Las seis dimensiones de la calidad de los datos en vigilancia
El marco estándar utilizado en las evaluaciones de calidad de datos de la OMS y DHIS2 mide seis dimensiones:
- Exactitud: ¿Refleja correctamente los datos los eventos que representan?
- Integridad (completitud): ¿Qué proporción de los valores de datos esperados se notificaron realmente?
- Oportunidad: ¿Se presentaron los datos dentro del plazo requerido?
- Coherencia: ¿Son los datos internamente coherentes dentro de un informe y entre períodos?
- Fiabilidad (integridad de los datos): ¿Se ha modificado los datos después de su presentación? ¿Existe un registro de auditoría?
- Precisión: ¿Los datos capturan suficiente granularidad para respaldar las decisiones requeridas?
Una estrategia de calidad de datos de DHIS2 debe abordar las seis dimensiones, no solo la que resulta más fácil de medir.
Capa 1: Reglas de validación en el punto de entrada
El control de calidad más rentable es la prevención en el origen. El motor de reglas de validación de DHIS2 comprueba las restricciones lógicas en el momento del envío y alerta al responsable de la entrada de datos antes de que estos se guarden.
Reglas de validación esenciales para la vigilancia de enfermedades:
- Controles de rango: Un establecimiento con una población de referencia de 5.000 personas no puede notificar 10.000 consultas ambulatorias en un mes. Establezca máximos plausibles según el tamaño del establecimiento y los datos históricos.
- Controles de coherencia: Los casos confirmados no pueden superar a los casos sospechosos. Los casos confirmados por laboratorio no pueden superar el número de muestras recolectadas.
- Lógica de fechas (Tracker): La fecha de recolección de la muestra no puede ser anterior a la fecha de registro. La fecha del desenlace no puede ser anterior a la fecha de investigación.
- Distinción entre cero y valor faltante: Configure el formulario para distinguir un cero notificado de un campo en blanco. Estos significan cosas muy diferentes para el análisis de calidad de datos.
Calibre las reglas con cuidado: las reglas que se activan el 40% de las veces son obstáculos, no controles.
Capa 2: Monitoreo de la integridad de la notificación
La integridad (completitud) es un requisito previo para interpretar cualquier otro indicador de calidad de datos. Un sistema de vigilancia que muestra recuentos de casos bajos puede reflejar una transmisión genuinamente baja o un 40% de informes faltantes. Sin datos de integridad, estas interpretaciones son indistinguibles.
- Defina las unidades de notificación esperadas. Todo establecimiento que deba presentar informes debe estar predefinido en el sistema.
- Establezca períodos de notificación y plazos. Registre si los informes llegan antes o después del plazo como indicador de oportunidad.
- Cree el panel de integridad. Una tarjeta de valor único que muestre el porcentaje de informes esperados recibidos, codificada por colores en verde/ámbar/rojo, debería ser la primera vista que abran los gestores de vigilancia cada semana.
- Automatice los recordatorios de integridad. Configure el sistema de mensajería de DHIS2 para enviar recordatorios de plazo a los establecimientos que aún no hayan notificado. Este simple paso elevó las tasas de notificación puntual de aproximadamente el 71% al 89% en los programas de polio de la OMS en dos ciclos de notificación.
Capa 3: Estructura y frecuencia de las revisiones de calidad de datos
Estructure las revisiones de calidad de datos en tres niveles:
- Revisión a nivel de establecimiento (mensual)
- Un supervisor de establecimiento revisa los datos del mes anterior en busca de valores poco plausibles, tendencias inexplicadas y vacíos de integridad. Los hallazgos se comparten con el responsable de entrada de datos del establecimiento dentro de las dos semanas posteriores al plazo de notificación.
- Revisión a nivel de LGA (trimestral)
- Compara los datos notificados con los documentos fuente: registros del establecimiento, formularios de investigación de casos, libros de registro de laboratorio. Produce una puntuación de calidad de datos para cada indicador en cada establecimiento.
- Revisión a nivel estatal o nacional (semestral)
- Una revisión transversal entre establecimientos que identifica patrones sistemáticos: LGA que sobrenotifican de forma constante, establecimientos que siempre notifican exactamente en el umbral. Estos patrones indican problemas sistémicos que requieren una intervención más allá de la corrección individual del establecimiento.
Realice un seguimiento de la puntuación de calidad de datos de cada indicador a lo largo del tiempo. Si la calidad está mejorando, documente por qué y replique el enfoque. Si está disminuyendo, identifique dónde e investigue la causa.
Capa 4: Ciclos de retroalimentación sobre la calidad de los datos
Una revisión de calidad de datos que produce un informe pero ninguna retroalimentación no genera ninguna mejora. Los ciclos de retroalimentación eficaces incluyen:
- Informar de vuelta a los establecimientos, no solo hacia arriba. Cuando una revisión identifica errores, ese establecimiento debe recibir retroalimentación específica por escrito dentro de las dos semanas, especificando qué indicador, qué período, cuál es el problema y qué medida correctiva se requiere.
- Reconozca la buena calidad de los datos. El reconocimiento positivo a los establecimientos que mantienen alta integridad y exactitud durante varios ciclos suele ser suficiente en las comunicaciones del programa; funciona sin incentivos financieros.
- Realice seguimiento de las correcciones. Verifique que las correcciones solicitadas se realicen y que los datos corregidos sean exactos. Un ciclo de retroalimentación que desencadena correcciones que nunca se verifican es solo medio ciclo.
- Use los hallazgos para mejorar los formularios. Cuando el mismo error ocurre de manera constante en varios establecimientos, es necesario revisar el formulario o la definición del indicador, no solo corregir los datos.
La auditoría de calidad de datos: un protocolo a nivel de campo
Para los programas que realizan Auditorías de Calidad de Datos formales (estándar en programas financiados por la OMS y USAID), el protocolo a nivel de campo debe cubrir:
- Revisión de documentos fuente: Compare los datos notificados en DHIS2 con los registros del establecimiento y los formularios de investigación. Calcule la tasa de discrepancia: porcentaje de valores notificados que difieren de los documentos fuente en más de ±10%.
- Integridad del registro: Revise el registro del establecimiento para verificar la integridad de los campos requeridos. Un registro incompleto es un fallo de calidad de datos anterior a la entrada en DHIS2.
- Verificación del flujo de datos: Confirme la cadena desde el documento fuente hasta la entrada en DHIS2. ¿Quién transfiere los datos? ¿Con qué frecuencia? ¿Qué verificación existe antes del envío?
- Cotejo con fuentes de datos independientes: Compare los recuentos de casos de DHIS2 con los registros de laboratorio o los registros de ingresos hospitalarios. Una divergencia significativa indica un fallo de integridad o una posible manipulación de datos.
Cuando la calidad de los datos es un problema político
No todos los problemas de calidad de datos son técnicos. El personal de salud bajo presión para cumplir con las metas de cobertura de inmunización puede notificar por encima del desempeño real. Los oficiales de vigilancia bajo presión para demostrar el control de un brote pueden subnotificar casos. Estos son problemas de gobernanza del programa —síntomas detectables a través de los datos (valores poco plausibles, mejoras repentinas sin evidencia de campo)—, pero causados por marcos de resultados que premian el desempeño notificado por encima del desempeño real.
Un programa que produce datos honestos sobre un programa con dificultades está más lejos del impacto que uno que produce datos honestos sobre uno de alto desempeño, pero está más cerca de la corrección de rumbo basada en evidencia que eventualmente producirá resultados. Ese es el núcleo de la rendición de cuentas en el diseño de S&E.