క్లినికల్ డేటా నాణ్యత: వైద్య రంగంలో AI శుభ్రమైన రికార్డులతోనే ఎందుకు మొదలవుతుంది

వైద్య రంగంలో కృత్రిమ మేధ (AI) గురించిన ప్రతి వాగ్దానం, బయటికి చాలా అరుదుగా చెప్పే ఒక ఊహపై ఆధారపడి ఉంటుంది: అది చదివే రికార్డులు సరైనవి అన్నదే ఆ ఊహ. నోట్ ముసాయిదాను రాసే స్క్రైబ్ (scribe), పరిస్థితి క్షీణిస్తున్న రోగిని గుర్తించి సూచించే మోడల్ (model), వేలాది మంది రోగుల్లో రెండు చికిత్సలను పోల్చే అధ్యయనం: వీటిలో ప్రతిదీ దాని కింద ఉన్న డేటా (data) ఎంత మంచిదో అంతే మంచిది.

చాలా ఆసుపత్రుల్లో ఆ డేటా ఎవరూ అనుకునే దానికంటే అధ్వానంగా ఉంటుంది, దాన్ని ఎవరూ కొలిచి చూడలేదు. క్లినికల్ డేటా నాణ్యత అంటే ఏమిటి, దాన్ని ఎలా కొలవాలి, భారతీయ ఆసుపత్రులు, క్లినిక్‌లలో అది ఎక్కడ తప్పుతుంది, దాన్ని మూలంలోనే ఎలా సరిచేయాలి అనే విషయాలను ఈ వ్యాసం వివరిస్తుంది.

క్లినికల్ రికార్డులకు “డేటా నాణ్యత” అంటే ఏమిటి

ఎలక్ట్రానిక్ హెల్త్ రికార్డ్ (electronic health record, EHR) డేటాను అధ్యయనం చేసే పరిశోధకులు ఈ భావనను స్పష్టంగా నిర్వచించడానికి ప్రయత్నించారు. 2013లో Weiskopf, Weng రాసిన, విస్తృతంగా ఉదహరించే ఒక సమీక్ష 95 అధ్యయనాలను పరిశీలించింది, వాటిలో వాడుకలో ఉన్న 27 వేర్వేరు పదాలను గుర్తించింది, వాటిని ఐదు కోణాలకు కుదించింది:

• సంపూర్ణత (Completeness): రోగి గురించి రికార్డులో ఉండాల్సిన ఒక వాస్తవం నిజంగా అందులో ఉందా?
• సరైనత (Correctness): నమోదైనది నిజమేనా?
• పొంతన (Concordance): రికార్డులోని భాగాలు ఒకదానితో ఒకటి, ఇతర మూలాలతో పొంతన కుదురుతున్నాయా?
• నమ్మదగినతనం (Plausibility): మనకు తెలిసిన మిగతా అన్నిటినీ బట్టి చూస్తే, ఒక విలువ అర్థవంతంగా ఉందా?
• తాజాదనం (Currency): రికార్డు తాను చెప్పుకునే సమయంలో రోగి ఉన్న స్థితినే చూపిస్తోందా?

తర్వాత 2016లో Kahn, ఆయన సహచరులు రూపొందించిన ఒక ఫ్రేమ్‌వర్క్ (framework), తనిఖీలను మూడు రకాలుగా విభజించింది. మీరు నిజంగా చేసి చూడగలిగే పరీక్షలకు ఇవి చక్కగా సరిపోతాయి:

• అనుగుణత (Conformance): విలువలు ఆశించిన ఫార్మాట్, కోడ్ సెట్, సంబంధాలను పాటిస్తున్నాయా? తేదీగానే ఉన్న ఒక తేదీ, చెల్లుబాటయ్యే ICD-10 కోడ్ అయిన ఒక రోగ నిర్ధారణ, నిజంగా ఉన్న ఒక ఆర్డర్‌కు జోడించిన ల్యాబ్ ఫలితం.
• సంపూర్ణత (Completeness): ఒక ఫీల్డ్‌ను అసలు ఎంత తరచుగా నింపుతున్నారు?
• నమ్మదగినతనం (Plausibility): విలువలు నమ్మశక్యంగా ఉన్నాయా? 720 పల్స్, అడ్మిషన్‌కు ముందే డిశ్చార్జ్, గర్భిణిగా నమోదైన ఒక పురుషుడు.

అదే పత్రం తనిఖీ (verification: మీ సొంత నియమాలు, అంచనాలతో డేటాను సరిచూడటం), ధ్రువీకరణ (validation: కాగితపు కేస్ నోట్స్ లేదా మరో సిస్టమ్ వంటి బయటి ఆధారంతో సరిచూడటం) అనే రెండింటినీ వేరు చేస్తుంది. రెండూ అవసరమే. తనిఖీ చౌకైనది, దానంతట అదే జరుగుతుంది; ధ్రువీకరణ నెమ్మదిగా జరుగుతుంది, నియమాలు పట్టుకోలేని వాటిని పట్టుకుంటుంది.

క్లినికల్ డేటా ఎక్కడ తప్పుతుంది

చాలా సమస్యలు సాధారణమైనవే, చాలావరకు నమోదు చేసే క్షణంలోనే జరుగుతాయి.

కాగితం, స్వేచ్ఛా పాఠ్యం (free text). ఒక వాక్యంలా రాసిన రోగ నిర్ధారణ, ఫోటో తీసిన ప్రిస్క్రిప్షన్, స్కాన్ చేసిన డిశ్చార్జ్ సారాంశం. మనిషి చదవగలరు, కానీ ఒక క్వెరీకి (query) అవి కనిపించవు.

ఒకే రోగి రెండుసార్లు. ఒక రోగి మార్చిలో “ఎస్. కుమార్” అని, జూన్‌లో కొత్త ఫోన్ నంబర్‌తో “సురేష్ కుమార్” అని నమోదవుతారు. వారి వైద్య చరిత్ర రెండు రికార్డులుగా చీలిపోతుంది, వాటిలో దేన్ని చూసినా సగమే కనిపిస్తుంది.

యూనిట్లు, దశాంశ పొరపాట్లు. కిలోగ్రాముల ఫీల్డ్‌లో పౌండ్లలో రాసిన బరువు, 2.50 అనుకున్న చోట 250 అని నమోదైన లెన్స్ పవర్, ల్యాబ్ 11.5 g/dL అని చెబుతుంటే 115 అని నమోదు చేసిన హిమోగ్లోబిన్.

వదులైన కోడింగ్. సరైన ICD-10 కోడ్‌ను వెతకడానికి సమయం పడుతుంది, అందుకే అంతకంటే అస్పష్టమైన కోడ్‌ను ఎంచుకుంటారు, లేదా అసలు ఏదీ ఎంచుకోరు. బ్రిటన్‌లో (UK) జరిగిన 32 అధ్యయనాల క్రమబద్ధ సమీక్ష ప్రకారం, కేస్ నోట్స్‌తో పోల్చి చూసినప్పుడు రోగ నిర్ధారణ కోడింగ్ మధ్యగత (median) ఖచ్చితత్వం 80.3%; విడివిడి అధ్యయనాల్లో ఇది 50.5% నుంచి 97.8% వరకు ఉంది. ఆసుపత్రులకు అందే చెల్లింపులు దానిపై ఆధారపడటం మొదలయ్యాక ఖచ్చితత్వం బాగా పెరిగింది; కోడింగ్ మెరుగుపడటానికి ఏది దోహదపడుతుందో దీని నుంచి కొంత తెలుస్తుంది. భారతీయ ఆసుపత్రుల్లో డిశ్చార్జ్ కోడింగ్‌కు సంబంధించి ఇలాంటి ప్రచురిత గణాంకం ఏదీ మాకు తెలియదు. కానీ ఉత్తర భారతదేశంలోని ఒక టెర్షియరీ (tertiary) ఆసుపత్రిలో 2025లో జరిగిన ఒక అధ్యయనంలో, 1,147 మరణ కారణ ధ్రువపత్రాల్లో 10లో దాదాపు 1 మాత్రమే సరిగ్గా నింపినట్లు తేలింది.

కాపీ-ఫార్వర్డ్ (copy-forward). కొత్తగా రాయడం కంటే త్వరగా అవుతుంది కాబట్టి, నిన్నటి పరీక్ష వివరాలను ఈ రోజు నోట్‌లోకి అలాగే తెచ్చేస్తారు. రికార్డు పూర్తిగా కనిపిస్తుంది, కానీ పాతబడిపోయి ఉంటుంది.

నమోదు కాని ’లేదు’లు. ఫీల్డ్ ఊరికే ఖాళీగా ఉన్నప్పుడు, “తెలిసిన అలర్జీలు ఏవీ లేవు”, “అలర్జీల గురించి అడగలేదు” అనేవి రెండూ ఒకేలా కనిపిస్తాయి.

దాన్ని ఎలా కొలవాలి

మీరు కొలవని దాన్ని సరిచేయలేరు, మొదలుపెట్టడానికి మీకు డేటా వేర్‌హౌస్ (data warehouse) అవసరం లేదు. మీకు ముఖ్యమైన ఉపయోగాన్ని ఎంచుకోండి, తర్వాత ఆ ఉపయోగం ఆధారపడే కొన్ని ఫీల్డ్‌లను ఎంచుకోండి, ఆ తర్వాత ఇవి కొలవండి:

1. సంపూర్ణత: ప్రతి ముఖ్యమైన ఫీల్డ్ నింపిన విజిట్‌ల నిష్పత్తి: అలర్జీలు, వైటల్స్, రోగ నిర్ధారణ, మందులు, ఫాలో-అప్ తేదీ.
2. అనుగుణత: చెల్లుబాటయ్యే ICD-10 కోడ్‌లుగా ఉన్న రోగ నిర్ధారణల నిష్పత్తి, ప్రామాణిక కోడ్‌కు అనుసంధానించిన ల్యాబ్ పరీక్షలు, పరిధిలో ఉన్న తేదీలు, FHIR ధ్రువీకరణ సాధనంలో (validator) ఉత్తీర్ణమయ్యే రికార్డులు.
3. నమ్మదగినతనం: క్లినికల్ పరిధులకు బయట ఉన్న విలువలు, అసాధ్యమైన తేదీల వరుసలు, తప్పు లింగం ఉన్న రోగిపై నమోదైన రోగ నిర్ధారణ వంటి వైరుధ్యాలు.
4. డూప్లికేట్‌లు: ఒకే ఫోన్ నంబర్, దాదాపు ఒకే పేరు ఉన్న రోగులు, లేదా ఒకే పేరు, ఒకే పుట్టిన తేదీ ఉన్నవారు.
5. కోడింగ్ ఖచ్చితత్వం: కోడ్ చేసిన రోగ నిర్ధారణల్లో ఒక నమూనాను, ఆ స్పెషాలిటీ తెలిసిన వ్యక్తి నోట్స్‌తో పోల్చి తనిఖీ చేయడం.
6. సకాలత (Timeliness): విజిట్ తర్వాత ఎంత సమయానికి రికార్డు పూర్తవుతుంది.

ప్రారంభ స్థాయిని (baseline) తెలుసుకోవడానికి ఒకసారి ఇది చేయండి, తర్వాత ఒక నిర్ణీత షెడ్యూల్ ప్రకారం మళ్లీ చేయండి. మళ్లీ ఎప్పుడూ కొలవని సంఖ్య మెరుగుపడదు.

మూలంలోనే సరిచేయండి

జరిగిపోయిన తర్వాత డేటాను శుభ్రం చేయడం నెమ్మదైన పని, తరచూ అసాధ్యం కూడా, ఎందుకంటే అప్పటికి సరైన విలువ ఏమిటో ఎవరికీ గుర్తుండదు. తక్కువ ఖర్చుతో అయ్యే పరిష్కారం, సరైన నమోదునే సులువైనదిగా మార్చడం:

• నిర్మాణాత్మక ఫీల్డ్‌లు (structured fields), తర్వాత లెక్కించాల్సిన వాటి కోసం: రోగ నిర్ధారణలు, మందులు, వైటల్స్, ఫలితాలు.
• ఎంపిక జాబితాలు, సెర్చ్, రోగ నిర్ధారణలు, మందుల కోసం; లోపల ప్రామాణిక కోడ్‌లకు అనుసంధానమై ఉంటాయి. దాంతో డాక్టర్ “టైప్ 2 డయాబెటిస్” అని ఎంచుకుంటే, రికార్డులో దాని కోడ్ నమోదవుతుంది.
• అడ్డుకోకుండా హెచ్చరించే పరిధి తనిఖీలు. సాధారణ పరిధికి బయట ఉన్న విలువను గుర్తించి చూపాలి, దశాంశ పొరపాటు అయి ఉండొచ్చనిపించే దానికి సవరణను సూచించాలి, కానీ నిజంగానే తీవ్రంగా ఉన్న విలువను కూడా నమోదు చేయగలగాలి. అత్యవసర పరిస్థితిని నమోదు చేయడానికి దాటవేయాల్సి వచ్చే తనిఖీని, అలవాటుగా దాటవేస్తారు.
• రిజిస్ట్రేషన్ సమయంలోనే డూప్లికేట్ తనిఖీ. ఒక ఫోన్ నంబర్ ఇప్పటికే ఒక రోగిది అయితే, కొత్త రికార్డు సృష్టించే ముందు ఇది అదే వ్యక్తా అని అడగండి.
• స్పష్టమైన ‘లేదు’. “తెలిసిన అలర్జీలు ఏవీ లేవు” అనేది ఖాళీ ఫీల్డ్‌కు భిన్నంగా, ఒక ఎంపికగా ఉండాలి.
• జాడ వదిలే సవరణలు. ఒక రికార్డు తప్పుగా ఉంటే, దాని మీద తిరగరాయకుండా, కారణంతో సహా సవరించి, అసలు రికార్డును అలాగే ఉంచండి. మిగతావాటిని నమ్మడానికి ఆ జాడే వీలు కల్పిస్తుంది.
• సరిహద్దుల్లో ప్రమాణాలు. LOINCకి కోడ్ చేసిన ల్యాబ్ ఫలితాలు, FHIR రూపంలో మార్పిడి చేసే డేటా, బయటికి వెళ్లే ముందే దాని ధ్రువీకరణ.

డేటా నాణ్యత, AI

AI తనదైన రెండు సమస్యలను జోడిస్తుంది.

మొదటిది, ఒక మోడల్ తన శిక్షణ డేటాను (training data) వారసత్వంగా పొందుతుంది. కొందరు రోగుల గురించి తక్కువగా నమోదై ఉంటే, లేదా కొన్ని రోగ నిర్ధారణలను వదులుగా కోడ్ చేసి ఉంటే, మోడల్ ఆ లోపాలనే నేర్చుకుంటుంది.

రెండోది, ఒక ఆసుపత్రి డేటాతో తయారైన మోడల్ మరో ఆసుపత్రి డేటాపై విఫలం కావచ్చు. దీనికి విస్తృతంగా ఉదహరించే ఒక ఉదాహరణ, అమెరికాలోని (US) అనేక ఆసుపత్రుల్లో వాడే ఒక సెప్సిస్ (sepsis) అంచనా మోడల్: Michigan Medicineలో 38,455 ఆసుపత్రి బసలపై పరీక్షించినప్పుడు, అది సెప్సిస్ కేసుల్లో 67% గుర్తించలేకపోయింది, అదే సమయంలో మొత్తం రోగుల్లో 18% మందిపై హెచ్చరిక ఇచ్చింది. దీనికి కారణాల్లో డేటా నాణ్యత కూడా ఒకటి: విషయాలు ఎలా, ఎప్పుడు నమోదవుతాయనే దానిలోని తేడాలు, మోడల్ చూసేదాన్నే మార్చేస్తాయి.

అందుకే ఏ AI సాధనంపైనైనా ఆధారపడే ముందు, దాన్ని ఏ డేటాతో తయారు చేసి పరీక్షించారో అడగండి, మీ సొంత రికార్డుల్లోని ఒక నమూనాపై దాన్ని పరీక్షించండి. వాడకం మొదలైన తర్వాత కూడా కొలుస్తూనే ఉండండి, ఎందుకంటే నమోదు చేసే అలవాట్లు మారుతుంటాయి.

డేటా నాణ్యత చెక్‌లిస్ట్

1. మీరు అనుకుంటున్న ఉపయోగానికి ముఖ్యమైన ఫీల్డ్‌లను ఎంచుకున్నారా?
2. ఈ రోజు వాటిలో ప్రతిదీ ఎంత పూర్తిగా ఉందో మీకు తెలుసా?
3. రోగ నిర్ధారణలను ICD-10లో కోడ్ చేస్తున్నారా, ల్యాబ్ పరీక్షలు LOINCకి అనుసంధానమై ఉన్నాయా?
4. పరిధి తనిఖీలు నమ్మశక్యం కాని విలువలపై హెచ్చరిస్తున్నాయా, దశాంశ పొరపాట్లు అయి ఉండొచ్చనిపించే వాటికి సవరణ సూచిస్తున్నాయా?
5. రిజిస్ట్రేషన్ సమయంలో డూప్లికేట్ రోగి తనిఖీ ఉందా?
6. “అడగలేదు” అనే దానికి వేరుగా, “ఏదీ లేదు” అని స్పష్టంగా నమోదు చేయగలరా?
7. సవరణలను కారణంతో సహా, అసలు రికార్డును ఉంచుతూ చేస్తున్నారా?
8. ఈ ఏడాది ఎవరైనా కోడ్ చేసిన రోగ నిర్ధారణల్లో ఒక నమూనాను నోట్స్‌తో పోల్చి తనిఖీ చేశారా?
9. డేటాను పంచుకునే ముందు ధ్రువీకరిస్తున్నారా (ఉదాహరణకు FHIR ప్రకారం)?
10. మీరు కొలతలను ఒక నిర్ణీత షెడ్యూల్ ప్రకారం మళ్లీ చేస్తున్నారా, ఫలితాల బాధ్యత ఎవరైనా తీసుకుంటున్నారా?

92health ఎక్కడ సరిపోతుంది

92health అనేది భారత్‌లో క్లినిక్‌లు, ఆసుపత్రులు, ఫార్మసీలు, ల్యాబ్‌లు, కళ్లద్దాల దుకాణాలు ఉపయోగించే ఒక EMR, AI ప్లాట్‌ఫామ్. పైన ఉన్న చెక్‌లిస్ట్‌లో చాలా భాగం, అది చికిత్సను నమోదు చేసే విధానంలోనే అంతర్భాగంగా ఉంది:

• రోగ నిర్ధారణలను వెతకగలిగే జాబితాల నుంచి ఎంచుకుంటారు, వాటి ICD-10 కోడ్‌లతో సహా భద్రపరుస్తారు;
• కంటి ప్రాథమిక పరీక్షలో (work-up), సాధారణ పరిధికి బయట ఉన్న రీడింగ్‌ను గుర్తించి చూపిస్తుంది, దశాంశ పొరపాటు అయి ఉండొచ్చనిపించే దానికి సవరణను సూచిస్తుంది, నిజంగానే తీవ్రంగా ఉన్న విలువను అడ్డుకోకుండానే;
• ఇప్పటికే ఒక రోగికి చెందిన ఫోన్ నంబర్‌ను నమోదు చేస్తున్నప్పుడు, రెండో రికార్డు సృష్టించే ముందు ఇది అదే వ్యక్తా అని అడుగుతుంది;
• ల్యాబ్ ఫలితాలను పంచుకునే ముందు FHIR R4 రూపంలో ధ్రువీకరిస్తుంది;
• పొరపాటున నమోదైన రోగ నిర్ధారణను తొలగించకుండా, కారణంతో సహా ఉపసంహరిస్తుంది; కాగితం నుంచి తర్వాత నమోదు చేసిన రికార్డులను అలా అని గుర్తిస్తుంది.

తాము ఎక్కడ ఉన్నామో తెలుసుకోవాలనుకునే ఆసుపత్రుల కోసం, మా AI సన్నద్ధత పనిలో భాగంగా డేటా నాణ్యత సమీక్షలు నిర్వహిస్తాం: మీ రికార్డుల్లోని ఒక నమూనాను పైన చెప్పిన తనిఖీలతో కొలుస్తాం, ముందుగా ఏమి సరిచేయాలో రాతపూర్వక జాబితాను అందిస్తాం.

మూలాలు

• Weiskopf NG, Weng C. Methods and dimensions of electronic health record data quality assessment: enabling reuse for clinical research. JAMIA, 2013;20(1):144-151. doi:10.1136/amiajnl-2011-000681
• Kahn MG et al. A harmonized data quality assessment terminology and framework for the secondary use of electronic health record data. eGEMs, 2016;4(1):1244. doi:10.13063/2327-9214.1244
• Burns EM et al. Systematic review of discharge coding accuracy. Journal of Public Health, 2012;34(1):138-148. doi:10.1093/pubmed/fdr054
• Srinivasan K et al. The final diagnosis: evaluating errors in cause-of-death reporting. Cureus, 2025;17:e82785. doi:10.7759/cureus.82785
• Wong A et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Internal Medicine, 2021. doi:10.1001/jamainternmed.2021.2626