DHIS2 Datenqualität: Häufige Probleme und deren Behebung

Die Verbesserung der Datenqualität von Impfdaten von 54 % auf 81 % in allen Meldeeinheiten der WHO-Polio-Programme resultierte nicht aus der Schulung von Gesundheitsmitarbeitern, Daten sorgfältiger einzugeben. Sie entstand durch die Neugestaltung des Systems, sodass eine schlechte Datenqualität schwerer zu produzieren war als eine gute Datenqualität. Datenqualität ist ein Designproblem mit einer Designlösung.

Die sechs Dimensionen der Datenqualität in der Überwachung

Der Standardrahmen, der in WHO- und DHIS2-Datenqualitätsbewertungen verwendet wird, misst sechs Dimensionen:

Genauigkeit: Spiegelt der Datensatz die Ereignisse, die er darstellt, korrekt wider?
Vollständigkeit: Welcher Anteil der erwarteten Datenwerte wurde tatsächlich gemeldet?
Aktualität: Wurden die Daten innerhalb des erforderlichen Zeitrahmens eingereicht?
Konsistenz: Sind die Daten innerhalb eines Berichts und über Zeiträume hinweg intern konsistent?
Integrität: Wurden die Daten nach der Übermittlung geändert? Gibt es einen Audit-Trail?
Präzision: Erfasst der Datensatz genügend Granularität, um die erforderlichen Entscheidungen zu unterstützen?

Eine DHIS2-Datenqualitätsstrategie muss alle sechs Aspekte berücksichtigen, nicht nur den, der am einfachsten zu messen ist.

Ebene 1: Validierungsregeln am Eingabepunkt

Die kostengünstigste Qualitätssicherung ist die Prävention an der Quelle. Die Validierungsregeln-Engine von DHIS2 prüft logische Einschränkungen zum Zeitpunkt der Übermittlung und warnt den Datenerfassungsbeauftragten, bevor die Daten gespeichert werden.

Wesentliche Validierungsregeln für die Krankheitsüberwachung:

Bereichsprüfungen: Eine Einrichtung mit einer Einzugsbevölkerung von 5.000 kann nicht 10.000 ambulante Besuche in einem Monat melden. Legen Sie plausible Höchstwerte basierend auf der Größe der Einrichtung und historischen Daten fest.
Konsistenzprüfungen: Bestätigte Fälle dürfen die Anzahl der vermuteten Fälle nicht übersteigen. Laborbestätigte Fälle dürfen die Anzahl der entnommenen Proben nicht übersteigen.
Datumslogik (Tracker): Das Datum der Probenentnahme darf dem Registrierungsdatum nicht vorausgehen. Das Datum des Ergebnisses darf dem Untersuchungsdatum nicht vorausgehen.
Unterscheidung zwischen Null und fehlend: Konfigurieren Sie das Formular so, dass ein gemeldetes Null von einem leeren Feld unterschieden wird. Diese bedeuten für die Datenqualitätsanalyse sehr unterschiedliche Dinge.

Kalibrieren Sie Regeln sorgfältig – Regeln, die in 40 % der Fälle ausgelöst werden, sind Hindernisse, keine Kontrollen.

Ebene 2: Überwachung der Berichterstattungsvollständigkeit

Vollständigkeit ist eine Voraussetzung für die Interpretation jeder anderen Datenqualitätsmetrik. Ein Überwachungssystem, das niedrige Fallzahlen aufweist, kann eine wirklich geringe Übertragung oder 40 % fehlende Berichte widerspiegeln. Ohne Vollständigkeitsdaten sind diese Interpretationen nicht zu unterscheiden.

Definieren Sie erwartete Berichtseinheiten. Jede Einrichtung, von der erwartet wird, dass sie Berichte einreicht, muss im System vordefiniert sein.
Legen Sie Berichtszeiträume und Fristen fest. Verfolgen Sie, ob Berichte vor oder nach der Frist eingehen, als Aktualitätsmetrik.
Erstellen Sie das Vollständigkeits-Dashboard. Eine Einzelwertkarte, die den Prozentsatz der erwarteten eingegangenen Berichte anzeigt und grün/gelb/rot farbcodiert ist, sollte die erste Ansicht sein, die Überwachungsmanager jede Woche öffnen.
Automatisieren Sie Vollständigkeitserinnerungen. Konfigurieren Sie das Nachrichtensystem von DHIS2, um Fristerinnerungen an Einrichtungen zu senden, die noch nicht berichtet haben. Dieser einfache Schritt erhöhte die pünktliche Berichterstattung in den WHO-Polio-Programmen innerhalb von zwei Berichtszyklen von etwa 71 % auf 89 %.

Ebene 3: Struktur und Häufigkeit der Datenqualitätsprüfungen

Strukturieren Sie Datenqualitätsprüfungen auf drei Ebenen:

Prüfung auf Einrichtungsebene (monatlich): Ein Einrichtungsleiter überprüft die Daten des Vormonats auf unplausible Werte, unerklärliche Trends und Lücken in der Vollständigkeit. Die Ergebnisse werden innerhalb von zwei Wochen nach der Meldefrist an den Datenerfassungsbeauftragten der Einrichtung weitergegeben.
Prüfung auf LGA-Ebene (vierteljährlich): Vergleicht gemeldete Daten mit Quelldokumenten – Einrichtungsregistern, Falluntersuchungsformularen, Laborprotokollbüchern. Erstellt einen Datenqualitäts-Score für jeden Indikator in jeder Einrichtung.
Prüfung auf Landes- oder nationaler Ebene (halbjährlich): Eine übergreifende Prüfung, die systematische Muster identifiziert – LGAs, die konsistent übermelden, Einrichtungen, die immer genau an der Schwelle melden. Diese Muster weisen auf systemische Probleme hin, die über individuelle Einrichtungs Korrekturen hinausgehende Interventionen erfordern.

Verfolgen Sie den Datenqualitäts-Score für jeden Indikator im Zeitverlauf. Wenn sich die Qualität verbessert, dokumentieren Sie warum und replizieren Sie den Ansatz. Wenn sie abnimmt, identifizieren Sie wo und untersuchen Sie die Ursache.

Ebene 4: Datenqualitäts-Feedbackschleifen

Eine Datenqualitätsprüfung, die einen Bericht, aber kein Feedback erzeugt, führt zu keiner Verbesserung. Effektive Feedbackschleifen umfassen:

Melden Sie an Einrichtungen zurück, nicht nur aufwärts. Wenn eine Überprüfung Fehler identifiziert, sollte diese Einrichtung innerhalb von zwei Wochen ein spezifisches schriftliches Feedback erhalten, das den Indikator, den Zeitraum, das Problem und die erforderlichen Korrekturmaßnahmen angibt.
Anerkennung guter Datenqualität. Positive Anerkennung für Einrichtungen, die über mehrere Zyklen hinweg eine hohe Vollständigkeit und Genauigkeit aufrechterhalten, ist oft eine ausreichende Wertschätzung in der Programmkommunikation und funktioniert ohne finanzielle Anreize.
Verfolgen Sie Korrekturen. Überprüfen Sie, ob angeforderte Korrekturen vorgenommen wurden und ob die korrigierten Daten genau sind. Eine Feedbackschleife, die Korrekturen auslöst, die niemals überprüft werden, ist nur eine halbe Schleife.
Nutzen Sie Erkenntnisse zur Verbesserung von Formularen. Wenn derselbe Fehler konsistent in mehreren Einrichtungen auftritt, muss die Formular- oder Indikatordefinition überarbeitet werden, nicht nur die Datenkorrektur.

Das Datenqualitätsaudit: Ein Protokoll auf Feldebene

Für Programme, die formale Datenqualitätsaudits (Standard in WHO- und USAID-finanzierten Programmen) durchführen, sollte das Protokoll auf Feldebene Folgendes abdecken:

Überprüfung der Quelldokumente: Vergleichen Sie die in DHIS2 gemeldeten Daten mit Einrichtungsregistern und Untersuchungsformularen. Berechnen Sie die Diskrepanzrate – Prozentsatz der gemeldeten Werte, die um mehr als ±10 % von den Quelldokumenten abweichen.
Registervollständigkeit: Überprüfen Sie das Einrichtungsregister auf Vollständigkeit der erforderlichen Felder. Ein unvollständiges Register ist ein Datenqualitätsfehler vor der DHIS2-Eingabe.
Datenflussprüfung: Bestätigen Sie die Kette vom Quelldokument zur DHIS2-Eingabe. Wer überträgt Daten? Wie oft? Welche Überprüfung gibt es vor der Übermittlung?
Gegenprüfung mit unabhängigen Datenquellen: Vergleichen Sie die DHIS2-Fallzahlen mit Laboraufzeichnungen oder Krankenhausaufnahme registern. Erhebliche Abweichungen deuten entweder auf ein Vollständigkeitsproblem oder auf Bedenken hinsichtlich Datenmanipulation hin.

Wenn Datenqualität ein politisches Problem ist

Nicht alle Datenqualitätsprobleme sind technischer Natur. Gesundheitsmitarbeiter, die unter Druck stehen, Impfabdeckungsziele zu erreichen, melden möglicherweise über die tatsächliche Leistung hinaus. Überwachungsbeauftragte, die unter Druck stehen, die Kontrolle über Ausbrüche zu zeigen, melden möglicherweise Fälle unter. Dies sind Probleme der Programmsteuerung – Symptome, die durch Daten erkennbar sind (unplausible Werte, plötzliche Verbesserungen ohne Feldbeweise), aber durch Ergebnissysteme verursacht werden, die die gemeldete Leistung über die tatsächliche Leistung belohnen.

Ein Programm, das ehrliche Daten zu einem kämpfenden Programm produziert, ist weiter vom Einfluss entfernt als eines, das ehrliche Daten zu einem leistungsstarken Programm produziert – aber es ist näher an der evidenzbasierten Kurskorrektur, die letztendlich Ergebnisse liefern wird. Das ist der Kern der Verantwortlichkeit im M&E-Design.

Weiterlesen

Häufig gestellte Fragen

Was verursacht eine schlechte Datenqualität in DHIS2?

Die häufigsten Ursachen sind Transkriptionsfehler bei der manuellen Dateneingabe, fehlende Werte von Einrichtungen, die nicht gemeldet haben, doppelte Datensätze von Mitarbeitern, die denselben Bericht zweimal eingegeben haben, und falsche Periodenzuordnung, wenn Daten eines Monats unter einem anderen eingegeben werden. Systemkonfigurationsfehler, wie z. B. falsche Validierungsregeln oder falsch codierte Organisationseinheiten, verstärken diese Probleme im großen Maßstab.

Wie überprüft man die Datenqualität in DHIS2?

DHIS2 verfügt über ein integriertes Datenqualitätsmodul, das Validierungsregeln ausführt, Ausreißer prüft und Vollständigkeits- und Aktualitätsberichte erstellt. Über die integrierten Tools hinaus verwenden Analysten Pivot-Tabellen und den Datenvisualisierer, um erwartete versus gemeldete Werte zu vergleichen, unplausible Sprünge zwischen Perioden zu identifizieren und Indikatoren zu kreuztabulieren, die sich zusammen bewegen sollten. Externe Audits beinhalten den Besuch von Berichtseinrichtungen und den Abgleich von Papier-Zähllisten mit den in DHIS2 eingegebenen Daten.

Was ist eine DHIS2-Validierungsregel?

Eine DHIS2-Validierungsregel ist eine logische Bedingung, die zwei Datenwerte vergleicht und die Beziehung als Warnung oder Verletzung kennzeichnet, wenn die Bedingung nicht erfüllt ist. Eine typische Regel könnte überprüfen, ob die Anzahl der Kinder, die eine zweite Polio-Dosis erhalten haben, die Anzahl derer, die eine erste Dosis erhalten haben, nicht überschreitet. Validierungsregeln werden während der Dateneingabe oder im Batch über das Datenqualitätsmodul ausgeführt und erstellen einen Verletzungsbericht zur Nachverfolgung.

Was ist Datenvollständigkeit in DHIS2?

Die Datenvollständigkeit in DHIS2 misst den Prozentsatz der erwarteten Berichte, die innerhalb eines bestimmten Zeitraums tatsächlich eingereicht wurden. Eine Vollständigkeitsrate unter 80 % wird im Allgemeinen als Datenqualitätsrisiko angesehen, da fehlende Einrichtungen Lücken verursachen, die aggregierte Statistiken verzerren. DHIS2 berechnet die Vollständigkeit automatisch, wenn die erwarteten Berichtszahlen auf jeder Organisationseinheitsebene konfiguriert sind.

DHIS2 Datenqualität: Wie man Systeme aufbaut, die zuverlässige Daten produzieren