由于对卫生信息系统进行大量投资以改善卫生保健结果，全球卫生保健格局正在发生变化[ 1]。尽管卫生资讯系统已迅速采用[ 2以及将数字医疗视为灵丹妙药的观念[ 3.提高医疗保健质量，结果好坏参半[ 4， 5]。如赖斯曼[ 6]指出，尽管数字卫生方面进行了大量投资和努力，并得到广泛应用，但许多承诺的好处尚未实现。

数字卫生的前景主要取决于以电子方式获取数据的能力，这些数据可以进行分析，以改进地方和国家的决策[ 6]，以及全球层面[ 7]。然而，有效和有意义地利用数据的能力已被证明是困难和难以捉摸的，主要是因为所捕获数据的质量。Darko-Yawson和Ellingsen [ 8]强调，数字医疗导致了更多的不良数据，而不是提高了数据质量。人们普遍认为，数字医疗数据存在准确性和完整性问题[ 9- 12]。数据质量差会影响护理的连续性[ 13]、病人安全[ 14]、临床医生生产力[ 15]和研究[ 16]。

为了评估DQ，学者们开发了许多DQ分类法，这些分类法评估了数字卫生系统中包含的数据坚持多个维度的程度(即DQ的可测量成分)。Weiskopf和Weng [ 17]确定了DQ的5个维度，包括完整性、正确性、一致性、合理性和通用性。随后，Weiskopf等[ 18]将类型学细化为仅包含3个维度:完整性、正确性和时效性。同样，Puttkammer等[ 13]注重完整性、准确性和及时性，而Kahn等人[ 19检查一致性、完整性和合理性。其他人则认为“使用是否合适”[ 20.]以及数据在特定环境下的有效性[ 21作为关键的DQ维度。总的来说，DQ有广泛的定义，有一个公认的分类法逃避文献。在本文中，在综合文献的基础上，我们将DQ定义为数字健康数据可访问、准确、完整、一致、上下文有效和最新的程度。在开发统一框架时，通常以分散的方式处理维度，很少尝试理解维度与结果之间的关系。Bettencourt-Silva等人证实了这一点[ 22]，他指出DQ没有得到系统或一致的评估。

卫生组织不能充分利用高质量数据将损害本已紧张的卫生保健系统的可持续性[ 23]。因此，我们进行了系统的文献综述，以回答以下研究问题:(1)数字健康DQ的维度是什么?(2)数字健康DQ的维度是如何相关的?(3)数字健康DQ的影响是什么?本研究的目的是通过综合文献，开发一个综合的数字健康DQ维度和结果(DQ- do)框架，该框架展示了DQ维度及其相互关系以及它们对核心卫生保健结果的影响。整合后的DQ-DO框架将有利于研究和实践。对于研究人员来说，我们的综述巩固了数字健康DQ的文献，为未来的研究提供了核心领域，以严格评估和改进数字健康DQ。在实践中，本研究通过举例说明数字健康DQ的影响，为医疗保健高管和战略决策者提供了对数字健康DQ重要性的见解，并通过展示维度之间的相互关系，为数字健康DQ的复杂性提供了见解。 多媒体附录1［ 24]提供了本研究中常用的缩写词列表。

本文的结构如下:首先，详细介绍了系统文献综述法;其次，根据研究问题，我们提出了3个主要发现:(1)DQ维度，(2)DQ相互关系，(3)DQ结果;第三，我们将研究结果与以往的研究结果进行了比较，并讨论了这项工作的意义。

为确保检讨的完整性[ 25]并且与跨学科评论一致，文献检索跨越多个领域和数据库(即PubMed, Public Health, Cochrane, SpringerLink, EBSCOhost [MEDLINE和PsycInfo]， ABI/INFORM, AISel, Emerald Insight, IEEE Xplore数字图书馆，Scopus和ACM数字图书馆)。搜索于2021年10月进行，不受出版年份的限制，因为DQ的概念具有悠久的学术历史。搜索词反映了我们的研究主题和研究问题。为了确保全面性，通过搜索同义词来扩展搜索词。例如，我们使用诸如“电子健康记录”、“数字健康记录”、“电子健康”、“电子病历”、“电子病历”、“电子病历”、“电子病历”、“电子病历”、“数据质量”、“数据精简”、“数据清洗”、“数据预处理”、“信息质量”、“数据清洗”、“数据准备”、“智能质量”、“数据整理”和“数据转换”等搜索词。关键词和搜索查询由参考馆员和数字健康主题专家进行审查( 多媒体附录2）.

从搜索中返回的论文通过四个步骤被缩小范围( 图1）.在鉴定步骤中，通过多次数据库检索鉴定出5177篇文章，从中去除3856篇(74.48%)个重复，得到1321篇(25.42%)篇。这1321篇文章被随机分为6批，分配给不同的研究人员，研究人员采用纳入和排除标准( 文本框1）.摘要筛选，67.83%(896/1321)的文章被排除，共425篇(32.17%)。按照摘要筛选的方法，425篇文章再次被随机分为6批，分配给6名研究人员中的1名，根据选择标准阅读和评估文章的相关性。然后，研究小组对425篇文章中的每一篇进行评估，最终得出227篇(53.4%)相关文章。在筛选阶段(即摘要和全文)，每天与研究团队举行会议，提出并讨论任何不确定因素，直到团队就该文章是否应纳入评审达成共识。根据Templier和par [ 26]，由于该系统文献综述本质上是发展性的，而不是综合荟萃分析，因此没有对个别文章进行质量评估。

将相关文章导入NVivo (version 12;QSR International)，在那里迭代地执行分析。为确保编码的可靠性和一致性，编码规则手册[ 27]，并逐步更新，以指导编码过程。分析包括6个步骤( 图2）.

在分析的第一步，研究团队进行了开放编码[ 27]，其中每篇文章的相关语句使用逐字编码提取，并根据相似度进行分组[ 28]。第一轮编码产生了1298个开放代码。其次，开放代码被划分为2个高级主题:第一组包含1044个(80.43%)直接与DQ维度相关的开放代码(例如，数据准确性)，第二组包含254个(19.57%)与DQ结果相关的开放代码(例如，财务结果)。

第三步，通过不断的比较[ 29]， 1044个原始DQ代码根据共性(例如，上下文DQ，使用适用性，粒度，相关性，可访问性和可用性)组合成29个DQ子主题。第四步，再次通过反复和多轮持续比较，使用254个与DQ结果相关的开放代码构建22个初始DQ结果子主题(例如，患者安全、医患关系和护理连续性)。DQ结果子主题进一步相互比较，得到5个DQ结果维度(如临床、业务流程、研究相关、临床医生和组织结果)。对于DQ子主题，使用卡片分类方法进行持续比较[ 30.]，由8名DQ研究人员组成的专家小组分为4组，评估了共性和差异的子主题。各专家组相互介绍其分类，直至达成协商一致意见。这导致了6个DQ维度(准确性、一致性、完整性、上下文有效性、可访问性和流通性)的统一集合。 多媒体附录3［ 9， 12， 13， 15， 16， 18， 19， 21， 31- 65]提供了一个示例，说明开放代码如何反映在子主题和主题中。

在确定DQ维度和结果之后，编码的下一个阶段是确定DQ维度之间的相互关系(步骤5)和DQ维度与DQ结果之间的关系(步骤6)。为此，使用NVivo中相关的布尔运算符(AND和NEAR)执行矩阵编码查询函数。矩阵查询的结果由健康领域的专家研究人员进行了审查和验证。

在整个分析过程中，执行了为我们的发现提供可信度的步骤。首先，在开始分析之前，提取逐字编码的研究小组成员最初独立地审查了3篇常见文章，然后召集起来审查编码中的任何变化。此外，他们每周召开多次会议，讨论编码并更新代码本，以确保遵循一致的方法。在整个分析过程中进行编码确证，由2名经验丰富的研究人员独立验证所有逐字编码，直到达成共识[ 27]。随后由2名经验丰富的研究人员进行编码确证，以确保开放代码准确地映射到主题和维度。这有助于提供内部可靠性。还采取了提高外部可靠性的步骤[ 66]。具体来说，卡片分类法提供了专家评价。此外，调查结果已提交给3名数字卫生保健专业人员并得到证实。

绝大多数相关文章发表在期刊(169/227,74.4%)，其次是会议论文集(42/227,18.5%)和书籍章节(16/227,7%)。169篇期刊文章发表在107种期刊上，其中发表>1篇研究的期刊占12% (n=13) 医学信息与决策，eGEMS， 国际医学信息学杂志， 应用临床信息学， 医学互联网研究杂志， 美国医学信息协会杂志， 《公共科学图书馆•综合》， BMC急诊医学， 生物医学中的计算机方法和程序， 国际人口数据科学杂志， 临床癌症信息学， 健康信息管理的观点， 卫生技术与信息学研究， 澳大利亚健康评论， MBC保健服务研究， BMJ开放， 决策支持系统， 卫生信息学杂志， 国际信息管理杂志， JAMIA开放， JMIR医学信息学， 生物医学信息学杂志， 医学系统杂志， 马拉维医学杂志， 医疗保健， 公共卫生信息学在线杂志, 远程医疗和电子保健）.在每个出口发表的文章数量的完整分类载于 多媒体附录4。

总的来说，如 图3随着时间的推移，对数字健康DQ的兴趣一直在增加，2006年之前有零星的兴趣。

在随后的部分中，我们将概述DQ定义、DQ维度、它们之间的相互关系以及DQ结果，以开发统一的数字健康DQ框架。

文献中讨论了DQ的多种定义( 多媒体附录5［ 17， 18， 20.- 22， 31， 54， 67- 77])。对DQ的单一定义没有达成共识;然而，对定义的分析揭示了两个视角，我们将其标记为(1)上下文不可知论视角和(2)上下文感知视角。与上下文无关的透视图根据一组维度定义DQ，而不考虑使用数据的上下文。例如，Abiy等人[ 67]指出，"电子病历(EMR)中的数据文件和内容必须准确、完整、简洁、一致，并为数据用户普遍理解，并且必须通过保持一致性、完整性和准确性等必要参数来支持组织的合法业务记录。"相比之下，上下文感知视角通过识别使用数据的上下文来评估DQ的维度。例如，国际标准化组织和刘等人[ 78注意到，DQ是“数据满足产品所有者组织定义的需求的程度”，可以通过其完整性和准确性等维度来反映。

对文献的分析确定了五种类型的数字健康DQ结果:(1)临床，(2)业务流程，(3)临床医生，(4)研究相关，(5)组织结果( 多媒体附录8［ 15， 16， 20.， 31， 33， 39， 40， 42， 51， 52， 55， 57， 58， 61， 63， 64， 84， 90， 105， 113， 166， 175- 178])。使用NVivo内置的交叉选项卡查询以及主题专家分析，确定了不同的DQ维度以不同的方式与DQ结果相关( 表2）.货币是唯一对DQ结果没有直接影响的维度。然而，如 图5因此，货币通过影响DQ的其他维度来影响DQ结果似乎是合理的。在随后的段落中，我们将讨论每个DQ维度及其各自的结果。

我们发现可访问性DQ维度影响临床、临床医生、业务流程、研究相关和组织结果。就…而言 临床结果,Roukema等[ 80]表明，电子病历通过改善医疗保健数据的可及性和易读性，大大提高了患者护理的质量。在提供病人护理过程中增加医疗记录的可及性也将进一步受益 临床医生通过减少数据输入的负担[ 33]。相比之下，各卫生机构数据可得性的不一致性增加了临床医生的工作量;如Wiebe等[ 15]指出，"鉴于艾伯塔省医院和全科医生之间的通信主要采用电子形式，同一地点的文件可用性不一致可能会延误医生搜索重要健康信息的过程。"当数据可访问和可用时，它们可以得到改进 业务流程(例如，质量保证)和 研究- 相关的(例如，结果导向的研究) 结果并且可以支持 组织的结果通过改进计费和财务管理[ 179]。

文献表明，数据准确性的影响 临床结果［ 14， 39， 51), 相关研究结果［ 14， 113];如Wang等[ 14]所描述的，“医疗数据中的错误数量众多，影响了二级数据的使用，并可能影响患者的护理和安全。”唐尼等人[ 39观察到对护理质量的负面影响(即 临床结果)，并指出“人工输入数据仍然是电子病历获取数据的主要机制，如果数据不正确，对病人和病人护理的影响可能是重大的”[ 39]。较差的数据准确性也会降低数据的质量 研究成果。精确的数据有助于产生高质量的研究成果。正如吉比[ 113]解释说，“计算机化临床信息系统比纸质数据记录有相当大的优势，这应该会增加它们在结果研究中使用的可能性。手工记录往往不准确、有偏见、不完整、难以辨认。”上下文效度是DQ的一个重要维度，与准确性密切相关 研究;如Weiskopf等人所述[ 42，“然而，当重新用于二次使用时，可以应用‘适合使用’的概念。”

一致性DQ维度与所有DQ结果相关。通常报告说，数据的不一致会对 可重用性电子病历数据的研究目的，阻碍 相关研究结果负面影响 业务流程和 组织的结果。例如，Kim等人[ 114]承认EHR系统中不一致的数据标签可能会妨碍准确的研究结果，并指出“系统可能使用允许未经管理的同义词和缩写的本地术语……如果本地数据没有映射到术语，进行多中心研究将需要大量的劳动力。”或者，von Lucadou等[ 16]表示不一致对的影响 临床结果，报告称，捕获数据中不一致的存在“可以解释在某些受试者的遭遇史中诊断数量的变化”，而Diaz-Garelli等人[ 84证明了不一致的负面影响 临床医生就增加的工作量而言。

发现不完整的电子病历数据有影响 临床结果(例如，降低护理质量); 业务流程结果(如跨专业沟通); 相关研究结果(例如，促进研究)，以及 组织的结果(例如与再入院有关的主要表现指标)[ 15]。例如，在回顾3011名非产科住院患者的图表时，Wiebe等[ 15发现电子病历中缺少出院摘要“会给医疗保健流程带来几个问题，包括医院和全科医生之间的沟通受阻、再入院风险增加、编码健康数据可用性差”，以及其他广泛的影响。此外，Liu等[ 69报道称，“患者记录数据不完整对患者护理构成了最大威胁。”由于电子病历数据的异构性(多数据点)，Richesson等[ 20.强调，获得大量、完整的数据将使临床研究人员能够“发现较小的临床影响，识别和研究罕见疾病，并得出可靠的、可推广的结果。”

以下部分描述了本研究的三个主要发现:(1)DQ的维度，(2)DQ各维度之间的相互关系，(3)DQ的结果。如《 主要调查结果摘要章节，这3个发现导致了DQ-DO框架的发展。随后，我们将DQ-DO框架与相关作品进行了比较。这对未来的研究具有启示意义。的 讨论本节最后反思了本研究的局限性。

总之，我们发现了3个核心发现。首先，我们确定了数字健康领域DQ的6个维度:一致性、可访问性、完整性、准确性、上下文有效性和流通性。这些维度是从文献中描述的30个次级主题合成的。我们发现一致性、完整性和准确性是DQ的主要维度。相对而言，对可及性、流通性和语境效度的研究较少。其次，我们确定了数字健康DQ的这六个维度之间的相互关系( 表2）.文献表明，一致性维度可以影响所有其他DQ维度。数据的可及性影响数据的流通。完整性影响准确性和上下文有效性，这些维度作为因变量，并表现出相互之间的双向关系。第三，我们确定了5种类型的数据结果( 表2; 多媒体附录8):研究相关的、组织的、业务流程的、临床的和临床医生的结果。一致性被发现是一个非常有影响力的维度，影响所有类型的DQ结果。相比之下，上下文有效性对于数据重用(例如，性能测量和面向结果的研究)尤为重要。虽然货币不直接影响任何结果，但它会影响数据的准确性，从而影响临床和研究相关的结果。因此，如果货币问题没有解决，准确性问题仍然会占上风。一致性、可访问性和完整性被证明是实现改进组织结果目标的重要考虑因素。通过整合我们的三个核心发现，我们制定了一个统一的DQ-DO框架( 图5）.

我们的发现从三个方面扩展了之前关于数字健康DQ的研究。首先，通过我们严格的方法，我们确定了一套全面的DQ维度，这既证实了现有的文献，也扩展了现有的文献。例如，Weiskopf和Weng [ 17]确定了5个DQ维度，即完整性、正确性、一致性、合理性和通用性，所有这些都存在于我们的DQ框架中，尽管在某些情况下，我们使用略微不同的术语(将正确性称为准确性，将一致性称为一致性)。扩展Weiskopf和Weng的框架[ 17]，我们将合理性视为准确性的一个次要主题，并将可及性与完整性分开，我们还强调上下文有效性的重要性(根据Richesson等人)[ 20.]。其他人通常对DQ有更狭隘的看法，关注完整性、正确性和时效性[ 18]或完整性、及时性和准确性[ 13]。在数字健康的其他领域，如医生评级系统，Wang和Strong的[ 180DQ的内在维度、语境维度、表征维度和可及性维度被采用。这种评估DQ的方法是合适的，尽管它们删除了理解关系和结果所必需的粒度级别。考虑到我们的数据集中一致性的显著性以及它在生成结果中所起的重要作用，这是特别必要的。

其次，与以往对DQ维度的研究不同，我们还展示了这些维度是如何相互关联的。通过分析这些DQ维度之间的相互关系，我们可以确定一个特定维度如何影响另一个维度，以及这种关系在哪个方向展开。这对数字医疗从业者来说是一个重要的启示，尽管有几项研究已经研究了如何验证[ 38]并解决DQ问题[ 16]，解决特定DQ维度的问题需要了解相互关联的DQ维度。例如，为了提高准确性，还需要考虑提高一致性和完整性。

第三，尽管以前的研究描述了DQ如何影响特定的结果(例如，Weiskopf等人的研究[ 18]， Johnson等[ 52]，丹丹那拉雅那和撒哈马[ 115])，它们主要关注DQ、DQ的特定维度或特定结果。例如，Sung等人[ 181]指出，低质量数据是阻碍采用数字卫生系统的一个突出障碍。相比之下，Kohane等[ 182]关注研究相关成果的发表潜力，并发现不完整和不一致可能成为核心障碍。总而言之，DQ-DO架构( 图5)不仅提供了维度和结果，还提供了这些维度之间的相互关系以及它们如何影响结果。

本综述的范围是研究在医院环境中产生的数字健康数据，而不是在其他卫生保健环境中产生的数据。这是必要的，因为急诊卫生保健环境和初级卫生保健之间存在巨大差异。未来的研究应寻求调查初级保健机构的数字健康数据，以确定与这些机构相关的DQ维度和结果。此外，本文献综述的范围仅限于同行评议的出版物，排除了可能导致发表偏倚的“灰色”文献。虽然这种范围界定可能导致排除了一些相关条款，但有必要确保数字卫生DQ框架开发背后的质量。我们的方法可能引起的另一个限制是，由于我们搜索返回的文章数量庞大，我们没有执行双重编码(即两个独立的研究人员分析同一篇文章)。为了减轻这一限制，我们采取了一些措施，通过进行编码员确证会议和小组验证来减少偏见，如文章中所述 方法节，目的是提高内部和外部可靠性[ 66]。为了进一步提高内部可靠性，2名经验丰富的研究人员在NVivo中验证了整个分析，为了提高外部可靠性，DQ专家进行了卡片分类评估，结果由3名数字医疗保健专业人员提出并确认。此外，需要对该框架进行实证验证，包括实际数据和来自一系列专家的输入。

在本研究中进行的多学科系统文献综述导致了一个整合的数字健康DQ框架的发展，该框架包括6个DQ维度、这些维度之间的相互关系、6个DQ结果以及这些维度与结果之间的关系。我们确定了四个核心启示，以激励未来的研究:具体而言，研究者应该(1)平等地考虑DQ的所有维度，因为维度可以直接或间接地影响DQ的结果;(2)采用混合方法案例研究设计对DQ-DO框架进行实证评估;(3)确定数字健康DQ问题的根本原因;(4)制定干预措施，以减轻DQ问题或防止其产生。DQ- do框架为医疗保健管理人员(如首席信息官和首席临床信息官)提供了关于DQ问题的见解，以及他们对哪些数字健康相关结果有影响，这可以帮助他们优先处理与DQ相关的问题。