In diesem Modul werden Sie klinische Identifizierungsalgorithmen definieren, herausfinden, wie Daten durch Algorithmusregeln umgewandelt werden, und erklären, warum einige Datentypen bei der Konstruktion der Algorithmen mehr oder weniger zuverlässig sind als andere. Sie werden auch einige Qualitätsmaßnahmen besprechen, die vom NQF anerkannt sind und von Gesundheitsorganisationen häufig verwendet werden. Sie werden erörtern, wie Grouper Ihnen helfen können, eine große Stichprobe von Leistungsansprüchen oder klinischen Daten zu analysieren. Sie werden online auf Open-Source-Grouper zugreifen und einen Analyseplan für die Zuordnung von Kodes zu allgemeineren und brauchbaren Diagnose- und Verfahrenskategorien erstellen. Sie werden auch einen Analyseplan für die Zuordnung von Codes zu allgemeineren und brauchbaren Analysekategorien vorbereiten und eine Nutzenerklärung für verschiedene kommerzielle Grouper erstellen, um Analyseteams darüber zu informieren, welchen Nutzen sie aus diesen kommerziellen Tools im Vergleich zu den Lizenz- und Implementierungskosten ziehen können.

In diesem Modul beschreiben Sie logische Prozesse, die von Datenbank- und Statistikprogrammierern verwendet werden, um Daten zu extrahieren, zu transformieren und in Datenstrukturen zu laden (ETL), die zur Lösung medizinischer Probleme benötigt werden. Außerdem werden Sie Daten aus verschiedenen Quellen harmonisieren und integrierte Datendateien für die Analyse vorbereiten.

In diesem Modul werden Sie einem Analyseteam beschreiben, wie die Risikostratifizierung Patienten mit bestimmten Bedürfnissen oder Problemen kategorisieren kann. Sie werden die Bedeutung der Schritte bei der Durchführung der Risikostratifizierung auflisten und erklären. Sie werden einige analytische Konzepte wie z.B. Grouper auf große Stichproben von Medicare-Daten anwenden und die Datenwörterbücher und Codebücher verwenden, um zu demonstrieren, warum es so wichtig ist, die Quelle und den Zweck der Daten zu verstehen. Sie werden artikulieren, was mit der allgemeinen Phase gemeint ist - "Der Kontext ist wichtig, wenn Sie Daten aus dem Gesundheitswesen analysieren und interpretieren." Sie werden auch spezifische Fragen und Ideen vermitteln, die Ihnen und anderen in Ihrem Analyseteam helfen werden, die Bedeutung Ihrer Daten zu verstehen.