettent de contacter votre organisation, d’extraire des données de presque tous les systèmes sources et de les charger dans une base de données. entrepôt de données avancé et hautement évolutif. Nous avons l'expérience et le savoir-faire nécessaires pour installer, personnaliser et implémenter le modèle de données (vous devez l'acheter) et notre produit Gateway and Accelerator.

Nous travaillons avec vous pour vous aider à démarrer puis former et remettre les rênes à votre personnel informatique. continuer à construire et à raffiner votre entrepôt. Mais je devance moi-même. Laissez-moi vous expliquer comment cela fonctionne.

Nous l'avons conçu pour fonctionner en quatre parties. Il s'agit des modèles suivants:

1. Un modèle de données de soins de santé unifié, conforme aux normes de l’industrie, en deux vues, un modèle de base de données relationnelle Atomic et un modèle de base de données de schéma en étoile dimensionnel.
2. Le produit Gateway qui extrait les données de votre / vos système (s) source (s) et le charge. les données dans une base de données préliminaire afin de les comparer aux données extraites précédentes afin d'identifier les deltas.
3. Programmes permettant d'extraire les données du pré-étage Gateway et de les charger dans Atomic
4. Programmes permettant d'extraire les données d'Atomic et chargez-le dans Dimensional

La première partie consistait en un modèle de données complet et stable fournissant une image complète des données relatives aux fournisseurs (cliniques), aux payeurs (réclamations) et à la comptabilité (financières). Ce modèle de données devait être conçu de manière à pouvoir suivre les besoins en données en constante augmentation du secteur de la santé et structuré de manière cohérente dans tous les domaines.

Il devait disposer d’une base de données de transfert (conception relationnelle atomique). C'est là que vous chargez les données extraites pour nettoyer et normaliser les formats des données correspondantes de plusieurs sources. Il devait également disposer d'une base de données d'entrepôt synchronisée (conception de schéma en étoile) dans laquelle vous effectuiez des analyses et produisiez des rapports afin que votre organisation puisse prendre des décisions éclairées afin d'améliorer les soins aux patients.

Nous avons trouvé une base construite à partir des données HL7 et des définitions structurées à l'aide a * Méthode de conception de modélisation Data Vault. Elle répondait à nos exigences en matière de conception et il s’agissait d’une conception à l’échelle de l’industrie construite et mise à jour par l’un de nos partenaires. En revanche, une conception de modélisation relationnelle typique comporte des tables avec des colonnes de clé primaire et tout le contenu associé. Une clé primaire fournit des données uniques pour le stockage et la récupération d'un enregistrement. À chaque extraction de la base de données, une ligne de la table est renvoyée avec toutes les colonnes, clé et contenu.

Dans une conception de coffre-fort de données, les colonnes de clé primaire sont gérées dans une table séparée sans contenu associé. Ceci est appelé un hub. Le concentrateur contient des clés commerciales uniques avec des champs d'audit ou de description supplémentaires liés aux colonnes du concentrateur. Le hub est suffisamment stable et générique pour qu'il soit hautement improbable qu'il change jamais, car aucun contenu de données n'y est stocké.

Les colonnes de contenu se trouvent dans une table séparée appelée Satellite reliée de manière relationnelle à son hub. Si des modifications ou des extensions sont nécessaires pour le contenu, la «structure de navigation» de la base de données n'est pas affectée. Les modifications du contenu des satellites ne requièrent qu'un effort de programmation minimal

Un autre élément important de la conception du Data Vault est une table de relations appelée "lien". Un lien relie les hubs. Le lien est bidirectionnel et toujours multiple pour gérer toutes les exigences de configuration. Ceci en fait un modèle idéal à long terme, comme indiqué ci-dessous.

Il existe quelques types de modèle Data Vault supplémentaires, mais cela suffit pour avoir une idée générale.

Combinaison de satellites et de satellites. [19659023] La prochaine chose intéressante est que chaque combinaison Hub et Satellite est orientée sujet unique ou ** normalisée. Les données patient, concentrateur A et satellite A1, sont séparées des données de rencontre, concentrées B et satellite B1, mais elles sont liées (liées) par la table des liens (A à B) afin que toutes les rencontres d'un patient donné puissent être visualisées et affichées. vice-versa

Ce que je veux dire, c’est que cette structure est idéale pour la stabilité de la navigation, ce qui la rend idéale pour le stockage de données de sujet et la programmation réutilisable. Cela signifie également que, quelles que soient les structures de la base de données du système source ou les formats de fichier à plat, nous pouvons stocker les données extraites dans ce format.

En outre, l'étape suivante du processus de développement de l'entrepôt (Star Schema) est également fournie et synchronisée avec le modèle atomique montré ci-dessus. Les principales tables d'entrepôt d'un schéma en étoile sont les tables de faits, de dimensions et de relations.

Les tables de faits consistent en des mesures, des métriques ou des «faits» d'un processus technique. Les tables de faits contiennent généralement deux types de colonnes, celles contenant les faits du processus technique et les clés étrangères des tables de dimension.

Dans ce modèle, les tables de dimensions sont «conformes», ce qui signifie qu'elles sont orientées sujet, basées sur un horodatage et conservées. en phase avec les itérations correspondantes de leurs homologues de hubs et satellites atomiques. Ils constituent une représentation unique de ce sujet à un moment donné et sont utilisés pour prendre en charge des données dans plusieurs tables de faits.

À l'aide de ces modèles de fond, nous avons construit le passerelle d'analyse déficiente pour les soins de santé. Le modèle de transfert étant stable et synchronisé avec le modèle d'entrepôt, nous avons pré-construit des programmes ETL pour déplacer les données d'Atomic vers le Dimensional. Les données stockées dans Atomic sont automatiquement transférées dans Dimensional avec peu de programmation supplémentaire et uniquement lorsque la personnalisation est requise.

Nous venons dans votre boutique, installons la base de données, activons notre accélérateur Perficient Analytics Gateway for Healthcare. modules et BAM! Au lieu de prendre entre 18 et 24 mois pour concevoir un entrepôt et élaborer une programmation pour charger les données source, nous avons «accéléré» le processus pour que les données soient prêtes pour l'analyse et la génération de rapports considérablement plus rapidement. Gain de temps et d'argent dans le processus.

Il existe cependant un autre élément clé dans la passerelle d'analyse déficiente pour les soins de santé. C'est la partie où nous avons mis au point un processus pour analyser vos sources, mapper les données source (toute base de données) vers la base de données Data Vault et les traiter via la «passerelle», joyau du progiciel.

À l'écoute de « Intégration des données: maîtriser la bête des soins de santé – Partie 3 ”et je vais vous en dire plus sur cette partie!

À ce moment-là…

* La modélisation du coffre de données est une méthode de modélisation de base de données conçue pour fournir un stockage historique à long terme des données provenant de plusieurs systèmes opérationnels.

** Normalisé est un terme servant à modéliser une base de données en fractionnant chaque donnée de sujet en un ou plusieurs tableaux. En d'autres termes, dans une rencontre patient, les données spécifiques au patient sont stockées dans une ou plusieurs tables et les données de rencontre sont stockées dans un autre jeu, puis les concentrateurs sont liés. Cela signifie que les données spécifiques au patient sont réutilisables et ne doivent être stockées qu'une seule fois lorsque plusieurs rencontres peuvent être associées à cet enregistrement patient unique.