چگونه از داده های بزرگ برای تولید دانش در سیستم های سلامت دیجیتال استفاده می شود؟

نگار خلیلی، پایگاه خبری دانا، سرویس سلامت و سبک زندگی؛ فرصت تحقق نیافته ای برای به اشتراک گذاری، تجمیع و تجزیه و تحلیل آن داده ها در راستای اهداف یک سیستم سلامت یادگیری وجود دارد .

در عین حال فرآیندها و رویه ها برای دسترسی و استفاده غیرقانونی از داده های شخصی و به اشتراک گذاری ناخواسته داده های حساس از جمله محافظت و سخت تر کردن فرآیندها و روش های سخت تر وجود دارد.

استفاده از داده های بزرگ برای تولید دانش در سیستم های سلامت دیجیتال

سرمایه‌گذاری، نوآوری و جمع‌آوری داده‌ها فرصت‌های مهمی را ارائه می‌کند که نه تنها بر سلامت و سیستم ارائه مراقبت‌های بهداشتی تأثیر می‌گذارد، بلکه بر توسعه دانش در سیستم سلامت یادگیری نیز تأثیر می‌گذارد. در صورت مدیریت و تجزیه و تحلیل مناسب، مجموعه داده‌هایی که داده‌های بالینی ساختاریافته و بدون ساختار، اطلاعات SDoH، ژنومیک، داده‌های فنوتیپ دیجیتال جمع‌آوری‌شده از ابزارهای پوشیدنی و سایر داده‌ها را در بر می‌گیرند، می‌توانند درک پایه سلامت و بیماری را تغییر دهند

ابزارها و تکنیک‌های آماری، از جمله هوش مصنوعی و ML، می‌توانند برای توسعه ابزارهای ارزیابی مجموعه داده‌ها و حمایت از طرح‌های تحقیقاتی در حال تکامل که کارآزمایی‌های کنترل‌شده تصادفی‌سازی شده سنتی (RCT) را با مطالعات مشاهده‌ای ترکیب می‌کنند، استفاده شوند.

به همین ترتیب، مدل‌های تحلیلی را می‌توان در بین جمعیت‌های در معرض خطر به کار برد تا از برابری در فرصت‌های ایجاد سلامت و درمان بیماری اطمینان حاصل شود. توسعه تراست داده‌های سلامت مجازی، با حاکمیت مشترک و افراد کنترل و مشارکت داده‌های خود برای حمایت از اکتشافات علمی، فرصت مهمی را برای توزیع هزینه‌ها و به حداکثر رساندن خروجی تحقیقات و در عین حال حفاظت از آژانس و حریم خصوصی افراد ارائه می‌دهد .

در صورت موفقیت، این رویکرد دیجیتالی پیشرفته می‌تواند به ذینفعان متعدد، از جمله : جوامع حرفه‌ای، ارائه‌دهندگان مراقبت‌های بهداشتی، گروه‌های حامی بیمار، افراد، خانواده‌ها، کارشناسان حقوقی، مدیران پزشکی، بخش خصوصی و دولت‌ها اجازه دهد تا داده‌ها، تجربیات و اولویت های پژوهشی توسعه تراست داده‌های سلامت مجازی، با حاکمیت مشترک و مشارکت داده‌های خود برای حمایت از اکتشافات علمی، فرصت مهمی را برای توزیع هزینه‌ها و به حداکثر رساندن خروجی تحقیقات و در عین حال حفاظت از آژانس و حریم خصوصی افراد ارائه می‌دهد.

استفاده از داده های بزرگ برای بینش در سطح جمعیت و سلامت عمومی

درک کامل مزایای مجموعه داده های گسترده با اطلاعات جمع آوری شده در زمان واقعی در سراسر زنجیره سلامت، نویدبخش بهبود جمعیت و سلامت عمومی است.

برخی از نمونه‌های قابل توجه این مجموعه داده‌های عمومی عبارتند از: شبکه ملی تحقیقات بالینی بیمار محور، مرکز کمک به داده‌های تحقیقاتی ، برای داده‌های CMS ، برنامه علوم داده‌های بهداشتی مشاهده‌ای و انفورماتیک.

این شامل جمع‌آوری فعال و غیرفعال داده‌های بلادرنگ از فعالیت‌های زندگی روزمره بیماران، جمع‌آوری‌شده در سیستم‌های بالینی و سیستم‌های پرداخت و تجزیه و تحلیل آن داده‌ها برای تصمیم‌گیری منطقی با استفاده از تجزیه و تحلیل استاندارد و AI/ML است.

استفاده از ابزارهای تحلیلی در مراقبت های بهداشتی به سرمایه گذاری قابل توجهی نیاز دارد. خوشبختانه، قانون درمان 1.5 میلیارد دلار در مدت 10 سال برای حمایت از برنامه تحقیقاتی همه ما توسط NIH، که برای ایجاد و در دسترس قرار دادن یک پایگاه داده امن و گسترده برای محققان طراحی شده است، از جمله EHR، نظرسنجی، و داده‌های بیومتریک یک میلیون نفر برای حمایت از یک میلیون نفر مجاز است.

از آنجایی که سیستم‌های بهداشتی، پرداخت‌کنندگان و سازمان‌های اجتماعی با یکدیگر همکاری می‌کنند و داده‌ها را برای خدمت به جمعیت‌های خاص به اشتراک می‌گذارند، آژانس‌های بهداشت عمومی برای جمع‌آوری یکپارچه داده‌ها و اعمال تحلیل‌های پیشرفته برای نظارت بر سلامت و مداخله اجتماعی در موقعیت خوبی قرار می‌گیرند.

قابلیت همکاری سیستم‌های بهداشتی، آژانس‌های اجتماعی، سیستم‌های اطلاعات جغرافیایی و آژانس‌های بهداشت عمومی را برای رسیدگی به پزشکی، محیطی و SDoH پیوند می‌دهد. این قابلیت همکاری همچنین می‌تواند فرصت‌هایی را از طریق داده‌های بزرگ و بهداشت عمومی دقیق، برای تطبیق مداخلات با جمعیت‌های فرعی ایجاد کند که به تضمین عدالت کمک می‌کند.

در طول COVID-19، بخش بهداشت عمومی فرصتی را برای آزمایش انواع ابزارهای بهداشت عمومی دقیق جدید، از جمله استفاده از داده های مکان تلفن همراه، ردیاب های فعالیت، تجربه کرد.

الزامات زیرساخت سلامت دیجیتال برای حفاظت از داده های بزرگ

فناوری دیجیتال به عنوان سیستم عصبی برای سیستم سلامت عمل می کند و شناسایی و از بین بردن نابرابری های گسترده در مراقبت های بهداشتی فردی، محلی، منطقه ای و جهانی را تسریع می بخشد. از آنجایی که افراد از طریق رابط‌های برنامه‌نویسی کاربردی (API) به داده‌های سلامت خود دسترسی بیشتری پیدا می‌کنند و از آنجایی که ارائه‌دهندگان از این داده‌ها برای تصمیم‌گیری بالینی حیاتی با استفاده از AI/ML استفاده می‌کنند، در نظر گرفتن چندین نیاز زیرساختی اساسی ضروری است.

دسترسی و مشارکت فردی، عدالت و اخلاق، حریم خصوصی و پروتکل‌های شناسه، امنیت سایبری، کیفیت و قابلیت اطمینان داده‌ها، ذخیره‌سازی داده‌ها، اشتراک‌گذاری و سرپرستی، قابلیت همکاری، AI/ML، و نیروی کار از اهمیت ویژه‌ای برای اقدامات اولویت‌دار هستند.

دسترسی و مشارکت فردی و برابری و اخلاق در سیستم هایی با داده های بزرگ

برای اطمینان از سلامت دیجیتالی تسهیل شده برای همه، دسترسی به کتاب سلامت دیجیتال گسترده، با پشتیبانی از دسترسی گسترده به اینترنت پرسرعت، در همه اقشار اقتصادی و همه مناطق ایالات متحده ضروری است، متاسفانه، در حالی که COVID-19 منجر به کاربرد عملی و ضروری سلامت از راه دور شد، شکاف های کلیدی در دسترسی مصرف کنندگان به چنین فناوری هایی - "شکاف دیجیتال" - نیز آشکار شد.

برابری در دسترسی پهنای باند موجود، مصرف‌گرایی و مشارکت در سلامت و مراقبت‌های بهداشتی را افزایش می‌دهد. عموم مردم بر اساس تجارب خود با سایر صنایع، به راحتی، آژانس، شفافیت و حریم خصوصی که به صورت دیجیتالی تسهیل شده است، قرار می گیرند و اکنون از اکوسیستم مراقبت های بهداشتی نیز همین انتظار را دارند . با افزایش درک آنچه که سلامت و رفاه را ایجاد می کند، مشارکت بیماران، خانواده ها و جوامع در طراحی ساختارها، فرآیندها و راه حل های جدید برای حمایت از سلامت و رفاه ضروری است.

همچنین پرداختن به نابرابری های بهداشتی نهادی در داخل ایالات متحده هنگام طراحی این ساختارها، فرآیندها و راه حل های جدید ضروری است .

به‌علاوه، ترجمه آنچه از طریق مجموعه داده‌های سلامت دیجیتال به‌صورت گسترده نوشته می‌شود به سیاست‌های محلی و ملی برای کاربردی کردن این یادگیری‌ها در سطح فردی و جمعیتی این سیاست های بهبود یافته باید به نوبه خود به راهی برای بهبودهای جامعه تبدیل شود (مثلاً تصمیمات برنامه ریزی شهری در مورد عدم قرار دادن مدارس در کنار آزادراه ها، اطلاع رسانی استانداردهای ملی کیفیت هوا با تحقیق در مورد ارتباط بین آلاینده های هوا و علائم تنفسی) برای بهبود سلامت افرادی که در آن جامعه زندگی کنید.

حریم خصوصی در سیستم های سلامت دیجیتال با داده های بزرگ

فرصت اشتراک‌گذاری، جمع‌آوری و تجزیه و تحلیل داده‌های سلامت برای بهبود سلامت فردی و پیشبرد سیستم سلامت دیجیتال بسیار مهم است، همانطور که خطر از دست دادن حریم خصوصی برای افرادی که حساس‌ترین داده‌های خود را از طریق برنامه‌های مصرف‌کننده شخص ثالث به اشتراک می‌گذارند، قابل توجه است.

مصرف کنندگان درک محدود اما رو به رشدی از خطرات (از جمله از دست دادن حریم خصوصی) و مزایای به اشتراک گذاری داده های سلامت دارند و طیف وسیعی از دیدگاه ها را در مورد به اشتراک گذاری اطلاعات بهداشتی بیان می کنند.

در دهه های میانی پس از تصویب قانون مسئولیت پذیری بیمه سلامت در سال 1996 (HIPAA)، سیستم های داده سلامت به طور تصاعدی رشد کرده اند. صنعت جدیدی از برنامه‌های کاربردی مرتبط با سلامت راه‌اندازی شد که به افراد این امکان را می‌دهد تا خصوصی‌ترین داده‌های خود را به راحتی با طیف وسیعی از بخش‌های سلامت و بازیگران تجاری به اشتراک بگذارند.

برخی از برنامه ها به عنوان یک وسیله ارتباطی اصلی بین افراد و پزشکان آنها عمل می کنند و کاملاً در داخل HIPAA قرار دارند. در مقابل، سایر ابزارها و فروشندگان توسط HIPAA کنترل نمی‌شوند و باعث ایجاد نابرابری و سردرگمی برای مصرف‌کنندگان می‌شوند. گسترش HIPAA برای تعریف مجدد و محافظت از اطلاعات بهداشتی خارج از نهادهای تحت پوشش می‌تواند خطرات را برای افراد کاهش دهد.

یکی دیگر از زمینه‌های حیاتی که نیازمند پیشرفت در حمایت از سلامت دیجیتالی است، تطبیق دقیق افراد در سیستم‌ها است. یک شناسه ملی منحصر به فرد بیمار به عنوان یک عنصر اساسی HIPAA در نظر گرفته شد. انتشار چنین مقرراتی همچنان یک هدف ارزشمند برای حمایت از تطابق کارآمد و دقیق است. در سال 2021، ONC تلاش‌های خود را برای تطبیق دقیق داده‌های بیمار در سراسر سیستم‌ها با Project US@ انجام داد، که «برای ایجاد مشخصات یکپارچه، متقابل استاندارد، در صنعت مراقبت‌های بهداشتی برای نمایش آدرس‌های بیمار برای بهبود تطابق بیمار» تأسیس شد .

امنیت سایبری در سیستم های سلامت دیجیتال با داده های بزرگ

نگرانی‌های مربوط به امنیت سایبری و حفظ حریم خصوصی، موانع اصلی برای پذیرش سلامت دیجیتال هستند، اعتماد بیماران را از بین می‌برند و بی‌میلی سیستم‌های بهداشتی را برای اشتراک‌گذاری داده‌ها تقویت می‌کنند. مقاومت روانی، خطر فراگیر شدن داده‌ها و مجموعه‌ای از حفاظت‌های حریم خصوصی محلی و ملی - یا فقدان آن - موانعی را برای استفاده از ابزارهای سلامت دیجیتال پیشگام و آینده‌نگر ایجاد کرده است.

این چالش های حیاتی نیازمند پروتکل های تکنولوژیکی، حکومتی و قانونی است. یک مشارکت عمومی و خصوصی برای توسعه یک چارچوب برای اطمینان از ایمنی، امنیت و حریم خصوصی معماری سلامت دیجیتال ضروری است. همانطور که قبلا ذکر شد، چارچوب امنیت سایبری تولید شده توسط موسسه ملی استاندارد و فناوری (NIST) چنین راهنمایی هایی را ارائه می دهد. شفافیت و رضایت مصرف‌کنندگان و بیماران در مورد به اشتراک‌گذاری داده‌ها، آژانس و حریم خصوصی در داخل و بین پلتفرم‌ها و ذینفعان - از جمله مواردی که تحت پوشش HIPAA نیستند - باید ساده و استاندارد شود.

کیفیت و قابلیت اطمینان داده ها، ذخیره سازی و نظارت

استانداردها و پروتکل‌های نظارتی برای داده‌ها و اطلاعات (به عنوان مثال، اصول یافتن‌پذیری، قابلیت دسترسی، قابلیت همکاری، و قابلیت استفاده مجدد [FAIR]) که بر اساس سلامت دیجیتال پایه‌گذاری شده‌اند، در عین حال که بهترین عمل هستند، طبق مقررات الزامی نیستند.

با این حال، چنین استانداردها و پروتکل هایی برای دستیابی به ارزش یکنواخت بین و بین ذینفعان مورد نیاز است. استانداردهای داده‌ها و دستورالعمل‌های سرپرستی و همکاری ملی بسیار مهم هستند، در حالی که باید همزمان به «مسائل اقتصادی، قانونی، فلسفی و عملی» مربوط به داده‌های سلامت توجه شود .

در اصل، فرد، منبع داده های سلامت، دسترسی و استفاده از داده های حاصل از مراقبت های بهداشتی و تعامل با پلتفرم های دیجیتال را کنترل می کند. در عمل، سازمان جمع آوری و مدیریت داده ها دارای نگهداری و کنترل متفاوتی از داده ها است. بسته به ماهیت داده‌های فرد و مقرراتی که گردآورنده و نگهبان داده‌ها تحت تاثیر آن قرار دارند. تفاوت‌های بین سازمان‌ها در مورد «دسترسی به داده‌ها، کنترل، و کسب درآمد» پتانسیل سلامت دیجیتال را محدود می‌کند و گسترش ساختارهای همکاری و تبادل ضروری است .

در دسترس بودن پورتال‌های بیمار در بیشتر سیستم‌های EHR و ابزارهای سلامت دیجیتالی که با مصرف‌کننده مواجه هستند و داده‌های مرتبط با این برنامه‌ها فرصتی معنادار برای بهبود مراقبت از بیمار است. با این حال، چالش‌های مهم، از جمله شکاف دیجیتال، مسائل مدیریت داده‌ها، ادغام و به اشتراک‌گذاری داده‌ها برای تحقیق، مانع از پیشرفت به سوی تحقق مراقبت بهتر از بیمار می‌شود.

علاوه بر این، انگیزه قوی برای نوآوری و بازاریابی سریع ابزارهای mHealth منجر به پیشی گرفتن توسعه محصول از ظرفیت تنظیم‌کننده‌ها برای ایجاد استانداردها و ارسال راهنمایی‌های واضح به سهامداران مختلف از جمله مصرف‌کنندگان و پرداخت‌کنندگان شده است.

این استانداردهای نامشخص و فقدان راهنمایی و نظارت نظارتی، بازاری را ایجاد کرده است که در آن راه‌حل‌های سلامت دیجیتال امیدوارکننده که کیفیت، تأثیر و ارزش برتر را ارائه می‌کنند، به سختی از نوآوری‌ها و کار با کیفیت پایین به ضرر محصولات سلامت دیجیتال که به‌شدت مورد مطالعه قرار گرفته‌اند، تشخیص داده می‌شود.

به عنوان مثال، شواهد علمی در حال ظهور نشان می دهد که برخی از دستگاه های RPM می توانند مرگ و میر پنج ساله را در بزرگسالان بین 50 تا 85 سال پیش بینی کنند و بیماران را برای مدیریت بهتر سلامت خود و مشارکت در مراقبت های بهداشتی توانمند کنند.

در نهایت، باید تصمیماتی در مورد نحوه ذخیره داده ها در سیستم های مبتنی بر ابر برای پیشبرد منافع عمومی اتخاذ شود. مخازن داده های مجازی باید ساختار و کنترل شوند تا از یکپارچگی و حریم خصوصی داده ها از طریق تمام جنبه های مدیریت داده ها - اکتساب، ذخیره سازی، دسترسی، نگهداری و انتشار محافظت کنند.

به طور همزمان، قدرت محاسباتی باید برای پشتیبانی از این چشم انداز آینده به ابر مهاجرت کند، زیرا ابر هم امنیت پیچیده و هم صرفه جویی بیشتری در مقیاس بزرگتر دارد. محاسبات مبتنی بر ابر برای سازمان‌هایی که سیستم‌های داخلی دارند نیاز به یک تغییر پارادایم دارد.

قابلیت همکاری در سیستم های سلامت دیجیتال با داده های بزرگ

استانداردهای داده و قابلیت همکاری در دهه گذشته به طور فزاینده ای پیچیده شده اند. در حالی که به کار بیشتری نیاز است، پیشرفت اولیه با HIE ها، APIها و ادغام EHR باعث بهبود هماهنگی مراقبت شده است و تلاش‌های اخیر در طول همه‌گیری COVID-19 ظرفیت HIE را برای ارائه ارزش با تولید گزارش‌های بهداشت عمومی نشان داد .

علاوه بر این، استانداردهای قابلیت همکاری باید فراتر از تمرکز فعلی بر EHR گسترش یابد. قابلیت همکاری موجود سیستم های داده مراقبت های بهداشتی نه به اندازه کافی از ارائه مراقبت های طولی بهینه پشتیبانی می کند و نه نیازهای بهداشتی کشور را ارتقا می دهد.

همه‌گیری COVID-19 نیازها و فرصت‌ها را برای سلامت دیجیتال و آمادگی و ظرفیت واکنش متحول کننده روشن کرد. سرعت سریع گسترش همه‌گیری بر نیاز به یک سیستم سریع که متکی بر جمع‌آوری، سازمان‌دهی، اشتراک‌گذاری و تجزیه و تحلیل مقادیر زیادی از داده‌ها به صورت دیجیتالی در سراسر سلامت عمومی، تحقیقات و سیستم‌های بالینی است، تاکید کرد.

پاسخ مؤثر به بحران‌های بهداشت عمومی به شدت به داده‌های قابل همکاری وابسته است، بدون آن‌ها در درک آنچه از نظر منابع و ظرفیت مورد نیاز است و درک تأثیر مداخلات وجود دارد ناتوان هستیم.

دوران پس از COVID-19 می‌تواند به اطمینان از قابلیت همکاری همه رسانه‌های ثبت سوابق دیجیتالی مورد استفاده برای حمایت از سلامت و ارائه خدمات مراقبت‌های بهداشتی، از جمله آزمایشگاه‌ها، EHR‌های تایید شده، EHR‌های خانگی، دستگاه‌های دیجیتال، لوازم الکترونیکی مصرفی با ویژگی‌های سلامت و پایگاه‌های داده کمک کند.

برای حمایت از تحقیقات و سلامت عمومی قبل از همه‌گیری، مراکز کنترل و پیشگیری از بیماری‌ها (CDC) یک طرح نوسازی داده‌ها را برای تحت پوشش قرار دادن سیستم‌های نظارت بر بیماری راه‌اندازی کرده بود.

قانون امداد و امنیت اقتصادی کروناویروس 500 میلیون دلار به CDC اختصاص داد تا «سیستم‌های نظارتی و داده‌های بهداشت عمومی مدرن، قابل همکاری و در زمان واقعی که از مردم آمریکا محافظت می‌کند» .

هوش مصنوعی و یادگیری ماشینی در سیستم های سلامت دیجیتال با داده های بزرگ

همانطور که ایالات متحده به سمت مدل های پرداخت مبتنی بر ارزش حرکت می کند، تجزیه و تحلیل های شفاف و پیشرفته برای محاسبه ریسک جمعیت مورد نیاز است، که اساس آن بودجه های پزشکی در قراردادهای بین پرداخت کنندگان و ارائه دهندگان است.

مدل‌سازی پیش‌بینی مبتنی بر هوش مصنوعی و سایر تکنیک‌های آماری پیچیده را می‌توان برای شناسایی زیرجمعیت‌ها برای مدیریت مراقبت‌های شدید برای جلوگیری از استفاده نامناسب از اتاق اورژانس یا مداخله زودهنگام برای یک رویداد حاد برای کاهش پذیرش در بیمارستان استفاده کرد.

به عنوان مثال، در محیط بستری، هوش مصنوعی برای شناسایی بیماران در معرض خطر جبران خسارت با استفاده از داده های جمع آوری شده در پس زمینه در طول مراقبت بالینی استفاده شده است .

بررسی ادبیات اخیر الگوریتم‌های هوش مصنوعی برای مدل‌های سپسیس(عفونت فراگیر ) نشان داد که این مدل‌ها بسیار پیش‌بینی‌کننده هستند. از آنجایی که ابزارهای سلامت دیجیتال با استفاده از تکنیک‌های مختلف هوش مصنوعی، داده‌های متفاوت را در مدل‌های پیش‌بینی‌کننده ترکیب می‌کنند، نتایج استاندارد و تعاریف داده، سوگیری در مجموعه داده‌های آموزشی و مدل‌های نهایی، و الگوریتم‌های به‌روزرسانی مکرر باید در نظر گرفته شوند.

استفاده از هوش مصنوعی به معماری داده های منسجم و مجموعه داده های آموزشی متنوع بستگی دارد که به اندازه کافی نمونه برداری شده و زیر گروه ها را به اندازه کافی نشان دهند.

سازمان غذا و دارو (FDA) اصول راهنما را برای «روش یادگیری ماشینی خوب برای توسعه دستگاه‌های پزشکی» منتشر کرده است که عملی هستند و باید هنگام شروع توسعه مدل در نظر گرفته شوند. چارچوب نظارتی برای هوش مصنوعی به عنوان یک دستگاه پزشکی جدید است و باید به گواهی الگوریتم‌های دائماً در حال تغییر و حفظ مسئولیت‌پذیری فروشندگان برای اطمینان از فرآیندهای قابل اعتماد و معتبر رسیدگی کند.

راه‌های جایگزینی برای تنظیم هوش مصنوعی وجود دارد، از جمله اصول و استانداردهایی که با همکاری چند ذی‌نفع ایجاد شده‌اند که می‌تواند استانداردها و دستورالعمل‌های سازگاری ایجاد کند.

استانداردهای اضافی که باید در نظر گرفته شوند عبارتند از: انجمن بین‌المللی تنظیم‌کننده تجهیزات پزشکی «نرم‌افزار به‌عنوان دستگاه پزشکی (SaMD): کاربرد سیستم مدیریت کیفیت، مرکز FDA برای دستگاه‌ها و سلامت رادیولوژیک «نرم‌افزار به‌عنوان دستگاه پزشکی (SaMD): راهنمای ارزیابی بالینی برای صنعت و «برنامه اقدام مبتنی بر هوش مصنوعی/ماشین یادگیری (AI/ML)- نرم افزار به عنوان دستگاه پزشکی (SaMD)» .

این استراتژی‌ها می‌توانند همراه با مقررات به‌روز شده برای ظرفیت‌های در حال تغییر کار کنند.

نیروی کار در سیستم های سلامت دیجیتال با داده های بزرگ چه ویژگی هایی باید داشته باشند؟

برای حمایت از سلامت دیجیتالی فعال در یک سیستم سلامت یادگیری، نیروی کار آینده به مجموعه‌ای از مهارت‌ها نیاز دارد که در حال حاضر به ندرت دیده می‌شود این مهارت ها در نیروی کار وجود داشته باشد. علاوه بر صلاحیت اولیه در برنامه های اصلی سازمانی (به عنوان مثال، عملکرد EHR)، پزشکان، کارکنان و مدیریت سیستم سلامت، و فروشندگان/نوآوران حداقل به دانش پایه یا مفهومی مدیریت داده ها (جمع آوری، ذخیره، عادی سازی)، قابلیت همکاری، آمار اولیه و علم داده، حاکمیت داده و همکاری، اخلاق، بهبود فرآیند، و علم پیاده سازی نیاز دارند.

نیروی کار فنی آینده همچنین به تخصص در طراحی کاربر محور نیاز خواهد داشت که به دنبال مشارکت کاربران نهایی در طول چرخه عمر توسعه محصول است. اولین برنامه های کاربردی مراقبت های بهداشتی دیجیتال این اصول را در بر نمی گرفت و به همین دلیل، موارد استفاده محدود به اتوماسیون فرآیندهای کاغذی بود تا ارائه مجدد مراقبت و پرداخت های دیجیتالی.

این مسئله امروزه همچنان یک مشکل باقی مانده است، همانطور که فرسودگی شغلی و ناامیدی در میان ارائه دهندگانی که از EHR استفاده می کنند نشان می دهد . در جستجوی دستیابی به سلامت بهتر، کیفیت مراقبت بهتر، هزینه های کمتر و رضایت بیشتر در بین افراد و ارائه دهندگان، طراحی کاربر محور جزء ضروری هر استراتژی زیرساختی خواهد بود.