DOI: https://doi.org/10.2196/75275
PMID: https://pubmed.ncbi.nlm.nih.gov/41223409
تاريخ النشر: 2025-10-07
المؤلف: Jens Declerck وآخرون
الموضوع الرئيسي: جودة البيانات وإدارتها
نظرة عامة
تقيّم الدراسة إطار جودة بيانات AIDAVA، الذي يهدف إلى تعزيز التحقق من صحة بيانات الصحة من خلال نهج ديناميكي قائم على دورة الحياة باستخدام تقنيات رسم المعرفة وقواعد SHACL. غالبًا ما تعتمد الأطر التقليدية على التقييمات الثابتة، التي تفشل في معالجة الطبيعة المتطورة لدمج بيانات الصحة. تركز هذه الدراسة بشكل خاص على قدرة الإطار على اكتشاف وإدارة مشكلات جودة البيانات، لا سيما الاكتمال والاتساق، خلال عملية الدمج.
باستخدام مجموعة بيانات MIMIC-III، قام الباحثون بمحاكاة تحديات جودة البيانات في العالم الحقيقي من خلال إدخال ضوضاء منظمة، مثل القيم المفقودة والتناقضات المنطقية. تم تحويل البيانات إلى رسومات معرفة المصدر (SKGs) ودمجها في رسم معرفة الصحة الشخصية الموحد (PHKG). سمح التطبيق التكراري لقواعد التحقق من صحة SHACL بتقييم شامل لجودة البيانات عبر مستويات ضوضاء مختلفة وتسلسلات دمج متنوعة. تشير النتائج إلى أن إطار AIDAVA يحدد بفعالية مشكلات جودة البيانات ويقدم ملاحظات قابلة للتفسير، مما يبرز تأثير الاكتمال على درجات الاتساق وحساسية السمات المحددة للمجال لترتيب الدمج وفجوات البيانات.
في الختام، يدعم إطار AIDAVA التحقق الديناميكي القائم على القواعد طوال دورة حياة البيانات، مما يسهل الكشف المبكر والتخفيف الاستراتيجي لمشكلات جودة البيانات. من خلال مراعاة كل من نقاط الضعف المحددة للأبعاد والتفاعلات عبر الأبعاد، فإنه يؤسس أساسًا قويًا لدمج بيانات الصحة عالية الجودة وقابلة للتوسع. يجب أن تركز الأبحاث المستقبلية على نشر الإطار في البيئات السريرية وتوسيع تطبيقه ليشمل أبعاد جودة إضافية، مما يعزز الثقة في استخدام بيانات الصحة الثانوية.
مقدمة
تؤكد المقدمة على الحاجة الملحة لسجلات صحية عالية الجودة وقابلة للتشغيل البيني للمرضى في تعزيز الرعاية الصحية والبحث الطبي. وتبرز أن البيانات الدقيقة والمنظمة لا تحسن فقط من قابلية تكرار البحث، بل تسهل أيضًا اتخاذ قرارات سريرية أفضل ونتائج أفضل للمرضى. ومع ذلك، فإن دمج بيانات الصحة من مصادر متنوعة غالبًا ما يؤدي إلى تحديات مثل التجزئة والتباين والمعلومات غير المكتملة، مما يقوض قابلية استخدام البيانات وإنشاء مجموعات بيانات ذات معنى سريري.
تركز الأساليب الحالية لجودة بيانات الصحة عادةً على التقييمات الثابتة لأبعاد الجودة القياسية، التي تفشل في التقاط الطبيعة الديناميكية لدورة حياة البيانات. تحد هذه القيود من تحديد مشكلات الجودة المتطورة عبر مراحل مختلفة من تحويل البيانات، بما في ذلك الاستخراج والتوافق والتحقق. لمعالجة هذه التحديات، يقترح مشروع AIDAVA إطار جودة بيانات ديناميكي يدعم التقييم المستمر عبر دورة حياة البيانات، باستخدام رسم معرفة الصحة الشخصية (PHKG) كنموذج مركزي للمرضى وقابل للتشغيل البيني. تقيم هذه الورقة فعالية إطار AIDAVA في اكتشاف وتحسين مشكلات جودة البيانات، لا سيما فيما يتعلق بالاكتمل والاتساق، بينما تستكشف أيضًا الاعتماد المتبادل لهذه الأبعاد عبر خط أنابيب تحويل البيانات.
النتائج
في قسم النتائج، توضح الدراسة عملية دمج منهجية لعدة جداول، بدءًا من جدول المرضى والتقدم عبر جداول القبول، والأحداث الطبية، والتشخيصات. تم تصميم الإطار المستخدم لتقييم اكتمال البيانات واتساقها في كل مرحلة، مما يسمح بتتبع تباينات جودة البيانات طوال عملية الدمج. تم أيضًا اختبار تسلسل دمج بديل، بدءًا من الأحداث الطبية وانتهاءً بالمرضى، لتقييم متانة الإطار.
تشمل النتائج تقييمًا أساسيًا لجودة البيانات تم إجراؤه بدون ضوضاء، والذي يعمل كنقطة مرجعية للتقييمات اللاحقة. تكشف درجات جودة البيانات النهائية، المستمدة من الدمج الكامل عبر مستويات ضوضاء مختلفة لكلا تسلسل الدمج، عن اتجاهات ملحوظة في جودة البيانات. يتم تقديم تحليل شامل للتغييرات الملحوظة عند مستويات ضوضاء محددة في الملحق، مما يوفر رؤى إضافية حول تأثير الضوضاء على سلامة البيانات طوال عملية الدمج.
المناقشة
في هذا القسم، تناقش الدراسة النهج المبتكر لإطار AIDAVA لضمان جودة البيانات في بيانات الرعاية الصحية المدمجة، مع التركيز بشكل خاص على الاستخدام الثانوي للسجلات الصحية الإلكترونية (EHRs). يميز الإطار نفسه عن المنهجيات السابقة من خلال اعتماد نموذج قائم على دورة الحياة يسمح بالمراقبة المستمرة والتحقق من جودة البيانات طوال عملية دمج البيانات. يتم تحقيق ذلك من خلال تضمين قواعد التحقق من صحة لغة قيود الأشكال (SHACL) مباشرة في خط أنابيب رسم المعرفة، مما يمكّن من التقييمات الفورية للاكتمال والاتساق أثناء استيعاب البيانات وتحويلها.
تؤكد الدراسة على أهمية الاكتمال والاتساق كأبعاد حاسمة لجودة البيانات، والتي يتم قياسها بشكل منهجي باستخدام قواعد محددة مسبقًا وتقنيات التحقق الآلي. يعمل إطار AIDAVA عبر أربعة مستويات من دمج البيانات: جمع البيانات الخام، والتحويل إلى رسومات معرفة المصدر (SKGs)، والدمج في رسم معرفة الصحة الشخصية (PHKG)، والتحويل للاستخدام الثانوي. تشير النتائج إلى أنه بينما تظل جودة البيانات عالية في غياب الضوضاء، فإن إدخال ضوضاء اصطناعية تحاكي مشكلات جودة البيانات في العالم الحقيقي يؤدي إلى انخفاض كبير في درجات الاكتمال والاتساق. ومن الجدير بالذكر أن النتائج تكشف أن ترتيب دمج البيانات لا يؤثر بشكل كبير على جودة البيانات العامة، على الرغم من أن القيم الوسيطة المحددة قد تختلف. وهذا يبرز متانة إطار AIDAVA في إدارة تحديات جودة البيانات في بيئات بيانات الصحة المتنوعة.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة للبحث المستقبلي لتعزيز قابلية تطبيق إطار AIDAVA في البيئات الصحية الواقعية. أولاً، الاعتماد على مجموعة بيانات MIMIC-III، رغم فائدته للاختبار المنضبط، لا يأخذ في الاعتبار التعقيدات والتباينات الموجودة في بيئات الرعاية الصحية الحية، مثل اختلاف طرق جمع البيانات وخصائص المرضى. يجب أن تهدف الدراسات المستقبلية إلى تطبيق الإطار على مجموعات بيانات متنوعة وغير محددة الهوية تعكس بشكل أكثر دقة هذه الظروف الواقعية.
ثانيًا، إن محاكاة الدراسة لمشكلات جودة البيانات من خلال ضوضاء اصطناعية منظمة تفشل في التقاط الطبيعة غير المتوقعة للأخطاء الموجودة في بيانات الصحة التشغيلية، والتي غالبًا ما تتضمن تناقضات تعتمد على السياق وغياب غير موثق. يجب أن تستكشف الأبحاث المستقبلية أداء الإطار في سيناريوهات حقيقية لفهم متانته بشكل أفضل. بالإضافة إلى ذلك، بينما ركز إطار AIDAVA على الاتساق والاكتمل، لم يقيم أبعاد جودة البيانات الحاسمة الأخرى، مثل التوقيت والتميز. سيوفر توسيع الإطار ليشمل هذه الأبعاد تقييمًا أكثر شمولاً لبيانات الصحة المدمجة. أخيرًا، لا تزال قابلية توسيع إطار AIDAVA لدمج بيانات الصحة عالية السرعة على نطاق واسع غير مستكشفة، مما يتطلب مزيدًا من التحقيق في أدائه في النشر الواسع. سيكون من الضروري معالجة هذه القيود من أجل تكيف الإطار وفعاليته عبر تطبيقات الرعاية الصحية المختلفة.
DOI: https://doi.org/10.2196/75275
PMID: https://pubmed.ncbi.nlm.nih.gov/41223409
Publication Date: 2025-10-07
Author(s): Jens Declerck et al.
Primary Topic: Data Quality and Management
Overview
The research evaluates the AIDAVA data quality framework, which aims to enhance the validation of health data through a dynamic, lifecycle-based approach utilizing knowledge graph technologies and SHACL-based rules. Traditional frameworks often rely on static assessments, which fail to address the evolving nature of health data integration. This study specifically focuses on the framework’s ability to detect and manage data quality issues, particularly completeness and consistency, during the integration process.
Using the MIMIC-III dataset, the researchers simulated real-world data quality challenges by introducing structured noise, such as missing values and logical inconsistencies. The data was transformed into Source Knowledge Graphs (SKGs) and integrated into a unified Personal Health Knowledge Graph (PHKG). The iterative application of SHACL validation rules allowed for a comprehensive assessment of data quality across various noise levels and integration sequences. The findings indicate that the AIDAVA framework effectively identifies data quality issues and provides interpretable feedback, highlighting the influence of completeness on consistency scores and the sensitivity of domain-specific attributes to integration order and data gaps.
In conclusion, the AIDAVA framework supports dynamic, rule-based validation throughout the data lifecycle, facilitating early detection and strategic mitigation of data quality issues. By considering both dimension-specific vulnerabilities and cross-dimensional interactions, it establishes a robust foundation for scalable, high-quality health data integration. Future research should focus on deploying the framework in clinical settings and expanding its application to additional quality dimensions, thereby enhancing trust in secondary health data use.
Introduction
The introduction emphasizes the critical need for high-quality, interoperable patient health records in enhancing healthcare and medical research. It highlights that accurate and structured data not only improves research reproducibility but also facilitates better clinical decision-making and patient outcomes. However, the integration of health data from diverse sources often leads to challenges such as fragmentation, variability, and incomplete information, which undermine data usability and the creation of clinically meaningful datasets.
Current approaches to health data quality typically focus on static evaluations of standardized quality dimensions, which fail to capture the dynamic nature of the data lifecycle. This limitation restricts the identification of evolving quality issues throughout various stages of data transformation, including extraction, harmonization, and validation. To address these challenges, the AIDAVA project proposes a dynamic data quality framework that supports continuous assessment across the data lifecycle, utilizing the Personal Health Knowledge Graph (PHKG) as a patient-centered, interoperable model. This paper evaluates the effectiveness of the AIDAVA framework in detecting and improving data quality issues, particularly concerning completeness and consistency, while also exploring the interdependencies of these dimensions throughout the data transformation pipeline.
Results
In the results section, the research outlines a systematic integration process of multiple tables, specifically starting with the PATIENTS table and progressing through ADMISSIONS, CPTEVENTS, and DIAGNOSES_ICD. The framework employed was designed to evaluate data completeness and consistency at each stage, allowing for the tracking of data quality variations throughout the integration. An alternative integration sequence was also tested, beginning with CPTEVENTS and concluding with PATIENTS, to assess the robustness of the framework.
The findings include a baseline data quality assessment conducted without noise, which serves as a reference point for subsequent evaluations. The final data quality scores, derived from full integration across different noise levels for both integration sequences, reveal significant trends in data quality. A comprehensive analysis of the changes observed at specific noise levels is provided in the appendix, offering further insights into the impact of noise on data integrity throughout the integration process.
Discussion
In this section, the research discusses the AIDAVA framework’s innovative approach to ensuring data quality in integrated healthcare data, particularly focusing on the secondary use of electronic health records (EHRs). The framework distinguishes itself from previous methodologies by adopting a lifecycle-based model that allows for continuous monitoring and validation of data quality throughout the data integration process. This is achieved by embedding Shapes Constraint Language (SHACL) validation rules directly into the knowledge graph pipeline, enabling real-time assessments of completeness and consistency as data is ingested and transformed.
The study emphasizes the importance of completeness and consistency as critical dimensions of data quality, which are systematically measured using predefined rules and automated validation techniques. The AIDAVA framework operates across four levels of data integration: raw data collection, transformation into Source Knowledge Graphs (SKGs), integration into a Personal Health Knowledge Graph (PHKG), and transformation for secondary use. The findings indicate that while data quality remains high in the absence of noise, the introduction of artificial noise simulating real-world data quality issues leads to a significant decline in completeness and consistency scores. Notably, the results reveal that the order of data integration does not significantly impact overall data quality, although specific intermediate values may vary. This highlights the robustness of the AIDAVA framework in managing data quality challenges in heterogeneous health data environments.
Limitations
The limitations of this study highlight several critical areas for future research to enhance the applicability of the AIDAVA framework in real-world healthcare settings. Firstly, the reliance on the MIMIC-III dataset, while beneficial for controlled testing, does not account for the complexities and variabilities inherent in live healthcare environments, such as differing data collection methods and patient demographics. Future studies should aim to apply the framework to diverse, nondeidentified datasets that more accurately reflect these real-world conditions.
Secondly, the study’s simulation of data quality issues through structured artificial noise fails to capture the unpredictable nature of errors present in operational health data, which often includes context-dependent inconsistencies and undocumented missingness. Future research should investigate the framework’s performance in authentic scenarios to better understand its robustness. Additionally, while the AIDAVA framework focused on consistency and completeness, it did not assess other critical dimensions of data quality, such as timeliness and uniqueness. Expanding the framework to include these dimensions will provide a more comprehensive evaluation of integrated health data. Lastly, the scalability of the AIDAVA framework for large-scale, high-velocity health data integration remains unexplored, necessitating further investigation into its performance in extensive deployments. Addressing these limitations will be vital for the framework’s adaptability and effectiveness across various healthcare applications.