Calidad vinculada a una finalidad
La calidad de un conjunto de datos depende de lo que se pretende hacer con él. Un registro suficiente para localizar un documento puede ser insuficiente para comparar exposiciones entre centros. Antes de recopilar información conviene definir qué decisión se quiere apoyar, qué población se analiza y qué nivel de detalle resulta necesario.
En analítica de SST, los problemas suelen aparecer al unir registros creados con finalidades distintas. Accidentes, inspecciones, formación y vigilancia de la salud no comparten automáticamente las mismas unidades ni periodos. La integración debe conservar el significado de cada dato para que un resultado numérico no parezca más sólido de lo que realmente es.
Definiciones y datos maestros
La organización necesita criterios comunes para centros, puestos, tareas, equipos, personas y tipos de suceso. Conviene documentar qué significa cada campo, quién lo mantiene y cuándo cambia. Una misma palabra puede utilizarse de forma distinta entre unidades; por ejemplo, una medida puede figurar como cerrada cuando se ha comprado un equipo o solo cuando se ha comprobado su eficacia.
Los identificadores estables permiten relacionar registros sin confundir nombres parecidos. También debe conservarse el contexto histórico: si una persona cambia de puesto, el accidente anterior sigue vinculado a las condiciones existentes cuando ocurrió. Sustituir retrospectivamente todos los datos por la situación actual puede distorsionar el análisis.
Exactitud, cobertura y oportunidad
La exactitud exige que la información represente correctamente el hecho o atributo relevante. La cobertura permite saber qué casos se incluyen y cuáles faltan. La oportunidad se refiere a que el dato esté disponible a tiempo para la decisión. Estas dimensiones pueden fallar de forma independiente: un registro correcto puede llegar demasiado tarde o representar solo una parte del trabajo.
La ausencia de un accidente registrado no equivale necesariamente a ausencia de accidentes. Del mismo modo, un centro con pocas observaciones puede tener menos problemas o comunicar menos. La revisión debe contrastar fuentes, facilitar la notificación y analizar vacíos antes de presentar una comparación como evidencia de mejor desempeño.
Coherencia de cálculos e indicadores
Los indicadores de SST necesitan numerador, denominador, periodo y alcance compatibles. Si se cuentan sucesos de personal propio y contratistas, no debe utilizarse sin explicación una población que solo representa al personal propio. Las horas, personas expuestas o tareas observadas deben corresponder al fenómeno que se compara.
Los indicadores proactivos y reactivos aportan perspectivas diferentes. El número de inspecciones informa de actividad, mientras que la corrección comprobada de hallazgos aporta otra evidencia. Conviene evitar cambios de definición no documentados, redondeos que oculten diferencias y comparaciones de grupos pequeños sin explicar su variabilidad.
Controles durante el ciclo de vida
Los controles pueden incluir campos necesarios, formatos válidos, detección de duplicados y reglas de coherencia. Deben diseñarse para ayudar a registrar bien, sin forzar respuestas ficticias cuando la información todavía no se conoce. Es preferible identificar un dato pendiente y asignar su revisión que convertir la incertidumbre en un valor aparentemente definitivo.
La información documentada necesita responsables, versiones y un historial suficiente de cambios. Las correcciones deben propagarse a los informes afectados de forma controlada. También conviene revisar importaciones y conexiones entre sistemas: una tabla completa puede contener errores si se han intercambiado unidades, fechas o identificadores durante la transferencia.
Datos personales e inteligencia artificial
La calidad debe coordinarse con finalidad, minimización y protección de datos. Recopilar toda la información disponible no es un criterio adecuado. Los datos de salud exigen garantías específicas y acceso restringido; los análisis generales deben utilizar el nivel de agregación necesario para su objetivo y evitar identificar personas innecesariamente.
En la utilización de IA, además de la exactitud individual importa la idoneidad del conjunto. Los datos deben representar las situaciones donde se usará el sistema. Un modelo puede funcionar aparentemente bien con registros históricos y fallar ante un nuevo proceso, otra población o un cambio en la forma de notificar.
Ejemplo práctico
En un ejemplo hipotético, dos centros comparan el porcentaje de formación completada. Uno incluye a toda la plantilla activa y el otro mantiene también personas que ya no trabajan allí. Además, el primero exige evaluación final y el segundo considera suficiente abrir el curso. La diferencia del indicador mezcla problemas de población y definición.
La organización acuerda el criterio, corrige el alcance y documenta la fecha del cambio. Recalcula las comparaciones que pueden rehacerse con información fiable y marca las limitaciones del histórico restante. El resultado no consiste solo en limpiar una tabla: establece reglas para que el mismo problema no reaparezca en el siguiente informe.
Seguimiento de la calidad
Conviene medir problemas relevantes: registros duplicados, campos esenciales pendientes, retrasos, discrepancias y correcciones recurrentes. Cada indicador de calidad necesita un responsable capaz de actuar sobre el origen del error. Corregir manualmente un informe todos los meses puede ocultar un problema persistente en la captura o integración.
La protección de datos de salud y la utilidad preventiva deben mantenerse durante todo el proceso. La finalidad de la calidad es permitir decisiones mejor fundamentadas, explicando qué se sabe y qué no. Un sistema fiable conserva las limitaciones de los datos en lugar de disimularlas con más gráficos o cifras.
