Un enfoque basado en datos para abordar las disparidades raciales en los resultados de la atención médica
Por Karthik Sivashanker, Tam Duong, Shauna Ford, Cheryl Clark y Sunil Eappen
Demografía
Harvard Business Review
Ahora es bien sabido que la pandemia de Covid-19 está afectando desproporcionadamente a las comunidades negras, indígenas y otras comunidades desfavorecidas en los Estados Unidos. Sin embargo, en la neblina de la crisis, nuestra comprensión de esta inequidad se retrasó y sigue siendo limitada porque muchas instituciones de atención médica, así como los gobiernos estatales y federales, tardaron en capturar información demográfica sobre los pacientes de Covid-19. Esta omisión es un ejemplo sorprendente de cómo el daltonismo y el racismo estructural se manifiestan en nuestros enfoques de la ciencia de datos en el cuidado de la salud y más allá.
Los estudios muestran que los individuos no hispanoamericanos, nativos de Alaska y negros tenían cinco veces más probabilidades, y los individuos latinx cuatro veces más, de ser hospitalizados por Covid-19 que los blancos no hispanos, después del ajuste por edad. Los pacientes negros también mueren a tasas mucho más altas. Por ejemplo, los condados donde más del 86% de los residentes son negros experimentaron tasas de mortalidad hasta 10 veces más altas de Covid-19. Tendencias similares de infección, hospitalización y mortalidad inevitablemente surgirán también por etnia, idioma, ingresos y estado del seguro, lo que refleja diferencias injustas y sistemáticas en el acceso a condiciones de vida y trabajo saludables.
En Brigham Health, miembro del sistema de salud Mass General Brigham sin fines de lucro (anteriormente Partners HealthCare), desarrollamos proactivamente una infraestructura de datos robusta para comprender el impacto diferencial de Covid-19 en nuestros pacientes y personal; datos visualizados a través de paneles para informar las operaciones e infraestructura de nuestro hospital; y usó estos datos para diseñar estrategias de alto impacto para reducir el daño causado por el racismo y otras formas de discriminación estructural. Hemos esbozado algunas lecciones clave aprendidas a lo largo de este proceso.
Concéntrese en algunas medidas viables clave
Anticipando estas tendencias al comienzo de la pandemia, Brigham Health convocó a líderes clínicos y hospitalarios en diversidad, equidad e inclusión (DE&I), mejora de la calidad y ciencia de datos para desarrollar una estrategia de datos de equidad para informar y guiar nuestra respuesta de comando de incidentes. Para evitar la sobrecarga de información, nuestro equipo trabajó con líderes operativos para enfocarse en algunas medidas procesables clave que se alinearon con las prioridades de la organización, como garantizar el acceso equitativo a recursos escasos como ventiladores y camas de UCI.
Comenzamos visualizando nuestros datos utilizando gráficos y cuadros a los que el personal y los líderes podían acceder a través del software en línea. Estos "paneles" incluyeron medidas como la tasa de aquellos que dieron positivo para Covid-19, clasificados (es decir, estratificados) en diferentes subgrupos, como raza, origen étnico, idioma, sexo, estado del seguro, ubicación geográfica y trabajador de la salud. estado. A medida que la crisis evolucionó, agregamos otras medidas a los paneles, como el censo de pacientes hospitalizados y de la UCI, muertes y altas.
Demografía
Harvard Business Review
Ahora es bien sabido que la pandemia de Covid-19 está afectando desproporcionadamente a las comunidades negras, indígenas y otras comunidades desfavorecidas en los Estados Unidos. Sin embargo, en la neblina de la crisis, nuestra comprensión de esta inequidad se retrasó y sigue siendo limitada porque muchas instituciones de atención médica, así como los gobiernos estatales y federales, tardaron en capturar información demográfica sobre los pacientes de Covid-19. Esta omisión es un ejemplo sorprendente de cómo el daltonismo y el racismo estructural se manifiestan en nuestros enfoques de la ciencia de datos en el cuidado de la salud y más allá.
Los estudios muestran que los individuos no hispanoamericanos, nativos de Alaska y negros tenían cinco veces más probabilidades, y los individuos latinx cuatro veces más, de ser hospitalizados por Covid-19 que los blancos no hispanos, después del ajuste por edad. Los pacientes negros también mueren a tasas mucho más altas. Por ejemplo, los condados donde más del 86% de los residentes son negros experimentaron tasas de mortalidad hasta 10 veces más altas de Covid-19. Tendencias similares de infección, hospitalización y mortalidad inevitablemente surgirán también por etnia, idioma, ingresos y estado del seguro, lo que refleja diferencias injustas y sistemáticas en el acceso a condiciones de vida y trabajo saludables.
En Brigham Health, miembro del sistema de salud Mass General Brigham sin fines de lucro (anteriormente Partners HealthCare), desarrollamos proactivamente una infraestructura de datos robusta para comprender el impacto diferencial de Covid-19 en nuestros pacientes y personal; datos visualizados a través de paneles para informar las operaciones e infraestructura de nuestro hospital; y usó estos datos para diseñar estrategias de alto impacto para reducir el daño causado por el racismo y otras formas de discriminación estructural. Hemos esbozado algunas lecciones clave aprendidas a lo largo de este proceso.
Concéntrese en algunas medidas viables clave
Anticipando estas tendencias al comienzo de la pandemia, Brigham Health convocó a líderes clínicos y hospitalarios en diversidad, equidad e inclusión (DE&I), mejora de la calidad y ciencia de datos para desarrollar una estrategia de datos de equidad para informar y guiar nuestra respuesta de comando de incidentes. Para evitar la sobrecarga de información, nuestro equipo trabajó con líderes operativos para enfocarse en algunas medidas procesables clave que se alinearon con las prioridades de la organización, como garantizar el acceso equitativo a recursos escasos como ventiladores y camas de UCI.
Comenzamos visualizando nuestros datos utilizando gráficos y cuadros a los que el personal y los líderes podían acceder a través del software en línea. Estos "paneles" incluyeron medidas como la tasa de aquellos que dieron positivo para Covid-19, clasificados (es decir, estratificados) en diferentes subgrupos, como raza, origen étnico, idioma, sexo, estado del seguro, ubicación geográfica y trabajador de la salud. estado. A medida que la crisis evolucionó, agregamos otras medidas a los paneles, como el censo de pacientes hospitalizados y de la UCI, muertes y altas.
Examinar datos a través de la lente de "Interseccionalidad"
Críticamente, incorporamos el uso de filtros, lo que hizo posible examinar el efecto 'interseccional' de Covid-19, un marco creado por Kimberlé Crenshaw que describe cómo las múltiples identidades sociales y políticas dentro de un individuo se superponen e interactúan para crear una mayor opresión para algunos grupos de personas debido a la combinación de identidades (por ejemplo, ser negro y una mujer). En el pasado, examinaríamos cómo Covid-19 impactaba de manera diferencial a los negros contra los blancos o los hombres contra las mujeres. El uso de filtros nos permitió ir más allá y comprender el impacto diferencial de Covid-19 en los hombres negros en comparación con las mujeres negras, los hombres blancos y las mujeres blancas.
Este enfoque poderoso y subutilizado reveló inequidades que de otro modo habrían permanecido ocultas. Por ejemplo, descubrimos que los pacientes hispanos que no hablan inglés morían a tasas más altas que los pacientes hispanos de habla inglesa. Otros análisis de ajuste de riesgo confirmaron el hallazgo y condujeron a esfuerzos de mejora de la calidad para mejorar el acceso del paciente a los intérpretes de idiomas.
De manera similar, el filtro geográfico, combinado con un mapa visual de las tasas de infección por vecindario, descubrió diferencias en las tasas que las personas dieron positivo para Covid-19 por vecindario. Históricamente, los barrios de color segregados y con líneas rojas se probaron a tasas más bajas, pero dieron positivo a tasas más altas en comparación con los barrios blancos más ricos. Este hallazgo se vio reforzado por los datos a nivel del sistema general y estatal de Brigham y las observaciones locales y el conocimiento que indica el mismo patrón. Como resultado, Brigham Health contrató a socios de la comunidad para establecer pruebas gratuitas de Covid-19 en vecindarios de puntos críticos; más de 5,800 residentes fueron evaluados durante tres meses. Estos centros de prueba de puntos críticos permitieron al personal realizar más de 7,500 exámenes de determinantes sociales de la salud para evaluar las necesidades a corto y largo plazo, que el hospital ayudó a abordar mediante la distribución a los residentes de máscaras, alimentos, tarjetas de regalo de comestibles y artículos esenciales como pañales y toallitas.
Críticamente, incorporamos el uso de filtros, lo que hizo posible examinar el efecto 'interseccional' de Covid-19, un marco creado por Kimberlé Crenshaw que describe cómo las múltiples identidades sociales y políticas dentro de un individuo se superponen e interactúan para crear una mayor opresión para algunos grupos de personas debido a la combinación de identidades (por ejemplo, ser negro y una mujer). En el pasado, examinaríamos cómo Covid-19 impactaba de manera diferencial a los negros contra los blancos o los hombres contra las mujeres. El uso de filtros nos permitió ir más allá y comprender el impacto diferencial de Covid-19 en los hombres negros en comparación con las mujeres negras, los hombres blancos y las mujeres blancas.
Este enfoque poderoso y subutilizado reveló inequidades que de otro modo habrían permanecido ocultas. Por ejemplo, descubrimos que los pacientes hispanos que no hablan inglés morían a tasas más altas que los pacientes hispanos de habla inglesa. Otros análisis de ajuste de riesgo confirmaron el hallazgo y condujeron a esfuerzos de mejora de la calidad para mejorar el acceso del paciente a los intérpretes de idiomas.
De manera similar, el filtro geográfico, combinado con un mapa visual de las tasas de infección por vecindario, descubrió diferencias en las tasas que las personas dieron positivo para Covid-19 por vecindario. Históricamente, los barrios de color segregados y con líneas rojas se probaron a tasas más bajas, pero dieron positivo a tasas más altas en comparación con los barrios blancos más ricos. Este hallazgo se vio reforzado por los datos a nivel del sistema general y estatal de Brigham y las observaciones locales y el conocimiento que indica el mismo patrón. Como resultado, Brigham Health contrató a socios de la comunidad para establecer pruebas gratuitas de Covid-19 en vecindarios de puntos críticos; más de 5,800 residentes fueron evaluados durante tres meses. Estos centros de prueba de puntos críticos permitieron al personal realizar más de 7,500 exámenes de determinantes sociales de la salud para evaluar las necesidades a corto y largo plazo, que el hospital ayudó a abordar mediante la distribución a los residentes de máscaras, alimentos, tarjetas de regalo de comestibles y artículos esenciales como pañales y toallitas.
Adaptar datos a la audiencia
Para los líderes del grupo de trabajo de preparación y respuesta ante emergencias (es decir, comando de incidentes), se compartieron intencionalmente menos (no más) datos para alentar la toma de decisiones eficientes y la acción focalizada. La medida principal destacada en el tablero de comando de incidentes para el liderazgo fue el porcentaje de personas que dieron positivo para Covid-19, estratificadas por raza, etnia e idioma. Esta medida fue seleccionada por los líderes de equidad de Covid-19 para servir como un recordatorio constante para el liderazgo de que ciertos grupos desfavorecidos estaban siendo desproporcionadamente afectados.
Por el contrario, el panel de instrumentos específicos de equidad creado para un comité Covid-19 centrado en la equidad contenía medidas adicionales de interés, como el censo de la UCI y la mortalidad. Además de la raza, el origen étnico y el idioma, este panel también permitió a los usuarios filtrar los datos por edad, sexo y tipo de seguro para empleados y pacientes. Esto permitió a los miembros del comité de equidad Covid-19 identificar y aumentar los riesgos emergentes para los líderes de comando de incidentes, como nuestro hallazgo de una mayor mortalidad entre los pacientes hispanos que no hablan inglés en comparación con los pacientes hispanos de habla inglesa.
Para los líderes del grupo de trabajo de preparación y respuesta ante emergencias (es decir, comando de incidentes), se compartieron intencionalmente menos (no más) datos para alentar la toma de decisiones eficientes y la acción focalizada. La medida principal destacada en el tablero de comando de incidentes para el liderazgo fue el porcentaje de personas que dieron positivo para Covid-19, estratificadas por raza, etnia e idioma. Esta medida fue seleccionada por los líderes de equidad de Covid-19 para servir como un recordatorio constante para el liderazgo de que ciertos grupos desfavorecidos estaban siendo desproporcionadamente afectados.
Por el contrario, el panel de instrumentos específicos de equidad creado para un comité Covid-19 centrado en la equidad contenía medidas adicionales de interés, como el censo de la UCI y la mortalidad. Además de la raza, el origen étnico y el idioma, este panel también permitió a los usuarios filtrar los datos por edad, sexo y tipo de seguro para empleados y pacientes. Esto permitió a los miembros del comité de equidad Covid-19 identificar y aumentar los riesgos emergentes para los líderes de comando de incidentes, como nuestro hallazgo de una mayor mortalidad entre los pacientes hispanos que no hablan inglés en comparación con los pacientes hispanos de habla inglesa.
No olvides los datos de los empleados
Los datos de Covid-19 sobre empleados se recopilaron y también se estratificaron por información demográfica. Esto descubrió una tendencia preocupante de que algunos grupos de empleados de primera línea, incluidos los servicios ambientales y de alimentos, la gestión de materiales, el transporte, la atención al paciente y los asistentes médicos, se sometieron a pruebas con menos frecuencia y resultaron positivas hasta 10 veces la tasa de grupos de empleados socioeconómicos más altos, como los médicos. y enfermeras. Al comparar los datos a nivel de empleados y de la comunidad y al entrevistar a aquellos con Covid-19 y sus contactos (es decir, el seguimiento de contactos), encontramos que la diferencia en las tasas de infección de Covid-19 entre los grupos de empleados reflejaba los patrones de transmisión en la comunidad.
Además, reconocimos que los medios de comunicación típicos utilizados en nuestras instituciones (correo electrónico, generalmente en inglés) no eran los mejores medios para llegar a esta cohorte de empleados. Como resultado, el liderazgo del hospital inició sesiones de salud y bienestar con pequeños grupos de empleados esenciales de primera línea que los conectaron con recursos de crisis, abordaron preguntas y preocupaciones, y facilitaron las pruebas oportunas para detectar síntomas. Expertos en diversidad, equidad e inclusión, calidad y seguridad, enfermedades infecciosas y recursos humanos participaron en estas sesiones, donde se entregaron materiales en cinco idiomas. Asistieron un total de más de 1,000 empleados.
Los datos de Covid-19 sobre empleados se recopilaron y también se estratificaron por información demográfica. Esto descubrió una tendencia preocupante de que algunos grupos de empleados de primera línea, incluidos los servicios ambientales y de alimentos, la gestión de materiales, el transporte, la atención al paciente y los asistentes médicos, se sometieron a pruebas con menos frecuencia y resultaron positivas hasta 10 veces la tasa de grupos de empleados socioeconómicos más altos, como los médicos. y enfermeras. Al comparar los datos a nivel de empleados y de la comunidad y al entrevistar a aquellos con Covid-19 y sus contactos (es decir, el seguimiento de contactos), encontramos que la diferencia en las tasas de infección de Covid-19 entre los grupos de empleados reflejaba los patrones de transmisión en la comunidad.
Además, reconocimos que los medios de comunicación típicos utilizados en nuestras instituciones (correo electrónico, generalmente en inglés) no eran los mejores medios para llegar a esta cohorte de empleados. Como resultado, el liderazgo del hospital inició sesiones de salud y bienestar con pequeños grupos de empleados esenciales de primera línea que los conectaron con recursos de crisis, abordaron preguntas y preocupaciones, y facilitaron las pruebas oportunas para detectar síntomas. Expertos en diversidad, equidad e inclusión, calidad y seguridad, enfermedades infecciosas y recursos humanos participaron en estas sesiones, donde se entregaron materiales en cinco idiomas. Asistieron un total de más de 1,000 empleados.
Utilice la infraestructura existente de calidad / seguridad para identificar las desigualdades
La investigación, la mejora de la calidad y los datos de seguridad también se recopilaron, rastrearon y ordenaron sistemáticamente según la demografía. Brigham Health fue un importante centro de investigación para investigar el beneficio potencial de Remdesivir para los pacientes ingresados con Covid-19. Nuestro equipo de comando de incidentes trabajó con nuestros investigadores para garantizar que los grupos desfavorecidos estuvieran totalmente representados en el estudio. Aproximadamente el 60% de los participantes de la investigación inscritos se identificaron como pacientes de color y más del 30% hablaban un idioma primario que no era inglés.
Por calidad y seguridad, recurrimos a nuestro sistema integrado de informes de calidad, seguridad y equidad para identificar posibles inequidades en la calidad de nuestra atención a través de informes de seguridad individuales. Rápidamente clasificamos los informes de seguridad para los pacientes de Covid-19, agregamos aquellos con temas comunes y gran agudeza, y presentamos inquietudes diariamente en el comando del incidente para la acción adecuada.
Por ejemplo, los proveedores clínicos de primera línea identificaron posibles barreras para acceder a los servicios de traducción para algunos pacientes hospitalizados con Covid-19. Algunos de estos proveedores también presentaron informes de seguridad, lo que llevó a revisiones de casos para identificar las causas raíz. A través de este proceso, descubrimos que nuestra política de Covid-19 para reducir el número de médicos que ingresan a las habitaciones de los pacientes, con el fin de mantener el distanciamiento social, dificultaba que los intérpretes se unieran al lado de la cama de los pacientes para el redondeo clínico de los pacientes. Como resultado, el liderazgo del comando de incidentes expandió rápidamente los servicios de traducción virtual al comprar iPads adicionales para permitir que los intérpretes y los pacientes se comuniquen a través del software en línea sin tener que estar cara a cara.
La investigación, la mejora de la calidad y los datos de seguridad también se recopilaron, rastrearon y ordenaron sistemáticamente según la demografía. Brigham Health fue un importante centro de investigación para investigar el beneficio potencial de Remdesivir para los pacientes ingresados con Covid-19. Nuestro equipo de comando de incidentes trabajó con nuestros investigadores para garantizar que los grupos desfavorecidos estuvieran totalmente representados en el estudio. Aproximadamente el 60% de los participantes de la investigación inscritos se identificaron como pacientes de color y más del 30% hablaban un idioma primario que no era inglés.
Por calidad y seguridad, recurrimos a nuestro sistema integrado de informes de calidad, seguridad y equidad para identificar posibles inequidades en la calidad de nuestra atención a través de informes de seguridad individuales. Rápidamente clasificamos los informes de seguridad para los pacientes de Covid-19, agregamos aquellos con temas comunes y gran agudeza, y presentamos inquietudes diariamente en el comando del incidente para la acción adecuada.
Por ejemplo, los proveedores clínicos de primera línea identificaron posibles barreras para acceder a los servicios de traducción para algunos pacientes hospitalizados con Covid-19. Algunos de estos proveedores también presentaron informes de seguridad, lo que llevó a revisiones de casos para identificar las causas raíz. A través de este proceso, descubrimos que nuestra política de Covid-19 para reducir el número de médicos que ingresan a las habitaciones de los pacientes, con el fin de mantener el distanciamiento social, dificultaba que los intérpretes se unieran al lado de la cama de los pacientes para el redondeo clínico de los pacientes. Como resultado, el liderazgo del comando de incidentes expandió rápidamente los servicios de traducción virtual al comprar iPads adicionales para permitir que los intérpretes y los pacientes se comuniquen a través del software en línea sin tener que estar cara a cara.
Desafíos y trampas comunes
Por supuesto, surgieron desafíos y limitaciones durante todo el proceso. Por ejemplo, la calidad y la integridad de los datos sobre discapacidad, orientación sexual e identidad de género eran relativamente desconocidos para nosotros al comienzo de la crisis. Antes de usar estos datos, primero necesitábamos analizar los datos para confirmar que se estaban registrando con precisión para la mayoría de los pacientes. Descubrimos que los datos sobre las discapacidades de los pacientes en nuestros registros médicos eran sorprendentemente completos y utilizables, mientras que los datos de orientación sexual e identidad de género estaban pobremente documentados. Desafortunadamente, el pico de la crisis había pasado cuando completamos nuestra evaluación de la calidad de los datos. Por lo tanto, nuestra capacidad para comprender y abordar las posibles inequidades para estos pacientes se retrasó significativamente.
También descubrimos que los datos a menudo fueron mal interpretados por personas que no estaban familiarizadas con la ciencia de datos, la equidad en salud o ambas. Esto requirió una vigilancia adicional sobre qué, cómo y con quién se compartieron los datos. Los datos más complicados fueron procesados primero por un grupo más pequeño de individuos con cierta experiencia en datos, mientras que los hallazgos más directos se pusieron a disposición de un público más amplio. Por ejemplo, el hallazgo de que las comunidades de color estaban dando resultados positivos para Covid-19 a tasas altas se entendió fácilmente y se comunicó a una gran audiencia; mientras que los problemas de los datos de ajuste de riesgos y la gestión de los desafíos, como la colinealidad y el sobreajuste, fueron resueltos por un grupo más pequeño y los resultados se compartieron cuidadosamente para evitar malentendidos.
La pandemia de Covid-19 ha sido un doloroso recordatorio de la urgente necesidad de abordar las inequidades en la atención médica y la preocupante falta de progreso que hemos logrado al hacerlo en las últimas décadas. Por ahora, la falta de un enfoque estandarizado para los datos de equidad y el fracaso de las agencias estatales y federales para recopilar e informar datos ordenados por factores demográficos significa que cada organización tendrá que tomar decisiones por sí misma sobre qué medir y por qué, cómo y cuándo medirlo, con quién compartirlo, dónde se almacena y cómo se visualiza. Sin embargo, este enfoque de "ir solo" no es sostenible. Se necesitan desesperadamente estándares universales, puntos de referencia claros y mejores prácticas para los datos y paneles de instrumentos de equidad si esperamos lograr un progreso real.
Si nuestro contenido gratuito lo ayuda a enfrentar estos desafíos, considere suscribirse a HBR. Una compra por suscripción es la mejor manera de apoyar la creación de estos recursos.
Karthik Sivashanker, MD, es el director médico de calidad, seguridad y equidad del Hospital Brigham and Women y psiquiatra capacitado en enlace de consulta en el Justice Resource Institute.
Tam Duong es gerente senior de proyectos e investigadora asociada en el Equipo de Innovación del Instituto para la Mejora de la Atención Médica.
Shauna Ford es analista senior de datos en el Hospital Brigham and Women.
Cheryl Clark, MD, es médica de medicina hospitalaria y epidemióloga social en Brigham Health.
Sunil Eappen, MD, es el director médico y vicepresidente senior de asuntos médicos de Brigham Health. Practica clínicamente como anestesiólogo obstétrico en el Hospital Brigham and Women.
Por supuesto, surgieron desafíos y limitaciones durante todo el proceso. Por ejemplo, la calidad y la integridad de los datos sobre discapacidad, orientación sexual e identidad de género eran relativamente desconocidos para nosotros al comienzo de la crisis. Antes de usar estos datos, primero necesitábamos analizar los datos para confirmar que se estaban registrando con precisión para la mayoría de los pacientes. Descubrimos que los datos sobre las discapacidades de los pacientes en nuestros registros médicos eran sorprendentemente completos y utilizables, mientras que los datos de orientación sexual e identidad de género estaban pobremente documentados. Desafortunadamente, el pico de la crisis había pasado cuando completamos nuestra evaluación de la calidad de los datos. Por lo tanto, nuestra capacidad para comprender y abordar las posibles inequidades para estos pacientes se retrasó significativamente.
También descubrimos que los datos a menudo fueron mal interpretados por personas que no estaban familiarizadas con la ciencia de datos, la equidad en salud o ambas. Esto requirió una vigilancia adicional sobre qué, cómo y con quién se compartieron los datos. Los datos más complicados fueron procesados primero por un grupo más pequeño de individuos con cierta experiencia en datos, mientras que los hallazgos más directos se pusieron a disposición de un público más amplio. Por ejemplo, el hallazgo de que las comunidades de color estaban dando resultados positivos para Covid-19 a tasas altas se entendió fácilmente y se comunicó a una gran audiencia; mientras que los problemas de los datos de ajuste de riesgos y la gestión de los desafíos, como la colinealidad y el sobreajuste, fueron resueltos por un grupo más pequeño y los resultados se compartieron cuidadosamente para evitar malentendidos.
La pandemia de Covid-19 ha sido un doloroso recordatorio de la urgente necesidad de abordar las inequidades en la atención médica y la preocupante falta de progreso que hemos logrado al hacerlo en las últimas décadas. Por ahora, la falta de un enfoque estandarizado para los datos de equidad y el fracaso de las agencias estatales y federales para recopilar e informar datos ordenados por factores demográficos significa que cada organización tendrá que tomar decisiones por sí misma sobre qué medir y por qué, cómo y cuándo medirlo, con quién compartirlo, dónde se almacena y cómo se visualiza. Sin embargo, este enfoque de "ir solo" no es sostenible. Se necesitan desesperadamente estándares universales, puntos de referencia claros y mejores prácticas para los datos y paneles de instrumentos de equidad si esperamos lograr un progreso real.
Si nuestro contenido gratuito lo ayuda a enfrentar estos desafíos, considere suscribirse a HBR. Una compra por suscripción es la mejor manera de apoyar la creación de estos recursos.
Karthik Sivashanker, MD, es el director médico de calidad, seguridad y equidad del Hospital Brigham and Women y psiquiatra capacitado en enlace de consulta en el Justice Resource Institute.
Tam Duong es gerente senior de proyectos e investigadora asociada en el Equipo de Innovación del Instituto para la Mejora de la Atención Médica.
Shauna Ford es analista senior de datos en el Hospital Brigham and Women.
Cheryl Clark, MD, es médica de medicina hospitalaria y epidemióloga social en Brigham Health.
Sunil Eappen, MD, es el director médico y vicepresidente senior de asuntos médicos de Brigham Health. Practica clínicamente como anestesiólogo obstétrico en el Hospital Brigham and Women.
No hay comentarios:
Publicar un comentario