Stay tuned.

ご期待ください。

Hey everyone, I'm Josh Matlock.

ジョシュ・マトロックです。

For those of you who are new to my channel, I am a clinical data analyst with eight years of experience and in my channel, I teach current and aspiring data professionals how to succeed in the healthcare industry.

私のチャンネルを初めてご覧になる方のために説明すると、私は8年の経験を持つ臨床データアナリストで、このチャンネルでは医療業界で成功する方法を現役のデータ専門家やこれからデータ専門家を目指す人たちに教えている。

Jumping right into things, there are four major types of data that you might expect to encounter in the healthcare industry.

さっそくだが、医療業界で遭遇する可能性のあるデータには、大きく分けて4つのタイプがある。

They are data coming from EHRs or electronic health records, clinical slash disease registries, claims data, and external reporting data.

EHR（電子カルテ）、臨床登録、疾病登録、請求データ、外部報告データなどである。

And that's things like data that have to be submitted to various vendors and organizations for various reasons.

そしてそれは、様々な理由で様々なベンダーや組織に提出しなければならないデータのようなものだ。

As you can imagine, healthcare data covers a very wide variety of subjects and it's very rich.

ご想像の通り、ヘルスケアデータは非常に幅広いテーマをカバーしており、非常に豊富である。

So let's start with EHR data.

では、EHRデータから始めよう。

EHRs are a type of software that allow healthcare professionals to document information about a patient, order tests, medications, and labs, schedule appointments and surgeries, assign resources to a patient, and much more.

EHRは、医療専門家が患者に関する情報を文書化し、検査、投薬、ラボをオーダーし、予約や手術をスケジュールし、患者にリソースを割り当てるなど、さまざまなことを可能にするソフトウェアの一種である。

Believe it or not, only in the last 10 to 15 years have we actually seen EHRs be widely adopted in the United States, which could explain why healthcare has a lot of technical debt compared to other industries like banking or tech, which have had digital records for much longer.

信じられないかもしれないが、実際に米国でEHRが広く採用されるようになったのは、ここ10〜15年のことである。このことは、デジタル記録をずっと以前から持っている銀行やハイテクといった他の業界に比べて、医療が多くの技術的負債を抱えている理由を説明できるかもしれない。

In general, when you're a patient in a hospital, there could be many different people interacting with the EHR to record the details of the encounter.

一般的に、病院で患者を診察する場合、診察の詳細を記録するために、さまざまな人がEHRとやりとりする可能性がある。

For example, if a patient came into the hospital with appendicitis, there might be a record showing the patient arriving in the emergency room, along with the notes describing what the doctor actually observed when they evaluated the patient.

たとえば、ある患者が虫垂炎で入院してきた場合、救急治療室に到着した患者を示す記録と、医師が患者を評価した際に実際に観察した内容を記したメモがあるかもしれない。

There might be a section where the patient's vitals were assessed.

患者のバイタルを評価するセクションがあるかもしれない。

There might have been lab values that were drawn, a physical examination.

検査値が引かれ、身体検査が行われたかもしれない。

There could have been relevant imaging performed, as well as a surgery to remove the appendix.

虫垂を切除する手術だけでなく、関連する画像診断が行われたかもしれない。

A medical coder is going to assign ICD-10-CM codes to provide the patient with a diagnosis, as well as possibly ICD-10-PCS codes, which are the inpatient procedural codes that identify the surgery.

医療コーダーは、ICD-10-CMコードを割り当てて患者に診断を提供するだけでなく、場合によってはICD-10-PCSコード（手術を特定する入院患者手続きコード）も割り当てます。

Many staff members might be entering information into the patient's chart, and they can see those updates live.

多くのスタッフが患者のカルテに情報を入力しているかもしれないが、彼らはそれらの更新をライブで見ることができる。

However, if you wanted to pull data out of the EMR en masse for a group of patients and not just one, using something like SQL, you're probably not going to be able to see the data live like the clinicians that are documenting.

しかし、SQLのようなものを使って、1人の患者だけでなく、複数の患者のデータをEMRから一括して取り出したい場合、おそらく文書化する臨床医のようにデータをライブで見ることはできないだろう。

Why is that?

どうしてですか？

Well, many medical applications use a language called MUMPS, which stands for the Massachusetts General Hospital Utility Multiprogramming System, also known as M.

医療用アプリケーションの多くは、MUMPSと呼ばれる言語を使っている。MUMPSとは、Massachusetts General Hospital Utility Multiprogramming Systemの略で、Mとしても知られている。

MUMPS is a programming and database management language that is used widely in EHRs.

MUMPSは、EHRで広く使われているプログラミングおよびデータベース管理言語である。

However, the way that it stores data is complicated.

しかし、データの保存方法は複雑だ。

The data is basically stored like a tree, where data exists at terminal nodes.

データは基本的にツリーのように格納され、末端のノードにデータが存在する。

This differs dramatically from relational database management systems, which store data in a tabular format.

これは、表形式でデータを保存するリレーショナル・データベース管理システムとは大きく異なる。

It has to be moved over to the tabular format using a data migration process called ETL, which stands for extract, transform, and load.

ETL（抽出、変換、ロードの略）と呼ばれるデータ移行プロセスを使って、表形式に移行しなければならない。

Because there's so much data that needs to be transported, it would be very inefficient to transmit it every single second or minute.

伝送する必要があるデータが非常に多いため、1秒や1分ごとに伝送するのは非常に非効率的だ。

So instead, data usually gets moved from that MUMPS database into a relational database in one big giant batch every night.

その代わり、データはMUMPSデータベースからリレーショナル・データベースに、毎晩大きなバッチで移動される。

So by the time you see that data in SQL, it's already about a day old usually.

だから、SQLでそのデータを見たときには、すでに1日ほど前のデータになっているのが普通だ。

There are many tables that you will see imported into the relational database from the EMR system.

EMRシステムからリレーショナル・データベースにインポートされるテーブルは数多くある。

Some of the main ones include patient information, like their name and their demographics, encounter information, and that'll include things like outpatient encounters, where the patient will usually be in the hospital for less than a day, or inpatient encounters, where the patient needed to be hospitalized and spend several days in the hospital.

主なものには、患者の氏名や属性などの患者情報、エンカウント情報、患者が通常1日未満しか入院しない外来患者とのエンカウントや、入院が必要で数日間入院した患者とのエンカウントなどがある。

You also have observations information, which are things like lab values, survey data, vitals, and those are recorded multiple times over a given period using something called a flowsheet.

また、検査値、調査データ、バイタルなどの観察情報もあり、これらはフローシートと呼ばれるものを使って一定期間に複数回記録される。

You also have a conditions table, which will store things like the diagnosis during the encounter or the admitting diagnosis or the discharge diagnosis.

また、コンディション・テーブルがあり、これは、受診時の診断、入院時の診断、退院時の診断などを保存する。

You might have a problem list, which tracks the active and resolved problems that a patient had throughout their lifetime.

患者が生涯を通じて抱えていた有効な問題と解決された問題を追跡する問題リストがあるかもしれない。

There's going to be a procedures table that's going to track all of the surgeries or medical interventions that were needed to be performed on the patient, and those could be major things like heart transplants, or they could be routine things like a colonoscopy.

その患者に必要だった手術や医療介入をすべて追跡するための処置表があり、それは心臓移植のような大がかりなものであるかもしれないし、大腸内視鏡検査のような日常的なものであるかもしれない。

This doesn't even scratch the surface of the type of data that you might expect to see in an EMR relational database.

これは、EMRリレーショナルデータベースに期待されるデータの種類の表面をかすめることさえない。

The list goes on and on and on, but needless to say, one patient can generate an enormous amount of data within their lifetime for just one hospital.

数え上げればきりがないが、言うまでもなく、1人の患者が1つの病院を受診することで、その生涯のうちに膨大な量のデータが生成される。

The two most common EHRs are Epic and Cerner, which possess most of the market share when it comes to EHRs.

最も一般的なEHRはEpicとCernerの2つで、EHRに関しては市場シェアの大半を占めている。

Now, before we move on, I should mention that I have a free 13-page PDF on my website that teaches you more about the most common EHR data that you'll encounter as a data analyst, as well as important clinical concepts that you should be familiar with.

さて、次に進む前に、データアナリストとして遭遇する最も一般的なEHRデータや、よく理解しておくべき重要な臨床概念について詳しく説明した13ページの無料PDFが私のウェブサイトにあることをお伝えしておきます。

So I encourage you to check that out.

だから、ぜひチェックしてほしい。

This is actually an excerpt from my upcoming clinical analytics accelerator course, which I hope to launch by the end of the year.

これは、私が年内に開講を予定している臨床分析アクセラレーターコースからの抜粋です。

So if you want to receive a copy of that PDF, go to my website, datawizardry.academy, input your name and email, and I'll send you a copy of the PDF.

PDFをご希望の方は、私のウェブサイトdatawizardry.academyにアクセスして、お名前とEメールを入力してください。

You can opt out of future emails at any time.

今後のメール配信はいつでも停止することができます。

I also have an entire one-hour lesson dedicated to learning the basics of SQL with EMR data using a synthetic dataset called Cynthia.

また、Cynthiaと呼ばれる合成データセットを使って、EMRデータを使ったSQLの基本を学ぶことに特化した1時間のレッスンもあります。

So also check that tutorial out if you haven't already.

もしまだなら、そのチュートリアルもチェックしてみてほしい。

All right, so next we have claims data.

さて、次はクレームデータだ。

Now, to be honest, claims data is the one that I'm least familiar with as I don't work with this data very often.

正直なところ、クレームデータはあまり扱うことがないため、最も馴染みのないデータだ。

So I invite other people watching this video to leave a comment if you have anything to add or revise.

だから、このビデオを見ている他の人たちにも、何か付け加えることや修正することがあれば、コメントを残してもらいたい。

But for the most part, claims data is simply a request submitted by doctors, hospitals, and pharmacies to an insurance company to get reimbursed for the medical care that they're providing.

しかし、ほとんどの場合、クレームデータとは、医師、病院、薬局が保険会社に提出する、診療報酬を得るためのリクエストに過ぎない。

The amount that a hospital gets paid depends on the complexity of the claim and the resources allocated to treat that patient.

病院が支払いを受ける金額は、請求の複雑さとその患者の治療に割り当てられたリソースによって決まる。

There's also a process called adjudication where the claim is evaluated by the insurance company to determine how legitimate the claim is before they actually pay the amount that is requested.

また、裁定と呼ばれるプロセスもあり、保険会社は請求された金額を実際に支払う前に、請求がどの程度正当なものかを判断する。

For example, a provider might commit fraud by trying to submit a claim using a diagnosis code that they know will earn them more money than a more accurate code that would make them less.

例えば、医療提供者は、より正確なコードでより少ない報酬を得るよりも、より多くの報酬を得ることができることを知っている診断コードを使用して請求を提出しようとすることにより、不正を犯すかもしれない。

Insurance companies don't want to pay more than they have to, so they adjudicate the claims to ensure that the money that they are about to pay is fair and accurate.

保険会社は必要以上の支払いをしたくないので、これから支払われる保険金が公正かつ正確であることを確認するために、保険金請求を裁定する。

The claims data might be pre-adjudicated or post-adjudicated, and it might also contain information like the name of the provider submitting the claim, the amount paid out by the insurance company to the provider submitting the claim, procedure codes that were rendered during the encounter, diagnosis codes, information about the beneficiary or the patient whom the claim was about.

クレームデータは、裁決前または裁決後である可能性があり、また、クレームを提出したプロバイダー名、保険会社がクレームを提出したプロバイダーに支払った金額、遭遇時に提供された処置コード、診断コード、クレームの対象となった受益者または患者に関する情報などの情報が含まれている可能性がある。

But claims data doesn't capture as much detail as EHRs do.

しかし、請求データはEHRほど詳細には把握できない。

For example, we might be able to see that a test was given to a particular patient in the claims data on a certain date, but we won't be able to see what the test results were like we might see in the EHR.

例えば、ある日の請求データで特定の患者に検査が行われたことはわかるかもしれないが、EHRで見るような検査結果を見ることはできない。

So what advantage does claims data confer over EHR records?

では、請求データはEHR記録と比べてどのような利点があるのだろうか？

Well, the data might capture information not just from one healthcare organization, but many if it is held by an organization that is administering insurance, like the Center for Medicare and Medicaid Services.

メディケア・メディケイド・サービスセンターのような保険を管理する組織が保有するデータであれば、1つの医療機関の情報だけでなく、多くの医療機関の情報が含まれる可能性がある。

So it is not uncommon to see extremely large data sets emerge from the claims data with hundreds of millions of records.

そのため、クレームデータから数億レコードという非常に大きなデータセットが出てくることも珍しくない。

So what it lacks in quality, it makes up for in quantity.

つまり、質で欠けている部分を量で補っているのだ。

An insurance company might be interested in analyzing the claims data to study the possibility of fraud, cost drivers in different areas of healthcare, and to see if the quality of care aligns with what they're actually paying out to the healthcare providers.

保険会社は、不正の可能性、医療のさまざまな分野でのコスト要因、医療の質と医療提供者への実際の支払いが一致しているかどうかを調査するために、請求データを分析することに興味を持つかもしれない。

In other words, are the patients actually getting what the insurers are paying for?

言い換えれば、患者は実際に保険会社が負担しているものを受け取れているのだろうか？

Hospitals might also be interested in the claims data.

病院も請求データに興味を持つかもしれない。

They might study referral patterns.

紹介のパターンを研究するかもしれない。

They might try to improve population health, increase sales, among other things, using the claims data.

保険金請求データを使って、集団の健康状態を改善したり、売上を伸ばしたりしようとするかもしれない。

Next, we have clinical and disease registries.

次に、臨床登録と疾病登録がある。

And generally speaking, these are repositories of data that are dedicated to certain diseases.

一般的に言えば、これらは特定の病気に特化したデータのリポジトリである。

So you might have one for stroke patients, another one for cancer patients, another one for patients who had specific surgeries that were performed.

脳卒中患者用、がん患者用、特定の手術を受けた患者用などだ。

The data is typically collected by a data abstractor who will gather the necessary details from the patient's medical record and plug them into a repository.

データは通常、患者の医療記録から必要な詳細を収集し、リポジトリにプラグインするデータ抄録者によって収集される。

The data is often then analyzed by the owners of that registry and compared to similar healthcare organizations across the country.

そのデータは、しばしばそのレジストリの所有者によって分析され、全国の同様の医療機関と比較される。

Hospitals might participate in these registries because it helps them identify costly areas of the care provided.

病院がこのような登録に参加するのは、提供される医療でコストのかかる部分を特定するのに役立つからであろう。

It helps identify weaknesses in the provision of care.

ケア提供における弱点を特定するのに役立つ。

The registry might grant the hospital access to resources that will educate them on the best practices of care.

登録によって、病院はケアのベストプラクティスを教育するリソースにアクセスできるようになるかもしれない。

Some of the registries might offer accreditation, which will make the hospital appear more reputable.

登録機関の中には、認定を提供しているところもあり、その病院がより評判の良い病院に見えるようになります。

And they can also compare how they're doing to other hospitals.

また、他の病院との比較もできる。

And this last part is really important.

そして、この最後の部分が本当に重要だ。

Once the data is analyzed, a report containing the results are shared with the healthcare organization and it will show them their strengths and weaknesses compared to similar hospitals and clinics.

データが分析されると、その結果を含むレポートが医療機関と共有され、同様の病院や診療所と比較した強みと弱みが示される。

Sometimes individual physicians will also be compared to their peers, like how many surgeries and subsequent infection rates were at the hand of Surgeon A versus Surgeon B versus Surgeon C.

外科医A対外科医B対外科医Cというように、個々の医師が同業者と比較されることもある。

There's lots of different registries a hospital or clinic might be a part of and they're typically utilized by analysts, researchers, and people involved in quality improvement efforts to gain insights about their population of interest.

病院や診療所が参加する可能性のある様々な登録があり、それらは通常、分析者、研究者、質改善の取り組みに携わる人々によって利用され、対象集団に関する洞察を得るために利用される。

So to give you an example, before I was a data analyst, I was a data abstractor for a bunch of different registries.

例を挙げると、私はデータアナリストになる前は、さまざまなレジストリーのデータ抄録作成者だった。

The registry that I was tasked with using the most, however, was one called NISQIP, or the National Surgery Quality Improvement Program.

しかし、私が最も利用することになったのは、NISQIP（全米手術質向上プログラム）と呼ばれるレジストリだった。

In this repository, data will be tracked for patients receiving general surgeries like appendectomies, colectomies, hysterectomies.

このレポジトリでは、盲腸、大腸切除、子宮摘出などの一般手術を受けた患者のデータが追跡される。

I was tasked with determining if the patients had certain medications, if their vital signs crossed a certain threshold at some point, like having an elevated heart rate, breathing rate, body temperature, which could indicate a fever, determining whether the patient had any mortalities or morbidities, also known as M&Ms. Mortalities simply meaning death from the surgery, morbidities being things like pneumonia or surgical site infections.

私は、患者が特定の薬を服用しているかどうか、バイタルサインがある時点で一定の閾値を超えたかどうか、たとえば心拍数や呼吸数、発熱を示す体温が上昇しているかどうか、患者に死亡症例があるかどうか、あるいはM&Mとも呼ばれる罹患症例があるかどうかを判断するのが仕事だった。死亡率とは単に手術による死亡を意味し、病的状態とは肺炎や手術部位感染などのことである。

And if the patient had surgical site infections, what was the severity?

また、患者が手術部位感染を起こした場合、その重症度はどの程度でしたか？

I would go through several patients each day and plug them into a repository where it would then be analyzed by the organization that administered the repository.

私は毎日何人かの患者を診て、それをリポジトリに差し込み、そのリポジトリを管理する組織によって分析される。

Then on a quarterly basis, we would get the results back and we would see metrics like an observed to expected ratio that showed how many mortalities or morbidities did we witness relative to what was expected of us.

そして四半期ごとに結果が返ってきて、期待された死亡率や罹患率に対してどれだけの死亡率や罹患率があったかを示す、観察値と期待値の比率のような指標を目にすることになる。

The surgeons would also get to see how many overall SSIs their patients suffered from and would get to see how they compared to their peers.

外科医たちは、自分の患者がどれだけのSSIを受けたか、同業者と比べてどうなのかも知ることができる。

Data professionals might be called upon to help automate some of this process, import the results into a database or analyze the results in a dashboard.

データの専門家は、このプロセスの一部を自動化したり、結果をデータベースにインポートしたり、結果をダッシュボードで分析したりする助けを求められるかもしれない。

The automation of data collection and entry into the registry is not always straightforward, however, because some of that data is really nuanced and requires a human to read through pages and pages of operative notes before they have a good understanding of the complications a patient might have suffered from during the surgery.

しかし、データ収集とレジストリへの入力の自動化は、必ずしも簡単ではない。なぜなら、データの中には実に微妙なものがあり、患者が手術中に患ったかもしれない合併症をよく理解する前に、人間が何ページもの手術メモに目を通す必要があるからだ。

Some of the registries I've seen throughout my career include surgery registries, cancer registries, infectious disease registries like the National Healthcare Safety Network or NHSN, organ transplants, cardiac registries, stroke registries, among many, many others.

私がキャリアを通じて見てきた登録には、手術登録、がん登録、National Healthcare Safety Network（NHSN）のような感染症登録、臓器移植、心臓登録、脳卒中登録など、他にもたくさんある。

Our final category is external reporting data.

最後のカテゴリーは、外部報告データである。

Given that healthcare is such a complex and heavily regulated industry, there's quite a few external entities that either require hospitals to submit data or are completely optional, yet provide numerous benefits to participation.

医療がこのように複雑で厳しい規制のある業界であることを考えると、病院に対してデータ提出を義務付けるか、あるいは完全に任意でありながら、参加することで多くのメリットをもたらす外部機関がかなりある。

We can split them out into required reporting and optional reporting.

必要な報告と任意の報告に分けることができる。

For required reporting, let's take hospitals in Washington State as an example.

必要な報告について、ワシントン州の病院を例に考えてみよう。

Hospitals are required to submit a list of their adverse events that happened within their hospital to the Washington State Department of Health.

病院は、院内で発生した有害事象のリストをワシントン州保健局に提出する義務がある。

These include things like wrong site surgeries, retained foreign objects during surgery, falls in a hospital that resulted in major injury or death, among many other things.

これには、手術部位の間違い、手術中の異物保持、病院内での転倒による大怪我や死亡など、さまざまなものが含まれる。

In addition to state government, there's also data that must be submitted to the federal government.

州政府だけでなく、連邦政府に提出しなければならないデータもある。

I already mentioned NHSN earlier, but this is a disease registry owned by the Centers for Disease Control, or CDC, and it tracks hospital-acquired infections like catheter-associated urinary tract infections, central line-associated bloodstream infections, C. diff, antimicrobial stewardship, and lots of other things.

先ほどNHSNの話をしたが、これは疾病管理センター（CDC）が所有する疾病登録で、カテーテル関連尿路感染症、中心静脈ライン関連血流感染症、C.Diff、抗菌薬スチュワードシップなどの院内感染を追跡している。

One of the reasons this is required is because many hospitals get money from the government through Medicare.

これが必要な理由のひとつは、多くの病院がメディケアを通じて政府から資金を得ているからだ。

If a hospital slips and does a half-assed job of keeping infections in the hospital under control, they could lose millions of dollars.

もし病院が足を滑らせ、院内の感染症対策を中途半端にすれば、何百万ドルもの損失を被る可能性がある。

HAIs are just one type of data that hospitals have to submit to the federal government, though.

しかし、HAIは病院が連邦政府に提出しなければならないデータの一種にすぎない。

There's other things like mortality rates for various conditions, survey data that measures patient satisfaction.

他にも、さまざまな疾患の死亡率や、患者の満足度を測る調査データなどがある。

Specific data has to be submitted to the Center for Medicare and Medicaid Services.

具体的なデータはメディケア・メディケイド・サービスセンターに提出しなければならない。

They do this to reward the hospitals that exceed expectations and penalize those that don't meet expectations.

これは、期待を上回る病院には報酬を与え、期待に沿わない病院にはペナルティを科すためである。

Now for the optional reporting side of things, many hospitals choose to share a good portion of their data with other organizations.

さて、任意報告の面では、多くの病院がデータのかなりの部分を他の組織と共有することを選択している。

For example, hospitals might choose to share their data with entities called hospital associations that will help facilitate quality improvement efforts for the hospital and provide them with averages and peer hospital comparisons within the state.

例えば、病院は病院協会と呼ばれる団体とデータを共有することを選択するかもしれない。この団体は、病院の質向上の努力を促進し、州内の平均値や同業病院との比較を提供する。

Hospitals that provide a certain type of care, for example, children's hospitals, have special exclusive memberships with organizations like the Children's Hospital Association.

ある種の医療を提供する病院、たとえば小児病院は、小児病院協会のような団体に特別に独占的に加盟している。

This gets into one of the main perks of optional reporting.

これは、オプション報道の主な利点のひとつになる。

Hospitals will often share data with many different organizations so that they can do benchmarking.

病院はベンチマークを行うために、多くの異なる組織とデータを共有することが多い。

Benchmarking is just a fancy way of saying, how well do we compare to hospitals similar to ours?

ベンチマーキングとは、当院と似たような病院と比較して、当院はどの程度優れているのか、ということを示す気取った言い方に過ぎない。

By sharing their data with a central organization, that organization is able to pool the collective results from all of the hospitals it collects data from and come up with various statistics and then they can publish the results so that all of the participants can see if they are above the average or below the average.

中央の組織とデータを共有することで、その組織は、データを収集したすべての病院からの集合的な結果をプールし、さまざまな統計を出すことができる。

Some of these organizations provide a huge amount of visibility and impact the reputation of the hospital.

このような組織の中には、大きな可視性を提供し、病院の評判に影響を与えるものもある。

For example, US News and World Report is a program where hospitals submit large volumes of data and these large volumes of data are curated into specific metrics like how many cancer surgeries did we do?

例えば、『USニューズ＆ワールド・レポート』誌は、病院が大量のデータを提出し、その大量のデータを特定の指標に分類するプログラムである。

How many patients were evaluated for epilepsy?

てんかんの評価を受けた患者は何人ですか？

Once all that data is collected from all the participating hospitals, US News World Report then awards the hospital with a ranking out of all the hospitals in its cohort.

すべての参加病院からデータを収集した後、USニューズ・ワールド・レポートは、その病院に対し、同コホート内の全病院の中からランキングを授与する。

And by cohort I mean like Best Hospitals in the Nation or Best Children's Hospital in the Nation.

コホートというのは、全米最優秀病院とか全米最優秀小児病院とかいう意味だ。

The ranking will often be based off of the collective performance of the various service lines that the hospital has like cardiology, neurology, surgery, nephrology, cancer care.

ランキングは多くの場合、循環器科、神経科、外科、腎臓科、がん治療など、その病院が持つさまざまなサービスラインの総合的な実績に基づいている。

For programs like these, they require a lot of planning and data wrangling and it can be a very time consuming process to prepare for.

このようなプログラムの場合、多くの計画とデータ整理が必要となり、準備に非常に時間がかかる。

The tradeoff though is that hospitals with a really good reputation can attract more patients due to their high score.

しかし、その代償として、本当に評判の良い病院は、そのスコアの高さゆえに、より多くの患者を惹きつけることができる。

They can attract more skilled physicians.

より熟練した医師を集めることができる。

It can also give a hospital more leverage when negotiating and dealing with health insurance companies which means more money.

また、病院が医療保険会社と交渉したり取引したりする際に、より大きな影響力を持つことができる。

Now believe it or not, we've barely even scratched the surface of all of the data that exists within healthcare organizations but that should be about 80% of the data that you might expect to see.

信じられないかもしれないが、私たちは医療機関に存在するすべてのデータの表面をほとんど見ていない。

There's so much more but hopefully that gives you a general idea of the major types of data that you see in a healthcare system.

他にもたくさんありますが、医療システムで目にする主なデータの種類を大まかにご理解いただければ幸いです。

If you want to learn more about what it's like to be a data analyst, check out this video next.

データアナリストの仕事についてもっと知りたい方は、次のビデオをご覧ください。

Thank you so much for watching and I'll see you in another video.

また別のビデオでお会いしましょう。