MNCAH-Datenanalyse: Leitfaden & Übungen (WHO)
📋Auf einen Blick
- •Routine-Gesundheitsinformationssysteme (RHIS) liefern essenzielle Daten für MNCAH, müssen aber zwingend auf Vollständigkeit und Konsistenz geprüft werden.
- •Datenqualitätsprobleme wie Ausreißer (Outliers) erfordern eine systematische Ursachenanalyse ('Drilling down') auf Distriktebene.
- •Die Triangulation verschiedener Datenquellen (z. B. HMIS, DHS-Umfragen, Schätzungen) erhöht die Zuverlässigkeit der Analysen.
- •Für die Entscheidungsfindung wird ein strukturierter 5-Schritte-Prozess von der Datenprüfung bis zur Einbindung von Stakeholdern empfohlen.
Hintergrund
Das WHO-Dokument dient als praxisorientiertes Übungshandbuch zur Stärkung der Analyse und Nutzung von Gesundheitsdaten im Bereich der Mütter-, Neugeborenen-, Kinder- und Jugendgesundheit (MNCAH). Es richtet sich an Programmmanager und fokussiert sich auf Daten aus Routine-Gesundheitsinformationssystemen (RHIS) sowie deren korrekte Interpretation für gesundheitspolitische Entscheidungen.
Datenqualität und Fehleranalyse
Vor jeder Datenanalyse muss eine gründliche Bewertung der Datenqualität erfolgen. Häufige Probleme bei Routine-Gesundheitsdaten umfassen:
- Unvollständige Daten: Verursacht durch fehlende oder verspätete Berichterstattung (z. B. mangelnde Daten aus dem Privatsektor).
- Inkonsistente Daten: Ausreißer (Outliers) oder unerklärliche Abweichungen im Zeitverlauf.
- Übererfassung: Oft verursacht durch Dateneingabefehler.
Bei extremen Ausreißern wird ein sogenanntes "Drilling down" empfohlen, um die Ursachen auf Distrikt- oder Einrichtungsebene zu untersuchen, bevor die Daten für Entscheidungen herangezogen werden.
Wichtige Metriken in der Datenanalyse
Für die korrekte Interpretation von MNCAH-Daten müssen verschiedene Maßzahlen strikt unterschieden werden:
| Metrik | Definition / Beispiel aus der Leitlinie |
|---|---|
| Count (Anzahl) | Absolute Zahl, z. B. 2.216.832 bestätigte Malariafälle. |
| Ratio (Verhältnis) | Vergleich zweier Gruppen, z. B. 1,5 männliche Todesfälle pro 1 weiblichem Todesfall bei Kindern <5 Jahren. |
| Proportion (Anteil) | Prozentualer Anteil, z. B. 82,4 % der Durchfallerkrankungen werden mit ORS und Zink behandelt. |
| Rate (Rate) | Ereignisse pro Population/Zeit, z. B. 20,2 Lebendgeburten pro 1.000 Einwohner/Jahr. |
Triangulation von Datenquellen
Um ein vollständiges Bild der MNCAH-Situation zu erhalten, sollten verschiedene Datenquellen trianguliert (kombiniert und verglichen) werden:
- RHIS / HMIS: Routinedaten aus Gesundheitseinrichtungen (z. B. DHIS2).
- Umfragen: Haushaltsbefragungen wie DHS (Demographic and Health Survey) oder MICS.
- Schätzungen: Globale oder nationale Modellierungen (z. B. WHO/UNICEF).
Fallstudie: Müttersterblichkeit
Die Leitlinie nutzt eine Fallstudie zur Müttersterblichkeit, um die Dateninterpretation zu verdeutlichen. In der beispielhaften Analyse werden folgende Hauptursachen für Müttersterblichkeit identifiziert:
| Ursache | Anteil |
|---|---|
| Präeklampsie und Eklampsie | 31 % |
| Postpartale Hämorrhagie (Blutung) | 20 % |
| Komplikationen unter der Geburt / Uterusruptur | 15 - 20 % |
| Puerperalsepsis (Infektionen nach der Geburt) | 15 % |
Qualitative Daten (z. B. aus Fokusgruppen) zeigen zudem, dass strukturelle Probleme wie weite Wege, unfreundliches Personal, hohe Kosten und mangelnde Aufklärung Barrieren für eine adäquate Versorgung darstellen.
5-Schritte-Prozess zur Entscheidungsfindung
Die Nutzung von MNCAH-Daten für gesundheitspolitische Entscheidungen sollte strukturiert ablaufen:
- Datenprüfung: Verfügbare Daten und Informationen sichten.
- Bedarfsanalyse: Fehlende Daten identifizieren und anfordern.
- Ursachenanalyse: Veränderungen und deren Grundursachen (Root Causes) definieren.
- Stakeholder-Einbindung: Relevante Akteure für Arbeitsgruppen und Advocacy-Pläne identifizieren.
- Aktionsplan: Empfehlungen entwickeln und nächste Schritte festlegen.
💡Praxis-Tipp
Führen Sie vor jeder Trendanalyse von MNCAH-Daten eine Konsistenzprüfung durch. Vergleichen Sie aktuelle Werte mit dem Durchschnitt der letzten drei Jahre, um Ausreißer frühzeitig zu erkennen.