Ich habe einen erheblichen Teil meiner Laufbahn mit Gesundheitsdaten verbracht: Überwachungsdaten, Programmmonitoringdaten, Evaluierungsdaten, administrative Gesundheitsdaten. Eine Sache habe ich gelernt: Daten interpretieren sich nicht von selbst. Die Bedeutung einer Zahl hängt vollständig davon ab, zu verstehen, was sie misst, wie sie gemessen wurde und was im Umfeld geschah, als die Messung stattfand.
Die gefährlichsten Datenfehler, die mir begegnet sind, wurden nicht durch Betrug oder Fahrlässigkeit verursacht. Sie entstanden durch kompetente Analystinnen und Analysten, die technisch einwandfreie Daten ohne ausreichenden Kontext interpretierten.
Ein Distrikt mit einer hohen Fallmelderate erkennt möglicherweise Krankheiten effizient. Oder er hat eine stärkere Meldekultur unter dem Gesundheitspersonal als benachbarte Distrikte. Oder er hat kürzlich eine Schulungsmaßnahme erhalten, die die Wachsamkeit vorübergehend erhöht hat. Oder er verfügt schlicht über mehr meldende Einrichtungen. Jede dieser Erklärungen hat völlig unterschiedliche Implikationen für die Programmreaktion.
Ein Distrikt mit einer niedrigen Fallmelderate mag tatsächlich eine geringe Krankheitslast aufweisen. Oder er verfügt über ein schwaches Überwachungssystem, das Fälle übersieht. Der Unterschied zwischen diesen beiden Interpretationen ist entscheidend, und die Daten allein können nicht sagen, welche davon zutrifft.
Deshalb sollten Programmdaten stets von Personen mit Felderfahrung interpretiert werden, nicht nur von Personen mit analytischen Fähigkeiten. Der Feldkontext liefert den interpretatorischen Rahmen, der Daten aussagekräftig macht. Ohne ihn kann selbst eine ausgefeilte Analyse von Überwachungs- oder Programmdaten zu Schlussfolgerungen führen, die technisch fundiert, aber operativ falsch sind.
In der Praxis bedeutet dies, Überprüfungsprozesse aufzubauen, bei denen Analystinnen und Analysten sowie Feldmitarbeitende die Daten gemeinsam betrachten. Es bedeutet, Feedbackschleifen zu schaffen, in denen Feldmitarbeitende die aus ihren Daten erstellten Analysen sehen und darauf hinweisen können, wenn die Interpretationen nicht mit ihren Beobachtungen übereinstimmen. Es bedeutet, dem Druck zu widerstehen, aus von Natur aus komplexen und kontextabhängigen Daten saubere, einfache Geschichten zu machen.
Daten sind ein wertvolles Gut. Aber wie die meisten Güter können sie missbraucht werden. Der Missbrauch von Public-Health-Daten durch dekontextualisierte Interpretation hat zu Fehlallokationen von Ressourcen geführt, die Menschenleben gekostet haben. Das ist ein triftiger Grund, die interpretatorische Disziplin ernst zu nehmen.