Data Quality Methods and Applications in Health Care System: A Systematic Literature Review Data Quality–Driven Improvement in Health Care: Systematic Literature Review Common data quality elements for health information systems: a systematic review
El análisis convergente de las tres revisiones sistemáticas (Biancone et al.,2019; Lighterness et al.2024; y Ghalavand et al.2024) revela un panorama coherente y una conclusión unificada sobre el estado de la calidad de los datos (DQ) en el sector de la salud. A pesar de haber sido realizadas en diferentes momentos y con enfoques ligeramente distintos, las tres convergen en un diagnóstico central: el campo adolece de una falta crítica de estandarización, lo que resulta en una gestión de la calidad de los datos heterogénea, inconsistente y metodológicamente débil.
1. El Diagnóstico Consistente a Través del Tiempo: Heterogeneidad y Falta de Consenso
El hallazgo más contundente y compartido por los tres estudios es la ausencia de un enfoque estandarizado para definir, medir y mejorar la calidad de los datos de salud.
- Biancone et al. ya señalaba la necesidad de un proceso riguroso y sistemático, advirtiendo sobre las consecuencias que la falta de este puede tener para los pacientes. Su revisión destacó la falta de comparaciones externas o
benchmarking en los estudios, una indicación temprana de la falta de estándares compartidos. - Cinco años después, Lighterness et al. confirma y profundiza este diagnóstico, describiendo una “considerable heterogeneidad” en las metodologías y una “grave falta de adopción” de marcos teóricos estandarizados como el de DAMA.
- De manera similar, Ghalavand et al. concluye que existe una “falta de uniformidad” y una “inconsistencia en la definición de las dimensiones” de la calidad de los datos en los sistemas de información de salud.
2. El Enfoque en “Completitud”: La Dimensión Dominante y su Limitación
Los tres análisis convergen en identificar la completitud (completeness) como la dimensión de la calidad de los datos que recibe la mayor atención en la práctica, a menudo en detrimento de un enfoque más holístico.
- Biancone et al. observó que la completitud es una de las medidas más analizadas, pero advirtió que el juicio sobre la calidad de los datos no debe detenerse en un solo indicador.
- Lighterness et al. cuantifica esta tendencia, encontrando que el 79% de los estudios de mejora de la calidad de datos se enfocaban en la completitud.
- Ghalavand et al. identifica la completitud como una de las tres dimensiones más utilizadas en la literatura, junto con la exactitud y la oportunidad.
Esta dependencia de una sola métrica simplifica en exceso un problema complejo y puede llevar a una falsa sensación de calidad, ignorando otros aspectos críticos como la exactitud, la consistencia o la validez de los datos.
3. Reconocimiento de la Multidimensionalidad vs. la Práctica Real
Aunque en la práctica el enfoque es limitado, los tres estudios reconocen que, a nivel conceptual, la calidad de los datos es un fenómeno multidimensional.
- Ghalavand et al. ofrece la evidencia más clara de esto al identificar 14 dimensiones comunes de calidad de datos, como exactitud, consistencia, seguridad, oportunidad, fiabilidad y accesibilidad, entre otras.
- Lighterness et al. utiliza el marco de DAMA para estandarizar su análisis, que también incluye múltiples dimensiones como validez, consistencia y unicidad.
- Biancone et al. aunque no enumera un conjunto fijo, aboga por un análisis que vaya más allá de la completitud e integre la coherencia interna y externa de los datos.
La convergencia aquí muestra una brecha significativa entre la comprensión teórica de que la calidad de los datos es multidimensional y la aplicación práctica, que sigue siendo mayoritariamente unidimensional.
4. El Camino a Seguir: Un Llamado Unificado a la Estandarización y a Marcos de Trabajo
Frente a este diagnóstico compartido, las recomendaciones de los tres estudios apuntan en la misma dirección: la necesidad urgente de adoptar marcos de trabajo y metodologías estandarizadas.
- Ghalavand et al. concluye que, debido a la inconsistencia, es “imperativo categorizar las dimensiones de la calidad de los datos en un conjunto limitado de dimensiones primarias” para guiar el campo.
- Lighterness et al. hace un llamado explícito a la adopción de “guías estandarizadas”, sugiriendo marcos como DAMA para la evaluación de la calidad y ciclos de mejora como PDSA para la implementación de intervenciones. También subraya la importancia del análisis de la causa raíz, un componente clave de cualquier marco de mejora estructurado.
- Biancone et al. enfatiza la necesidad de un proceso sistemático que vaya desde la catalogación inicial en bases de datos hasta la verificación de indicadores y la implementación de acciones correctivas coordinadas.
En resumen, la narrativa que emerge de estos tres estudios es la de un campo que, a lo largo de cinco años, ha solidificado su entendimiento de un problema central. Lo que en el 2019 se perfilaba como una necesidad de mayor rigor, en 2024 se ha consolidado como un llamado urgente a la estandarización para superar la heterogeneidad que impide el progreso sistemático en la mejora de la calidad de los datos de salud.