स्वास्थ्य डेटा अर्थशास्त्र

स्वास्थ्य अर्थशास्त्र में यह क्यों महत्वपूर्ण है

हर मुलाक़ात जो एक स्वास्थ्य प्रणाली रिकॉर्ड करती है — हर नुस्ख़ा, छवि, प्रयोगशाला परिणाम, और भर्ती — डेटा दो बार बनाती है: एक बार एक व्यक्ति की देखभाल के कार्यशील रिकॉर्ड के रूप में, और फिर से कुछ बड़े के लिए एक संभावित आगत के रूप में। संयुक्त और विश्लेषित, वही रिकॉर्ड ऐसे प्रश्नों का उत्तर दे सकते हैं जिन्हें कोई परीक्षण कभी वित्तपोषित नहीं करेगा: वास्तविक जनसंख्याओं में कौन-से उपचार काम करते हैं, सुरक्षा संकेत कहाँ छिपते हैं, कौन-सी सेवाएँ किन समुदायों को विफल करती हैं, एक महामारी कैसे चलती है। स्वास्थ्य प्रणालियाँ इस संपत्ति के दशकों पर बैठी हैं, और उनमें से अधिकांश इसके मूल्य का एक छोटा अंश साकार करती हैं — इसलिए नहीं कि विज्ञान लापता है, बल्कि इसलिए कि डेटा असंगत प्रणालियों में खंडित है, असमान गुणवत्ता का है, वर्षों में मापी गई पहुँच प्रक्रियाओं के पीछे बंद है, या ऐसी संस्थाओं द्वारा संरक्षित है जिनके पास साझा करने का कोई प्रोत्साहन नहीं है।

बर्बादी प्रकार में मात्रात्मक है यदि हमेशा संख्या में नहीं: शोध जो नहीं किया गया, दोहराया गया डेटा संग्रहण, वे निर्णय जो अंतर्ज्ञान पर लिए गए जहाँ साक्ष्य मौजूद था पर इकट्ठा नहीं किया जा सका, और विश्लेषक — प्रणाली में सबसे दुर्लभ श्रम में से — इसका विश्लेषण करने के बजाय डेटा खोजने, साफ़ करने, और समेटने में अपना अधिकांश समय ख़र्च करते हुए। इस बीच संपत्ति क्षय होती है: अक्यूरेट डेटा घटता हुआ डेटा है, क्योंकि अर्थ बहते हैं, दस्तावेज़ीकरण खो जाता है, और वह स्टाफ़ जो एक डेटासेट को समझता था आगे बढ़ जाता है।

मूल्य के मुक़ाबले एक वास्तविक देयता खड़ी है। स्वास्थ्य डेटा एक व्यक्ति के बारे में मौजूद सबसे संवेदनशील जानकारी में से एक है, और इसका दुरुपयोग — एक उल्लंघन, एक बिक्री जो जनता को हैरान करती है, एक उपयोग जो विश्वासघात जैसा महसूस होता है — किसी भी जुर्माने से कहीं परे लागतें वहन करता है: यह उस सार्वजनिक विश्वास को ख़र्च करता है जिस पर हर भविष्य का उपयोग निर्भर करता है। इंग्लैंड का care.data कार्यक्रम (2016 में छोड़ दिया गया) प्रामाणिक सबक बना हुआ है: शोध और योजना के लिए सामान्य-प्रैक्टिस रिकॉर्ड को एकत्रित करने की एक तकनीकी रूप से उचित योजना सहमति और वाणिज्यिक पहुँच के बारे में सार्वजनिक और पेशेवर चिंता के ख़िलाफ़ ढह गई, और इसकी विफलता ने वैध डेटा उपयोग को वर्षों पीछे धकेल दिया। एक निदेशक के लिए, यह विषय का परिभाषित व्यापार-संतुलन है: स्वास्थ्य डेटा का मूल्य पहुँच द्वारा अनलॉक किया जाता है, और पहुँच का लाइसेंस विश्वास है — इसलिए डेटा का अर्थशास्त्र डेटा के शासन से अविभाज्य है।

मूल अवधारणाएँ

स्वास्थ्य डेटा आर्थिक रूप से विशिष्ट है। यह ग़ैर-प्रतिद्वंद्वी है — एक टीम का उपयोग इसे खपत नहीं करता, इसलिए वही डेटासेट लगभग-शून्य सीमांत लागत पर असीमित उपयोगकर्ताओं की सेवा कर सकता है — जो इसे इसकी पहुँच सीमा के भीतर एक सार्वजनिक वस्तु की तरह व्यवहार करता है और इसका अर्थ है कि कम-उपयोग शुद्ध बर्बादी है। पर इसकी निश्चित लागतें भारी और निरंतर हैं: संग्रहण, क्यूरेशन, मानकीकरण, दस्तावेज़ीकरण, और प्रबंधन का भुगतान करना चाहिए चाहे एक अध्ययन डेटा का उपयोग करे या एक हज़ार। और इसका मूल्य संयोजनात्मक है — रिकॉर्ड सेटिंग्स और समय में जुड़े होने पर मूल्य प्राप्त करते हैं, जो ठीक वही है जिसे संस्थाओं और विक्रेताओं में विखंडन रोकता है। द्वितीयक उपयोग — देखभाल के लिए एकत्रित डेटा का शोध, योजना, और सुधार की सेवा के लिए विश्लेषण — वह जगह है जहाँ अधिकांश असाकार मूल्य स्थित है।

वह वास्तुकला जो डेटा रखती है एक आर्थिक रणनीति को मूर्त रूप देती है। डेटा वेयरहाउस क्लासिक मॉडल है: स्रोत प्रणालियों से डेटा साफ़ किया जाता है, मानकीकृत किया जाता है, और विश्लेषण के लिए बनाए गए एक केंद्रीय स्टोर में लोड किया जाता है — अग्रिम उच्च क्यूरेशन लागत, बाद में उच्च उपयोगिता। डेटा लेक सौदे को उलट देता है: किसी भी आकार का कच्चा डेटा अभी सस्ते में संग्रहीत किया जाता है और बाद में व्याख्यायित किया जाता है — जो क्यूरेशन लागत को टालता है पर इसे हटाता नहीं है, और बिना प्रबंधन के एक लेक कहावत का दलदल बन जाती है, जहाँ डेटा तकनीकी रूप से मौजूद है और व्यावहारिक रूप से अनुपयोग-योग्य है। डेटा मेश सबसे नई रणनीति है, और यह तकनीकी के बजाय संगठनात्मक है: एक केंद्रीय टीम सभी डेटा का स्वामित्व रखने के बजाय, हर डोमेन — प्रयोगशाला, आपातकालीन विभाग, मानसिक-स्वास्थ्य सेवा — अपने डेटा का स्वामित्व और प्रकाशन एक उत्पाद के रूप में करता है, सामान्य मानकों में, प्लेटफ़ॉर्म टीम साझा बुनियादी ढाँचा प्रदान करती है और शासन संघीय होता है। इसका आर्थिक तर्क यह है कि जो लोग डेटा उत्पन्न करते हैं वे इसे अर्थपूर्ण बनाने के लिए आवश्यक संदर्भ रखते हैं, और एक केंद्रीय टीम एक बाधा है जो बुरी तरह पैमाना बनाती है; इसका आर्थिक जोखिम यह है कि इसे हर डोमेन को डेटा प्रबंधन वित्तपोषित और स्टाफ़ करने की आवश्यकता है — एक वास्तविक, वितरित लागत जिसे एक केंद्रीय मॉडल कम से कम एक जगह दृश्यमान बनाता है।

कोई वास्तुकला ख़राब आगतों को नहीं हरा सकती। डेटा गुणवत्ता — पूर्णता, सटीकता, समयबद्धता, सुसंगति — एक आर्थिक मात्रा है: कम-गुणवत्ता वाला डेटा हर डाउनस्ट्रीम उपयोग पर कर लगाता है, और कर चक्रवृद्धि होता है, क्योंकि विश्लेषक अध्ययन दर अध्ययन उन्हीं दोषों को फिर से साफ़ करते हैं। गुणवत्ता देखभाल के बिंदु पर बनाई जाती है, जहाँ एक निदान कोड करने वाले चिकित्सक के पास एक भविष्य के विश्लेषक की सेवा करने के कमज़ोर प्रोत्साहन हैं, इसलिए इसे सुधारना एक तकनीकी समस्या जितनी ही एक प्रोत्साहन-डिज़ाइन समस्या है (सामान्य मापन मशीनरी विषय 2.3 — स्वास्थ्य अर्थमिति है, जो इसका स्वामित्व रखती है कि ख़राब डेटा कारण दावों का क्या करता है)।

पहुँच वह जगह है जहाँ मूल्य साकार या समाप्त किया जाता है, और पहुँच की अपनी ही लागत संरचना है। क्योंकि उपयोग की सीमांत लागत लगभग शून्य है, कुशल नीति कम घर्षण पर व्यापक पहुँच है — पर हर पहुँच गोपनीयता जोखिम वहन करती है, इसलिए प्रणालियाँ शासन थोपती हैं: अनुमोदन प्रक्रियाएँ, गुमनामीकरण (पहचानकर्ताओं को हटाना या छिपाना, हमेशा एक बाइनरी के बजाय अवशिष्ट पुनः-पहचान जोखिम का एक स्पेक्ट्रम), और तेज़ी से विश्वसनीय शोध वातावरण मॉडल, जिसमें विश्लेषक एक सुरक्षित एनक्लेव के अंदर डेटा तक आते हैं और केवल जाँचे गए परिणाम बाहर जाते हैं — डेटासेट की प्रतियाँ बाहर भेजने की जोखिम भरी आदत को प्रतिस्थापित करते हुए। अंतर गोपनीयता (कैलिब्रेटेड सांख्यिकीय शोर जोड़ना ताकि किसी व्यक्ति की उपस्थिति का अनुमान न लगाया जा सके) और फ़ेडरेटेड लर्निंग (रिकॉर्ड एकत्रित किए बिना वितरित डेटासेट में मॉडल प्रशिक्षित करना) जैसी तकनीकें गोपनीयता-उपयोगिता सीमा को बाहर की ओर स्थानांतरित करती हैं। आर्थिक बिंदु यह है कि पहुँच घर्षण एक वास्तविक क़ीमत है: एक दो-वर्षीय अनुमोदन प्रक्रिया उपयोग के मूल्य से नहीं बल्कि आवेदकों की सहनशक्ति से डेटा राशन करती है, और जिन अध्ययनों को यह रोकती है वे एक अदृश्य लागत हैं जिसे कोई खाता-बही रिकॉर्ड नहीं करती।

इन सबके आस-पास के नियम डेटा शासन हैं: कौन किस उद्देश्य के लिए कौन-सा डेटा उपयोग कर सकता है, कैसे तय किया गया, और किसके प्रति जवाबदेह। विनियमन फ़्लोर निर्धारित करता है — यूरोप में सामान्य डेटा संरक्षण विनियमन (GDPR), कहीं और संयुक्त राज्य अमेरिका के HIPAA जैसे क्षेत्र नियम — और नई संरचनाएँ इसके ऊपर बनाई जा रही हैं: यूरोपीय स्वास्थ्य डेटा स्पेस (2025 में अपनाया गया विनियमन) यूरोपीय संघ में स्वास्थ्य डेटा के प्राथमिक और द्वितीयक दोनों उपयोग के लिए एक क़ानूनी ढाँचा बनाता है, और फ़िनलैंड के Findata जैसे राष्ट्रीय पहुँच निकाय दिखाते हैं कि परमिट और सुरक्षित पहुँच के लिए एक एकल फ़्रंट डोर व्यवहार में कैसा दिखता है। FAIR डेटा सिद्धांत — खोजने-योग्य, सुलभ, अंतरसंचालनीय, पुन: उपयोग-योग्य — प्रबंधन मानक को संक्षेपित करते हैं जो इनमें से किसी को भी काम करने योग्य बनाता है। वह प्लंबिंग जो डेटा हिलाती है — HL7 FHIR जैसे अंतरसंचालनीयता मानक — विषय 5.4 — सॉफ़्टवेयर इंजीनियरिंग स्वास्थ्य अर्थशास्त्र से संबंधित है; डेटा पर प्रशिक्षित मॉडल विषय 5.3 — AI स्वास्थ्य अर्थशास्त्र से; और सार्वजनिक-विश्वास गतिशीलता विषय 4.4 — सोशल मीडिया और स्वास्थ्य संचार अर्थशास्त्र के संचार अर्थशास्त्र से।

सर्वोत्तम प्रथाएँ

1. डेटा को एक मालिक, एक बजट, और एक मूल्यह्रास अनुसूची वाली एक संपत्ति मानें। आप जो महत्वपूर्ण डेटा संपत्तियाँ रखते हैं उनकी सूची बनाएँ, हर एक के लिए एक प्रबंधक नाम दें, और क्यूरेशन और दस्तावेज़ीकरण को स्थायी लागतों के रूप में वित्तपोषित करें — परियोजनाओं के अवशेष के रूप में नहीं। एक अप्रबंधित डेटासेट एक घटता हुआ है, और संदर्भ पकड़ने का सबसे सस्ता समय वह है जब जिन लोगों ने डेटा बनाया वे अभी भी इसे याद करते हैं।

2. संगठनात्मक आकार द्वारा वास्तुकला चुनें, फ़ैशन द्वारा नहीं। केंद्रीकृत करें (वेयरहाउस या शासित लेक) जब विश्लेषणात्मक आवश्यकताएँ साझा हैं, डोमेन डेटा क्षमता में कमज़ोर हैं, और एक टीम संदर्भ रख सकती है; एक मेश की ओर संघीय करें जब डोमेन मज़बूत हैं, आवश्यकताएँ विविध हैं, और केंद्रीय टीम वह क़तार बन गई है जिसमें हर कोई इंतज़ार करता है। किसी भी तरीक़े से, क्यूरेशन लागत संरक्षित है — विकल्प यह है कि इसे कौन भुगतान करता है और बाधा कहाँ बैठती है। वास्तुकला माइग्रेट करना महँगा है; इसे एक नामित आर्थिक विफलता (एक बाधा, एक दलदल) के लिए करें, एक सम्मेलन वार्ता के लिए नहीं।

3. कभी भी बिना प्रबंधन बजट के एक लेक न बनाएँ। सस्ता भंडारण क्यूरेशन को हमेशा के लिए टालना आसान बनाता है; टाला गया क्यूरेशन यह है कि लेक कैसे दलदल बनते हैं जिनमें हर उपयोग कच्ची पुरातत्व से शुरू होता है। कैटलॉगिंग, मेटाडेटा, और गुणवत्ता निगरानी को प्लेटफ़ॉर्म के हिस्से के रूप में वित्तपोषित करें, और लेक को वास्तव में उपयोग किए गए डेटा से मापें, रखे गए टेराबाइट से नहीं।

4. यदि आप मेश सिद्धांत अपनाते हैं, डोमेन को प्रकाशक बनने के लिए वित्तपोषित करें। डेटा-एक-उत्पाद-के-रूप-में का अर्थ है कि हर डोमेन को इसके द्वारा प्रकाशित की गई चीज़ के प्रबंधन के लिए स्टाफ़ और भुगतान करना चाहिए — एक वास्तविक लागत जिसे केंद्रीय मॉडल एकत्रित करते हैं और मेश मॉडल वितरित करते हैं। केंद्रीय रूप से सामान्य मानक (पहचानकर्ता, मेटाडेटा, गुणवत्ता सीमाएँ, पहुँच नियम) निर्धारित करें, डोमेन डेटा भूमिकाओं को स्पष्ट रूप से वित्तपोषित करें, और स्वीकार करें कि बिना वित्तपोषित डोमेन स्वामित्व वाला एक मेश बेहतर ब्रांडिंग वाला केवल विखंडन है।

5. स्रोत पर डेटा गुणवत्ता ठीक करें, प्रोत्साहन के साथ, उपदेश के साथ नहीं। डाउनस्ट्रीम सफ़ाई वही कर हमेशा के लिए फिर से भुगतान करती है; अपस्ट्रीम सुधार एक बार भुगतान करते हैं। गुणवत्ता को वहाँ दृश्यमान बनाएँ जहाँ यह बनाई जाती है (कोडिंग चिकित्सक या क्लर्क को प्रतिक्रिया), इसे मायने रखने योग्य बनाएँ (जहाँ उपयुक्त हो गुणवत्ता-संवेदनशील भुगतान और लेखा-परीक्षा), और फ़ॉर्म तथा प्रणालियाँ इस तरह डिज़ाइन करें कि आसान मार्ग सटीक हो — यह दस्तावेज़ीकरण पर लागू पसंद वास्तुकला है (विषय 4.1 — व्यवहारिक अर्थशास्त्र देखें)।

6. पहुँच घर्षण को एक लागत के रूप में क़ीमत दें, और इसे जान-बूझकर कम करें। एक वैध विश्लेषक द्वारा सामना की गई पूरी यात्रा को मापें — खोज, परमिट, निष्कर्षण या एनक्लेव प्रवेश — महीनों और स्टाफ़-घंटों में, और कमी को मूल्य निर्माण मानें। एक एकल फ़्रंट डोर (एक आवेदन, एक निर्णयकर्ता, प्रकाशित समयरेखाएँ, मानक अनुबंध) सबसे अधिक उपज वाला सुधार है; फ़िनलैंड का Findata मॉडल संदर्भ पैटर्न है।

7. विश्लेषकों को डेटा पर आने के लिए डिफ़ॉल्ट करें, डेटा को विश्लेषकों पर आने के लिए नहीं। विश्वसनीय शोध वातावरण — जाँचे गए निकास वाले सुरक्षित एनक्लेव — जोखिम और लेखा-परीक्षा-योग्यता दोनों पर डेटासेट शिपिंग पर हावी होते हैं, और वे व्यापक पहुँच को मज़बूत नियंत्रण के साथ संगत बनाते हैं। एक्सट्रैक्ट को उन मामलों के लिए आरक्षित रखें जिनकी एनक्लेव वास्तव में सेवा नहीं कर सकते, और जंगल में हर कॉपी किए गए डेटासेट को एक स्थायी देयता मानें।

8. गोपनीयता तकनीक को उपयोग से मिलाएँ, और अवशिष्ट जोखिम के बारे में ईमानदार रहें। गुमनामीकरण एक स्पेक्ट्रम है, एक स्विच नहीं; अंतर गोपनीयता एक उपयोगिता क़ीमत पर गणितीय गारंटी ख़रीदती है; फ़ेडरेटेड लर्निंग एकत्रण से बचती है पर सभी रिसाव से नहीं। प्रति उपयोग-मामला चुनें, अवशिष्ट जोखिम को ईमानदारी से दस्तावेज़ीकृत करें, और कभी "गुमनाम" को "जोखिम-मुक्त" के रूप में विपणित न करें — अति-दावा वह तरीक़ा है जिससे विश्वास खो जाता है जब अनिवार्य अपवाद सामने आता है।

9. आवश्यकता से पहले सामाजिक लाइसेंस अर्जित करें। डेटा उपयोग के लिए जनता की सहनशीलता विशिष्ट है: देखभाल और सार्वजनिक-लाभ शोध के लिए मज़बूत, वाणिज्यिक पहुँच और कुछ भी जो हैरान करता है के लिए नाज़ुक। पारदर्शी रहें कि कौन किस लिए डेटा का उपयोग करता है (रजिस्टर प्रकाशित करें), मरीज़ों और जनता को पहुँच नीति में शामिल करें, जहाँ क़ानून और उपयोग-मामला अनुमति दे वहाँ वास्तविक विकल्प प्रदान करें, और care.data याद रखें: सहमति प्रक्रियाएँ पतन से सस्ती हैं।

10. वाणिज्यिक पहुँच की शर्तें सार्वजनिक रूप से, अग्रिम रूप से निर्धारित करें। स्वास्थ्य डेटा का उद्योग उपयोग वैध और मूल्यवान हो सकता है — परीक्षण, सुरक्षा निगरानी, उत्पाद विकास — और यह वह जगह भी है जहाँ विश्वास सबसे ज्वलनशील है। खुले तौर पर तय करें कि कौन-से वाणिज्यिक उपयोग अनुमत हैं, सार्वजनिक प्रणाली क्या चार्ज करती है या प्राप्त करती है (धन, क्षमता, परिणामी उत्पादों तक गारंटीकृत पहुँच), और मुख्य-शीर्षक के बाद नहीं, सौदे से पहले क्या मेज़ पर नहीं है।

11. एकाधिकार किराए पर नहीं, सीमांत लागत प्लस प्रबंधन पर पहुँच के लिए शुल्क लें। एक सार्वजनिक डेटा धारक जो राजस्व अधिकतम करने के लिए पहुँच की क़ीमत लगाता है वह एक लगभग-शून्य-सीमांत-लागत संपत्ति राशन करता है और सार्वजनिक मूल्य समाप्त करता है; एक जो कुछ नहीं चार्ज करता वह प्रबंधन को भूखा रखता है। सार्वजनिक-हित शोध के लिए छूट के साथ लागत-वसूली क़ीमत-निर्धारण संपत्ति को इसके उपयोग को गला घोंटे बिना वित्तपोषित करता है।

12. आपके द्वारा बनाया गया मूल्य गिनें, क्योंकि कोई और नहीं करेगा। डेटा कार्यक्रम बजट के समय स्थायी रूप से संवेदनशील हैं उसी कारण से संचार है: उनका उत्पाद अन्य लोगों के परिणाम हैं। ट्रैक करें और प्रकाशित करें कि पहुँच ने क्या सक्षम किया — अध्ययन, सेवा परिवर्तन, सुरक्षा निष्कर्ष, टाला गया डुप्लिकेट संग्रहण — और पोर्टफ़ोलियो को किसी भी निवेश के समान मूल्य जाँच (विषय 2.1 — आर्थिक मूल्यांकन) के माध्यम से रखें, ताकि संपत्ति का मामला दावे के बजाय साक्ष्य हो।

अपनी टीम के साथ चर्चा के लिए प्रश्न

1. हम वास्तव में क्या डेटा रखते हैं, हर संपत्ति का प्रबंधन कौन करता है, और इसे उपयोग-योग्य रखने — या इसे सड़ने देने — में हमें क्या लागत आ रही है? अधिकांश संगठन सूची उत्पन्न नहीं कर सकते: डेटासेट प्रणालियों, परियोजनाओं, और साझा ड्राइव में जमा होते हैं, प्रबंधन किसी को नहीं सौंपा जाता और दस्तावेज़ीकरण चले गए कर्मचारियों की स्मृति में रहता है। रजिस्टर बनाएँ — महत्वपूर्ण संपत्तियाँ, उनके मालिक, उनकी गुणवत्ता, उनका दस्तावेज़ीकरण, उनका उपयोग — और हर एक को उचित क्यूरेशन की स्थायी लागत जोड़ें, जहाँ यह मौजूद नहीं है वहाँ अभी चल रहे मूल्यह्रास के साथ। तनाव यह है कि प्रबंधन एक स्थायी अनाकर्षक लागत है फैले लाभों के साथ, ठीक वही लाइन जिसे हर बजट दौर काटना चाहता है, जबकि अप्रबंधित डेटा से नुक़सान (फिर से-संग्रहण, अनुपयोग-योग्य इतिहास, पुरातत्वविदों के रूप में विश्लेषक) कभी किसी खाता-बही पर दिखाई नहीं देता। एक ईमानदार उत्तर नामित प्रबंधकों के साथ सूची उत्पन्न करता है, क्यूरेशन को परियोजना अवशेष के बजाय बुनियादी ढाँचे के रूप में वित्तपोषित करता है, और स्वीकार करता है कि कौन-सी संपत्तियाँ बचाने से आगे क्षय हो चुकी हैं।

2. एक विश्लेषक का समय वास्तव में कहाँ जाता है — और क्या हमारी वास्तुकला इसका कारण है? डेटा प्रणाली में सबसे दुर्लभ संसाधन कुशल विश्लेषणात्मक श्रम है, और अधिकांश स्वास्थ्य संगठनों में इसका अधिकांश भाग इसका विश्लेषण करने के बजाय डेटा खोजने, पहुँचने, साफ़ करने, और समेटने में ख़र्च होता है। कुछ हालिया परियोजनाओं के लिए विभाजन को ईमानदारी से मापें, फिर कारणों का पता लगाएँ: खंडित स्रोत, अनुपस्थित दस्तावेज़ीकरण, सौवीं बार फिर से साफ़ किए गए गुणवत्ता दोष, एक केंद्रीय डेटा टीम जो एक क़तार बन गई है। यह वह निदान है जिसे वास्तुकला — वेयरहाउस, लेक, या मेश — चलाना चाहिए, क्योंकि हर एक इसका एक अलग उत्तर है कि बाधा कहाँ बैठती है और संदर्भ कौन रखता है। तनाव यह है कि वास्तुकला बहसें विक्रेता शब्दावली में आयोजित की जाती हैं और फ़ैशन द्वारा तय की जाती हैं, जबकि वास्तविक प्रश्न संगठनात्मक है: कौन कौन-सा डेटा रखता है, इसके क्यूरेशन के लिए कौन भुगतान करता है, और क़तार कहाँ बनती है। एक ईमानदार उत्तर वर्तमान विश्लेषक-समय विभाजन बताता है, बाध्यकारी बाधा नाम देता है, और उस बाधा के लिए एक उपाय के रूप में वास्तुकला चुनता है — माइग्रेशन की लागत उस श्रम द्वारा उचित ठहराई गई जिसे यह मुक्त करता है।

3. एक वैध उपयोगकर्ता को प्रश्न से डेटा तक जाने में कितना समय लगता है, और वह देरी क्या ख़र्च करा रही है? एक शोधकर्ता, एक सेवा योजनाकार, एक गुणवत्ता टीम के माध्यम से पूरी यात्रा ठोस रूप से चलें — खोज, आवेदन, अनुमोदन, अनुबंध, और पहुँच — और दोनों तरफ़ महीनों और स्टाफ़-घंटों की गिनती करें। फिर पूछें कि इसके कारण क्या कभी नहीं होता: प्रयास न किए गए अध्ययन, बिना साक्ष्य लिए गए निर्णय, वे विश्लेषक जो प्रणाली के आस-पास मार्ग बनाते हैं या छोड़ देते हैं। तनाव दोनों तरफ़ वास्तविक है — घर्षण की हर ढील एक जुड़े जोखिम वाला एक शासन निर्णय है, और प्रक्रिया की हर परत किसी घटना के बाद जोड़ी गई थी — पर घर्षण उपयोग के मूल्य से नहीं बल्कि सहनशक्ति से राशन करता है, और इसकी लागतें अदृश्य हैं जबकि इसकी सुरक्षाएँ लेखा-परीक्षा-योग्य हैं। एक ईमानदार उत्तर सिरे-से-सिरे समय मापता है, उस देरी को अलग करता है जो वास्तविक सुरक्षा ख़रीदती है उससे जो क़तारबद्ध होना और दोहराव है, एक प्रकाशित लक्ष्य निर्धारित करता है, और एकल फ़्रंट डोर बनाता है जो लक्ष्य को प्राप्त-योग्य बनाता है।

4. जहाँ इसे बनाया जाता है वहाँ हमारी डेटा गुणवत्ता क्या है, और इसे सुधारने के लिए किसी के पास क्या प्रोत्साहन है? विश्लेषण में खोजी गई गुणवत्ता समस्याएँ महीनों पहले एक क्लिनिक में एक कीबोर्ड पर बनाई गई थीं, किसी द्वारा जिसका उस दिन का काम कोडिंग नहीं, देखभाल था। पूर्णता और सटीकता के लिए अपने मुख्य डेटासेट की जाँच करें, फिर दोषों को अपस्ट्रीम अनुसरण करें: क्या डेटा रिकॉर्ड करने वाला चिकित्सक या क्लर्क कभी इसका डाउनस्ट्रीम उपयोग देखता है, इसकी गुणवत्ता पर प्रतिक्रिया प्राप्त करता है, या इसे सुधारने से कुछ प्राप्त करता है? क्या प्रणाली सटीक रिकॉर्डिंग को आसान मार्ग बनाती है या वीरतापूर्ण? तनाव यह है कि गुणवत्ता-सुधार दबाव प्रणाली में सबसे व्यस्त लोगों पर पड़ता है और यदि क्रूरता से भुगतान से जोड़ा जाए तो खेल में बदल सकता है (विषय 3.11 — गुणवत्ता और सुरक्षा अर्थशास्त्र की मापन विकृतियाँ सीधे लागू होती हैं)। एक ईमानदार उत्तर स्रोत पर गुणवत्ता मापता है, प्रतिक्रिया लूप बंद करता है ताकि डेटा निर्माता देखें कि उनका डेटा क्या बनता है, दोष देने से पहले कैप्चर मार्ग को फिर से डिज़ाइन करता है, और भुगतान प्रोत्साहन को उसके लिए आरक्षित रखता है जिसे लेखा-परीक्षा वास्तव में सत्यापित कर सकती है।

5. हमारे डेटा उपयोग किसे हैरान करेंगे, और हमारा सामाजिक लाइसेंस वास्तव में किसके लिए अच्छा है? care.data का पतन अवैध प्रसंस्करण के कारण नहीं हुआ; यह उन उपयोगों के कारण हुआ जिनके बारे में जनता को उन शर्तों में नहीं बताया गया था जिन्हें वे स्वीकार करते, सबसे बुरे संभव तरीक़े से खोजा गया। अपने वर्तमान और नियोजित डेटा उपयोगों की सूची बनाएँ — आंतरिक विश्लेषण, शोध पहुँच, कोई भी वाणिज्यिक व्यवस्था — और हर एक को आश्चर्य मानक के ख़िलाफ़ परीक्षित करें: यदि यह कल एक फ़्रंट पेज पर दिखाई देता, क्या मरीज़ सूचित या विश्वासघात महसूस करते? उन विशेषताओं की जाँच करें जिन्हें इतिहास ज्वलनशील बताता है: वाणिज्यिक पहुँच शर्तें, आपकी अभिरक्षा छोड़ता डेटा, ऐसे उपयोग जो उन्हीं समुदायों की निगरानी या प्रोफ़ाइलिंग जैसे दिखते हैं जिनका विश्वास सबसे पतला है। तनाव यह है कि पूर्ण पारदर्शिता उन कार्यक्रमों को जोखिम भरी महसूस होती है जो चुपचाप बड़े हुए, और सार्वजनिक भागीदारी वह समय लेती है जिसे वितरण समयरेखाएँ नाराज़ करती हैं — पर विकल्प एक ऐसे लाइसेंस के ख़िलाफ़ उधार लेना है जिसे आप शायद नहीं रखते, care.data ब्याज दरों पर। एक ईमानदार उत्तर उपयोग रजिस्टर प्रकाशित करता है, विवादास्पद मामला आने से पहले मरीज़ों और जनता को पहुँच नीति में शामिल करता है, वाणिज्यिक शर्तें सार्वजनिक रूप से निर्धारित करता है, और लाइसेंस को एक प्रक्षेप पथ वाली एक मापी गई संपत्ति के रूप में मानता है, एक धारणा के रूप में नहीं।

6. क्या हम इस कार्यक्रम के मूल्य को साबित करने के लिए तैयार हैं, या हम बजट से इसे विश्वास पर लेने के लिए कह रहे हैं? डेटा प्लेटफ़ॉर्म, प्रबंधन टीमें, और पहुँच सेवाएँ अन्य लोगों के परिणामों में अपना मूल्य उत्पन्न करती हैं, यही कारण है कि वे एक बचत दौर में हमेशा दीवार के ख़िलाफ़ सबसे पहले होते हैं — लागतें केंद्रित और दृश्यमान हैं, लाभ फैले और कहीं और श्रेय दिए गए। पूछें कि आप वर्तमान में इस बारे में क्या रिकॉर्ड करते हैं कि पहुँच ने क्या सक्षम किया: पूरे किए गए अध्ययन, किए गए सेवा परिवर्तन, पाए गए सुरक्षा संकेत, कई बार के बजाय एक बार किए गए क्यूरेशन द्वारा बचाए गए विश्लेषक-घंटे। फिर कठिन पोर्टफ़ोलियो प्रश्न पूछें: आपके कौन-से डेटा निवेश कमा रहे हैं, कौन-से अटकलबाज़ी हैं, और कौन-से स्मारक हैं। तनाव यह है कि श्रेय वास्तव में कठिन है — डेटा किसी भी परिणाम के कई आगतों में से एक है — और अति-दावा उतनी ही निश्चितता से विश्वसनीयता क्षय करता है जितना मौन इसे भूखा रखता है। एक ईमानदार उत्तर स्वयं पहुँच प्रक्रिया में परिणाम-ट्रैकिंग बनाता है, स्पष्ट रूप से बताए गए श्रेय चेतावनियों के साथ साकार मूल्य का एक वार्षिक लेखा प्रकाशित करता है, और उस प्लेटफ़ॉर्म घटक या डेटासेट को सेवामुक्त करने के लिए तैयार है जिसका उपयोग कभी साकार नहीं हुआ।

व्यवहार में: एक स्वास्थ्य अर्थशास्त्र उदाहरण

एक काल्पनिक नॉर्डिक देश का राष्ट्रीय स्वास्थ्य-डेटा प्राधिकरण एक विरोधाभास ठीक करने के लिए बनाया गया है: देश के पास दशकों के समृद्ध, जोड़ने-योग्य स्वास्थ्य रिकॉर्ड हैं — एक राष्ट्रीय पहचानकर्ता, सार्वभौमिक कवरेज, डिजिटाइज़ की गई रजिस्ट्रियाँ — फिर भी शोधकर्ता नियमित रूप से पहुँच के लिए दो साल प्रतीक्षा करते हैं, बीस क्षेत्रों में से हर एक अलग तरीक़े से परमिट अनुरोधों का उत्तर देता है, और दो क्षेत्रों ने बिना किसी प्रबंधन योजना के अपने ख़ुद के प्रतिस्पर्धी "डेटा लेक" बनाना शुरू कर दिया है। एक फ़ार्मास्युटिकल कंपनी ने हाल ही में एक पोस्ट-मार्केट सुरक्षा अध्ययन छोड़ दिया क्योंकि परमिट इकट्ठे नहीं किए जा सके; एक विश्वविद्यालय टीम इसके बजाय एक पड़ोसी देश में अनुदान ले गई। मूल्य वहाँ प्रमाणित रूप से मौजूद है; प्रणाली इसे समाप्त कर रही है।

प्राधिकरण के अर्थशास्त्री घर्षण को एक लागत के रूप में मापकर शुरू करते हैं। वे बारह हालिया पहुँच प्रयासों को सिरे से सिरे तक ट्रेस करते हैं — खोज, आवेदन, बीस अलग क्षेत्रीय निर्णय, अनुबंध, निष्कर्षण — और यात्रा की लागत महीनों में (माध्यिका छब्बीस) और दोनों तरफ़ स्टाफ़-घंटों में निकालते हैं, फिर सूचीबद्ध करते हैं कि रास्ते में क्या छोड़ा गया। इस तरह प्रस्तुत, पहुँच सुधार एक प्रशासनिक शालीनता बनना बंद कर देता है और एक निवेश मामला बन जाता है: एकल फ़्रंट डोर — एक आवेदन, एक क़ानूनी निर्णयकर्ता, प्रकाशित समयरेखाएँ — को देश द्वारा ख़रीदे जा सकने वाले किसी भी नए डेटासेट से प्रति क्रोना अधिक शोध मूल्य जारी करने के लिए प्रक्षेपित किया जाता है। डिज़ाइन जान-बूझकर फ़िनलैंड के Findata से उधार लेता है: एक राष्ट्रीय परमिट प्राधिकरण प्लस एक विश्वसनीय शोध वातावरण, ताकि विश्लेषक डेटा पर आएँ और जाँचे गए परिणाम बाहर जाएँ, वर्तमान में विश्वविद्यालय सर्वरों पर अनऑडिटेड बैठे शिप किए गए एक्सट्रैक्ट को प्रतिस्थापित करते हुए।

वास्तुकला निर्णय को एक संगठनात्मक अर्थशास्त्र प्रश्न के रूप में माना जाता है, एक प्रौद्योगिकी ख़रीद के रूप में नहीं। एक पूरी तरह केंद्रीय राष्ट्रीय वेयरहाउस अस्वीकृत है: क्षेत्र नैदानिक संदर्भ रखते हैं, और एक एकल राष्ट्रीय टीम नई बाधा बन जाएगी। शुद्ध क्षेत्रीय स्वायत्तता भी अस्वीकृत है: बीस मेटाडेटा मानकों वाली बीस लेक दलदल है, बीस गुना। प्राधिकरण संघीय शासन के तहत मेश सिद्धांतों पर उतरता है — हर क्षेत्र और रजिस्ट्री अपने डेटा को एक उत्पाद के रूप में प्रकाशित करती है, पहचानकर्ताओं, मेटाडेटा, गुणवत्ता रिपोर्टिंग, और पहुँच के लिए राष्ट्रीय मानकों में — राष्ट्रीय प्लेटफ़ॉर्म साझा एनक्लेव, कैटलॉग, और परमिट सेवा प्रदान करते हुए। इस विकल्प की ईमानदार लागत स्पष्ट बनाई गई है: हर क्षेत्र को डेटा-प्रबंधक भूमिकाएँ वित्तपोषित करनी चाहिए, और प्राधिकरण के बजट में डोमेन स्वामित्व को नाममात्र के बजाय वास्तविक बनाने के लिए संक्रमणकालीन वित्तपोषण शामिल है, क्योंकि जिस मेश को कोई स्टाफ़ नहीं करता वह बेहतर ब्रांडिंग वाला विखंडन है।

विश्वास को उतनी ही जान-बूझकर इंजीनियर किया जाता है जितना प्लेटफ़ॉर्म। प्राधिकरण care.data विफलता का स्पष्ट रूप से अध्ययन करता है और विपरीत करता है: डेटा उपयोगों का पूरा रजिस्टर पहले दिन से सार्वजनिक है; एक नागरिक पैनल पहुँच-नीति प्रक्रिया के अंदर दाँतों के साथ बैठता है, टोकन नहीं; वाणिज्यिक पहुँच अग्रिम रूप से सार्वजनिक रूप से निर्धारित शर्तों के तहत अनुमत है — लागत-वसूली शुल्क, केवल-एनक्लेव पहुँच, हर अनुमोदित उपयोग के प्रकाशित सारांश, और क्षमता और गारंटीकृत शोध पहुँच में प्रणाली में लौटता मूल्य का एक हिस्सा। जब वर्ष दो में एक टैब्लॉइड "आपके रिकॉर्ड बिक्री के लिए" कहानी चलाता है, कार्यक्रम इसे जीवित रखता है — इसलिए नहीं कि कहानी दयालु है, बल्कि इसलिए कि यह जो भी दावा करती है वह पहले से प्राधिकरण की वेबसाइट पर है, शर्तों के साथ जुड़ा हुआ; पूर्व-निर्मित पारदर्शिता खंडन करती है (संचार अर्थशास्त्र विषय 4.4 — सोशल मीडिया और स्वास्थ्य संचार अर्थशास्त्र है)।

तीन वर्षों में, प्राधिकरण अपना लेखा प्रकाशित करता है: आवेदन से एनक्लेव पहुँच तक माध्यिका समय छब्बीस महीनों से घटकर चार; सक्षम किए गए अध्ययन, दिए गए सेवा विश्लेषण, और एक वास्तविक सुरक्षा संकेत पाया और कार्रवाई की गई; क्षेत्रीय डेटा-गुणवत्ता डैशबोर्ड हिल रहे हैं क्योंकि चिकित्सक अब देखते हैं कि उनकी कोडिंग क्या बनती है। मूल्यांकन श्रेय सीमाओं के बारे में और एक विफलता के बारे में स्पष्टवादी है — एक क्षेत्र जिसके "डेटा उत्पाद" अदस्तावेज़ीकृत और अनुपयोगित रहते हैं, जहाँ डोमेन वित्तपोषण काटा गया था — जिसका प्राधिकरण सफलतापूर्वक तर्क देने के लिए उपयोग करता है कि प्रबंधन संपत्ति का रखरखाव बिल है, एक वैकल्पिक अतिरिक्त नहीं।

चार क्षेत्र-दृष्टिकोण

स्टार्टअप

एक स्वास्थ्य-डेटा स्टार्टअप — एक विश्लेषण उत्पाद, एक क्यूरेशन उपकरण, एक फ़ेडरेटेड-लर्निंग प्लेटफ़ॉर्म — ऐसे डेटा पर जीता है जिसका यह स्वामित्व नहीं रखता, इसलिए इसके अस्तित्वगत प्रश्न पहुँच और विश्वास हैं: इसके पास उस डेटा के लिए कौन-सा वैध आधार है जो इसे खिलाता है, यह डेटा धारकों के शासन के माध्यम से जीवित रहने-योग्य गति से कैसे गुज़रता है, और क्या एक गोपनीयता घटना कंपनी को समाप्त करती है। प्रलोभन शासन को हैक की जाने वाली घर्षण मानना है; टिकाऊ चाल इसका विपरीत है — शुरू से एनक्लेव, लेखा-परीक्षा-योग्यता, और गोपनीयता-संरक्षण तकनीकों के लिए निर्माण करें, क्योंकि यही वह है जिसकी ख़रीदारों का शासन माँग करेगा, और अनुमोदित होना आसान होना एक खाई है। इसका व्यवसाय-मॉडल जोखिम डेटा-दलाल छाया है: वे मॉडल जो स्वास्थ्य डेटा को ऐसे तरीक़ों से फिर से बेचते या मुद्रीकृत करते हैं जो मरीज़ों को हैरान करेंगे वे एक मुख्य-शीर्षक दूर हैं पूरे क्षेत्र के लाइसेंस को अपने साथ नीचे ले जाने से।

छोटा व्यवसाय

एक छोटा प्रदाता — एक क्लिनिक समूह, एक फ़ार्मेसी, एक देखभाल गृह ऑपरेटर — एक डेटा उपयोगकर्ता से अधिक एक डेटा निर्माता है: इसके रिकॉर्ड राष्ट्रीय रजिस्ट्रियों, भुगतानकर्ता डेटासेट, और शोध को खिलाते हैं जिसे यह कभी नहीं देखेगा। इसका अर्थशास्त्र बोझ और प्रतिफल के बारे में है: डेटा गुणवत्ता इसके कीबोर्ड पर बनाई या बिगाड़ी जाती है, फिर भी इसे शायद ही कभी उस गुणवत्ता के लिए भुगतान किया जाता है, धन्यवाद दिया जाता है, या प्रतिक्रिया दी जाती है जो यह बनाता है, और हर नई रिपोर्टिंग आवश्यकता अवित्तपोषित श्रम है। समझदार रुख़ बेरहमी से मानकीकृत करना है (मानक कोड और प्रणालियों का उपयोग करें, कस्टम एक्सट्रैक्ट का विरोध करें), रिपोर्टिंग के बदले प्रतिक्रिया लूप और बोझ-कमी की माँग करना — एक निष्पक्ष विनिमय जिसे व्यापक प्रणाली को मना करने में शर्मिंदा होना चाहिए — और अपने ही मामूली डेटा को एक प्लेटफ़ॉर्म के आने की प्रतीक्षा करने के बजाय शेड्यूलिंग, स्टॉक, और गुणवत्ता के लिए एक परिचालन संपत्ति के रूप में मानना है।

उद्यम (एंटरप्राइज़)

एक बड़ा प्रदाता समूह या बीमाकर्ता उस पैमाने पर डेटा रखता है जहाँ संपत्ति अर्थशास्त्र वास्तविक हो जाता है: लाखों जीवनों में अनुदैर्ध्य रिकॉर्ड, विश्वसनीय विश्लेषण के लिए पर्याप्त मात्रा, और देयता पक्ष को भी जानने के लिए पर्याप्त घटनाएँ। परिपक्व उद्यम डेटा को एक शासित पोर्टफ़ोलियो के रूप में चलाता है — प्रबंधकों वाली एक सूची, अपनी ही टीमों के लिए एक प्रकाशित पहुँच प्रक्रिया वाला एक वित्तपोषित प्लेटफ़ॉर्म, स्रोत पर प्रबंधित गुणवत्ता, और इसके संगठनात्मक आकार के लिए चुनी गई वास्तुकला इसके सम्मेलन कैलेंडर के लिए नहीं। इसके विशिष्ट प्रलोभन जमाखोरी हैं (जिस प्रणाली की यह सेवा करता है उसके ख़िलाफ़ डेटा की रक्षा करना, संयोजनात्मक मूल्य समाप्त करते हुए) और मौन मुद्रीकरण (वाणिज्यिक सौदे जो मरीज़ पत्रकारों से खोजते हैं)। विशिष्ट अनुशासन आंतरिक पहुँच घर्षण को उतनी ही गंभीरता से मानना है जितना बाहरी: एक बीमाकर्ता जिसके अपने बीमांकिक डेटा के लिए महीनों प्रतीक्षा करते हैं उसने एक बाधा बनाई है, एक शासन कार्य नहीं।

सरकार

एक मंत्रालय या राष्ट्रीय एजेंसी वह परत रखती है जो कोई और नहीं रख सकता: वे पहचानकर्ता और मानक जो लिंकेज को संभव बनाते हैं, द्वितीयक उपयोग के लिए क़ानूनी ढाँचा, राष्ट्रीय पहुँच संस्थाएँ, और वे शर्तें जिन पर देश की डेटा संपत्ति शोध और उद्योग की सेवा करती है। संदर्भ पैटर्न अब मौजूद हैं — एकल फ़्रंट डोर के लिए फ़िनलैंड का Findata, पहुँच के लिए विश्वसनीय शोध वातावरण, सीमा-पार क़ानूनी ढाँचे के लिए यूरोपीय स्वास्थ्य डेटा स्पेस — और सरकारी कला अनुक्रमण है: प्लेटफ़ॉर्मों से पहले मानक और प्रबंधन वित्तपोषण, विवाद से पहले सार्वजनिक भागीदारी, टैब्लॉइड कहानी खोजने से पहले पारदर्शिता। सरकार राष्ट्रीय पैमाने पर विफलता विधियाँ भी वहन करती है: care.data दिखाता है कि एक विश्वास पतन की क्या लागत आती है, और अवित्तपोषित रजिस्ट्रियों का एक दशक दिखाता है कि प्रबंधन उपेक्षा की क्या लागत आती है। कर्तव्य राष्ट्रीय डेटा संपत्ति को बुनियादी ढाँचे के रूप में मानना है — वित्तपोषित, शासित, और सड़कों की तरह ज़िम्मेदार — क्योंकि कोई बाज़ार अभिनेता इसकी सार्वजनिक-वस्तु परत आपूर्ति नहीं करेगा (नीति मशीनरी विषय 3.2 — स्वास्थ्य नीति है)।

सामान्य विफलता के तरीके

• दलदल। एक लेक बनाना क्योंकि भंडारण सस्ता है और क्यूरेशन को हमेशा के लिए टालना, जब तक इसमें कुछ भी भरोसा या खोजा नहीं जा सकता। समाधान: बिना वित्तपोषित प्रबंधन और कैटलॉग योजना के कोई प्लेटफ़ॉर्म नहीं; टेराबाइट नहीं, उपयोग मापें।

• फिर से बनाई गई बाधा। सभी डेटा काम को एक टीम में केंद्रीकृत करना जो एक क़तार बन जाती है, या एक "मेश" में विकेंद्रीकृत करना जिसे कोई डोमेन स्टाफ़ करने के लिए वित्तपोषित नहीं है। समाधान: वास्तुकला को इस आधार पर चुनें कि संदर्भ और क्षमता वास्तव में कहाँ बैठती है, और आपके द्वारा चुने गए मॉडल को वित्तपोषित करें।

• झूठी सुरक्षा के रूप में घर्षण। बहु-वर्षीय पहुँच प्रक्रियाएँ जो सहनशक्ति से राशन करती हैं जबकि अनुरोध पर अनऑडिटेड एक्सट्रैक्ट शिप करती हैं। समाधान: एकल फ़्रंट डोर, प्रकाशित समयरेखाएँ, जाँचे गए निकास के साथ एनक्लेव-आधारित पहुँच।

• डाउनस्ट्रीम पर दोषी ठहराई गई गुणवत्ता। हर अध्ययन में उन्हीं दोषों को साफ़ करना जबकि निर्माण बिंदु कभी उनके बारे में नहीं सुनता। समाधान: डेटा निर्माताओं के लिए प्रतिक्रिया लूप, फिर से डिज़ाइन किए गए कैप्चर मार्ग, लेखा-परीक्षा सत्यापित कर सकने वाली चीज़ों के साथ संरेखित प्रोत्साहन।

• अति-दावा किया गया गुमनामीकरण। एक पुनः-पहचान कहानी टूटने तक गुमनाम डेटा को जोखिम-मुक्त के रूप में विपणित करना। समाधान: गुमनामीकरण को एक स्पेक्ट्रम मानें, अवशिष्ट जोखिम दस्तावेज़ीकृत करें, और तकनीक को उपयोग से मिलाएँ।

• आश्चर्य मुख्य-शीर्षक। डेटा उपयोग — विशेष रूप से वाणिज्यिक — जिनके बारे में जनता पहले पत्रकारों से सीखती है। समाधान: उपयोग रजिस्टर प्रकाशित करें, वाणिज्यिक शर्तें अग्रिम रूप से सार्वजनिक रूप से निर्धारित करें, पहुँच नीति में मरीज़ों को शामिल करें।

• अगणित मूल्य। एक प्लेटफ़ॉर्म जो नहीं बता सकता कि इसकी पहुँच ने क्या सक्षम किया, बजट के समय रक्षाहीन। समाधान: पहुँच प्रक्रिया के हिस्से के रूप में पहुँच द्वारा सक्षम अध्ययन, निर्णय, और बचत ट्रैक करें।

• जमाखोरी। संस्थाएँ सौदेबाज़ी शक्ति के रूप में डेटा की रक्षा कर रही हैं जबकि लिंकेज का संयोजनात्मक मूल्य प्रणाली-व्यापी समाप्त होता है। समाधान: साझाकरण को वित्तपोषित, मानकीकृत डिफ़ॉल्ट बनाएँ और जमाखोरी को वह स्थिति बनाएँ जिसे अपना औचित्य साबित करना चाहिए।

परिपक्वता मॉडल

जाँच-सूची

• महत्वपूर्ण डेटा संपत्तियों की एक सूची बनाए रखें, हर एक के साथ एक नामित प्रबंधक और एक वित्तपोषित क्यूरेशन योजना।
• वेयरहाउस, लेक, या मेश को इस आधार पर चुनें कि संदर्भ, क्षमता, और बाधाएँ वास्तव में कहाँ बैठती हैं — और चुने गए मॉडल को वित्तपोषित करें।
• कभी भी बिना प्रबंधन, कैटलॉग, और मेटाडेटा बजट के एक डेटा प्लेटफ़ॉर्म कमीशन न करें।
• निर्माण के बिंदु पर डेटा गुणवत्ता मापें और इसे बनाने वाले लोगों को प्रतिक्रिया लूप बंद करें।
• सिरे-से-सिरे पहुँच समय को एक लागत के रूप में मापें, लक्ष्य प्रकाशित करें, और अनुरोधों के लिए एक एकल फ़्रंट डोर बनाएँ।
• जाँचे गए निकास के साथ विश्वसनीय शोध वातावरण के लिए डिफ़ॉल्ट करें; शिप किए गए एक्सट्रैक्ट को अपवाद और देयता मानें।
• गोपनीयता तकनीक (गुमनामीकरण, अंतर गोपनीयता, फ़ेडरेटेड दृष्टिकोण) को हर उपयोग से मिलाएँ और अवशिष्ट जोखिम को ईमानदारी से दस्तावेज़ीकृत करें।
• डेटा उपयोगों का रजिस्टर प्रकाशित करें और मरीज़ों तथा जनता को पहुँच नीति में शामिल करें।
• वाणिज्यिक पहुँच शर्तें खुले तौर पर और अग्रिम रूप से निर्धारित करें, शुल्क और सार्वजनिक प्रणाली के प्रतिफल सहित।
• सार्वजनिक-हित छूट के साथ लागत-वसूली पर पहुँच की क़ीमत लगाएँ, एकाधिकार किराए पर नहीं और शून्य पर नहीं।
• पहुँच द्वारा सक्षम मूल्य — अध्ययन, निर्णय, सुरक्षा निष्कर्ष, टाला गया दोहराव — ट्रैक और प्रकाशित करें।
• हर प्रकाशित डेटासेट के लिए प्रबंधन मानक के रूप में FAIR सिद्धांत (खोजने-योग्य, सुलभ, अंतरसंचालनीय, पुन: उपयोग-योग्य) लागू करें।

Key sources

• OECD — Recommendation on Health Data Governance (2016), the intergovernmental baseline for national health-data frameworks.
• European Union — European Health Data Space regulation, the emerging legal scaffolding for primary and secondary use across member states.
• Findata (Finland) — the national health and social data permit authority, the reference implementation of a single front door with secure access.
• Health Data Research UK — national institute for health-data science, including work on trusted research environments and data access.
• FAIR principles (Wilkinson et al., 2016) — the findable–accessible–interoperable–reusable standard for data stewardship.
• The care.data programme and its published post-mortems — the canonical case study in losing the social licence for health-data use.

References

1. Health data — Wikipedia — https://en.wikipedia.org/wiki/Health_data
2. Secondary data — Wikipedia — https://en.wikipedia.org/wiki/Secondary_data
3. Data warehouse — Wikipedia — https://en.wikipedia.org/wiki/Data_warehouse
4. Data lake — Wikipedia — https://en.wikipedia.org/wiki/Data_lake
5. Data mesh — Wikipedia — https://en.wikipedia.org/wiki/Data_mesh
6. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
7. Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
8. De-identification — Wikipedia — https://en.wikipedia.org/wiki/De-identification
9. Differential privacy — Wikipedia — https://en.wikipedia.org/wiki/Differential_privacy
10. Federated learning — Wikipedia — https://en.wikipedia.org/wiki/Federated_learning
11. General Data Protection Regulation — Wikipedia — https://en.wikipedia.org/wiki/General_Data_Protection_Regulation
12. European Health Data Space — Wikipedia — https://en.wikipedia.org/wiki/European_Health_Data_Space
13. FAIR data — Wikipedia — https://en.wikipedia.org/wiki/FAIR_data
14. Care.data — Wikipedia — https://en.wikipedia.org/wiki/Care.data
15. Findata — Finnish Social and Health Data Permit Authority — https://findata.fi/en/
16. Health Data Research UK — https://www.hdruk.ac.uk/