ENTERTAINMENT

डेटा इक्विटी के लिए एक कॉल: स्वास्थ्य परिणामों में सुधार के लिए महामारी डेटा दुर्घटनाओं का उपयोग करना

हम कहाँ रहते हैं यह निर्धारित करता है कि हम कब तक रहते हैं। इसे फिर से पढ़ें।

स्वास्थ्य संबंधी विषमताएं, बड़े हिस्से में, हम जहां रहते हैं, उससे निर्धारित होती हैं। नैशविले में – एक शहर जो एक प्रसिद्ध स्वास्थ्य केंद्र होने पर गर्व करता है – जीवन प्रत्याशा पड़ोसी विलियमसन काउंटी में जाने से 5 साल बढ़ जाती है। इसी तरह के पैटर्न पूरे अमेरिका में अन्य शहरों में सही हैं

का हवाई दृश्य लाइनों से जुड़ी भीड़

गेटी

सार्वजनिक स्वास्थ्य में हममें से उन लोगों के लिए, यह दुर्भाग्यपूर्ण वास्तविकता आश्चर्यजनक नहीं है। संरचनात्मक नस्लवाद—नस्लवाद की श्रेणी जो हमारे समुदायों के बुनियादी ढांचे से उपजा है—ने लंबे समय से अन्यायपूर्ण संसाधन आवंटन को निर्धारित किया है। गुणवत्तापूर्ण शिक्षा, पोषण संबंधी खाद्य पदार्थ और स्वास्थ्य सेवाओं जैसी चीजों तक असमान पहुंच से स्वास्थ्य के खराब परिणाम हो सकते हैं।

बिंदुओं को जोड़कर, यह देखना आसान है कि कैसे ज़िप कोड आनुवंशिक कोड की तुलना में स्वास्थ्य के बारे में अधिक भविष्यवाणी कर सकता है।

स्वास्थ्य संबंधी विषमताएं, विशेष रूप से हमारे घरों के स्थान से उपजी, केवल COVID-19 महामारी द्वारा बढ़ाई गई थीं। महामारी के दौरान, ज़िप कोड ने परीक्षण साइटों, व्यक्तिगत सुरक्षा उपकरण और टीके की उपलब्धता तक पहुंच निर्धारित की।

जबकि अधिकांश समुदाय हाशिए की आबादी के प्रति जागरूक थे सीमित महामारी संसाधनों के संबंध में महत्वपूर्ण निर्णय लेते समय, प्रयास कम हो गए और पहले से ही कमजोर आबादी को अनुपातहीन रूप से नतीजों को भुगतना पड़ा।

हम निशान से कैसे चूक गए? क्योंकि इन महत्वपूर्ण निर्णयों को करने के लिए इस्तेमाल किया जा रहा डेटा अपर्याप्त था और हमारे समुदायों की जरूरतों को गलत तरीके से प्रस्तुत किया गया था।

डेटा अनुपलब्ध होने से हमारे समुदायों को बनाने वाली विविध आबादी की जरूरतों का उचित आकलन करना मुश्किल हो जाता है। अंततः, यह एक नस्लवादी डेटा बुनियादी ढांचे और अंतर्निहित असमानताओं की निरंतरता में योगदान देता है जो व्यक्तिगत स्वास्थ्य और उससे आगे को प्रभावित करते हैं।

उदाहरण के लिए, डॉ. स्टेला यी

, एनवाईयू ग्रॉसमैन स्कूल ऑफ मेडिसिन डिपार्टमेंट ऑफ पॉपुलेशन हेल्थ में एक सहायक प्रोफेसर ने कहा:

“28 अप्रैल तक वें

, 2021, रिपोर्ट किए गए COVID-19 मामलों के 39 प्रतिशत से नस्ल / जातीयता डेटा गायब थे और राष्ट्रीय स्तर पर होने वाली मौतों का 17 प्रतिशत। वैक्सीन प्राप्तकर्ताओं के लिए नस्ल/जातीयता डेटा का एक बड़ा अनुपात गायब था, जिसमें पूरी तरह से टीकाकरण वाले 58 प्रतिशत लोग नस्ल/जातीयता की जानकारी से वंचित थे। “

इन कमियों के बहुत वास्तविक और हानिकारक परिणाम थे।

COVID-19 वैक्सीन रोलआउट के दौरान, डेटा ने यह निर्धारित करने में महत्वपूर्ण भूमिका निभाई कि पहले किन समुदायों और व्यक्तियों ने वैक्सीन प्राप्त की। हालाँकि, ये निर्णय एकत्र किए गए डेटा का उपयोग करके किए गए थे, जिसमें अधिकांश नस्ल और जातीयता डेटा गायब थे। बिना उचित प्रतिनिधित्व के महत्वपूर्ण निर्णय लिए गए। और, हमारे सार्वजनिक स्वास्थ्य डेटा बुनियादी ढांचे के भीतर इक्विटी की कमी के कारण हाशिए पर रहने वाली आबादी पर प्रतिकूल प्रभाव पड़ा।

यह अस्वीकार्य है।

सर्वोत्तम नीति के लिए, हमें सर्वोत्तम डेटा की आवश्यकता है: डेटा जो हमारे समुदायों की बदलती जरूरतों को सटीक रूप से दर्शाता है। अच्छा डेटा व्यापक और बारीक दोनों होना चाहिए ताकि समुदायों के भीतर विशेष समूह अपनी विशिष्ट स्वास्थ्य चुनौतियों का आकलन कर सकें। सबसे महत्वपूर्ण बात यह है कि अच्छा डेटा कार्रवाई योग्य होना चाहिए, असमानताओं और उनके डाउनस्ट्रीम स्वास्थ्य प्रभावों के बीच एक पुल का निर्माण करना चाहिए।

इस परिभाषा के अनुसार, हमारी वर्तमान सार्वजनिक स्वास्थ्य डेटा प्रणाली अच्छा डेटा नहीं बना रही है। हमें स्वास्थ्य डेटा को एकत्रित, विश्लेषण और उपयोग करने के तरीके की फिर से कल्पना करने की आवश्यकता है। हमें डेटा इक्विटी की आवश्यकता है।

हमारे मौजूदा बुनियादी ढांचे को बेहतर बनाने के लिए, हमें सभी क्षेत्रों में डेटा इक्विटी को बढ़ावा देने की जरूरत है- स्वास्थ्य देखभाल, आवास, आय, रोजगार और शिक्षा- हमारे समुदायों की एक अधिक व्यापक तस्वीर पेश करना। हम संघीय स्तर पर अपने वर्तमान नस्ल और जातीयता रिपोर्टिंग मानकों को संशोधित करके और इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड को अद्यतन करने के लिए समय और धन का निवेश करके शुरू कर सकते हैं।

वर्तमान में, प्रबंधन और बजट कार्यालय के लिए 5 जाति और जातीयता उपसमूहों को सूचीबद्ध करने की आवश्यकता है: अमेरिकी भारतीय या अलास्का मूल निवासी, एशियाई, अश्वेत या अफ्रीकी अमेरिकी, मूल हवाईयन या अन्य प्रशांत द्वीप वासी, या श्वेत। इन्हें अनिवार्य होने के बावजूद, कई काउंटी, राज्य और एजेंसियां ​​प्रवर्तन उपायों की कमी के कारण इन आंकड़ों की रिपोर्ट करने में विफल रहती हैं।

व्यापक नस्ल और जातीयता श्रेणियों के भीतर मौजूद महत्वपूर्ण विविधता के लिए संघीय सरकार को वर्तमान न्यूनतम मानकों को अद्यतन करना चाहिए। इन मानकों को लगातार लागू किया जाना चाहिए।

इसके अलावा, अच्छा डेटा एकत्र करने में समय और पैसा लगेगा, खासकर इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड को अपडेट करने में। वर्तमान सिस्टम अपेक्षाकृत सीमित हैं और मेट्रो नैशविले में एक सहित कई स्वास्थ्य विभाग अभी भी कागजी रिकॉर्ड पर निर्भर हैं। इन अभिलेखों और संग्रह विधियों को अद्यतन करने से डेटा को समुदाय की जरूरतों का अधिक यथार्थवादी और वास्तविक समय मूल्यांकन स्थापित करने में मदद मिलेगी। यह बदले में अधिक सूचित नीति और आउटरीच की ओर ले जाएगा।

एक समान डेटा अवसंरचना न केवल हमारे समुदायों के भीतर प्रत्येक व्यक्ति के स्वास्थ्य में सुधार के लिए बल्कि नस्लवाद और भेदभाव का मुकाबला करने के लिए भी महत्वपूर्ण है।

बहुत काम किया जाना है, लेकिन हमारे मौजूदा तरीकों में संशोधन से हमें अपने समुदायों में अंतर्दृष्टि मिलेगी जो अधिक प्रभावी और लाभकारी नीति निर्णयों को सूचित कर सकते हैं। जबकि हमारा ध्यान सार्वजनिक स्वास्थ्य डेटा प्रणाली को बेहतर बनाने पर है, हमारी प्रेरणा इन आंकड़ों का उपयोग वास्तविक असमानताओं से निपटने के लिए होनी चाहिए जो खराब स्वास्थ्य परिणामों की ओर ले जाती हैं।

Back to top button
%d bloggers like this: