कोविड-19 महामारी की एक बानगी यह रही है असंगत प्रभाव रंग के लोगों पर. हालांकि हाल के रुझान सीओवीआईडी ​​​​-19 मामलों और मौतों में नस्लीय असमानताओं में कमी की ओर इशारा करते हुए, कुल मिलाकर, रंग के लोगों ने महामारी का खामियाजा उठाया है - संक्रमण, बीमारी और मृत्यु की उच्च दर से लेकर नकारात्मक मानसिक स्वास्थ्य, सामाजिक और आर्थिक प्रभावों तक। महामारी के असमान प्रभावों ने स्वास्थ्य और स्वास्थ्य देखभाल में लंबे समय से चली आ रही नस्लीय असमानताओं को दूर करने के लिए व्यापक मान्यता और बढ़ती कॉल को जन्म दिया है। फिर भी, महामारी के लगभग दो वर्ष बीत जाने के बाद भी, हमारे पास अभी भी COVID-19 प्रभावों और टीकों के उपयोग में असमानताओं को समझने के लिए व्यापक डेटा का अभाव है। टीकाकरण रोलआउट और महामारी से उबरने के अगले चरणों को देखते हुए, डेटा अंतराल जारी रहने की संभावना है, जिससे असमानताओं को पहचानने और संबोधित करने की हमारी क्षमता सीमित हो जाएगी।

असमानताओं को दूर करने और स्वास्थ्य समानता को आगे बढ़ाने के प्रयासों के लिए डेटा आधारशिला है। डेटा यह पहचानने के लिए आवश्यक है कि असमानताएँ कहाँ मौजूद हैं, असमानताओं की पहचान होते ही उन्हें दूर करने के लिए प्रयासों और संसाधनों को निर्देशित करना, अधिक समानता प्राप्त करने की दिशा में प्रगति को मापना और प्रगति प्राप्त करने के लिए जवाबदेही स्थापित करना आवश्यक है। पर्याप्त डेटा के बिना, असमानताएँ अनदेखी और समाधानहीन बनी रहती हैं।

महामारी के दौरान एक बार-बार आने वाला मुद्दा नस्लीय असमानताओं के संबंध में डेटा की कमी रहा है। महामारी की शुरुआत में, संघीय सरकार और कई राज्यों ने नस्ल या जातीयता के आधार पर कोविड-19 मामलों, अस्पताल में भर्ती होने और मौतों की रिपोर्ट नहीं की। समय के साथ, इन डेटा की रिपोर्टिंग में वृद्धि हुई है, लेकिन डेटा में अभी भी कमियाँ और सीमाएँ हैं। जब COVID-19 टीकाकरण शुरू हुआ तो अधिक नस्लीय/जातीय डेटा रिपोर्ट किया गया था, लेकिन इन डेटा में भी कमियाँ हैं। रोग नियंत्रण और रोकथाम केंद्र (सीडीसी) रिपोर्टों संघीय स्तर पर टीका लगाए गए लोगों की नस्ल/जातीयता, लेकिन टीका लगाए गए लगभग 40% लोगों के लिए नस्ल/जातीयता डेटा गायब है। इसके अलावा, सीडीसी राज्य स्तर पर नस्ल/जातीयता के आधार पर टीकाकरण की रिपोर्ट नहीं कर रहा है, जिससे यह समझ सीमित हो रही है कि देश भर में असमानताएं कैसे भिन्न हो सकती हैं। इस रिपोर्टिंग के अभाव में, केएफएफ ने एक आयोजन किया है चल रहा विश्लेषण नस्ल/जातीयता के आधार पर टीकाकरण पर राज्य-रिपोर्ट किए गए डेटा। हालाँकि, इस प्रयास को राज्यों द्वारा अपने डेटा की रिपोर्ट करने के तरीके में विसंगतियों से चुनौती मिलती है। संघीय रूप से रिपोर्ट किए गए डेटा के विपरीत, जो मानकीकृत है, राज्य अन्य कारकों के साथ-साथ उनके द्वारा उपयोग किए जाने वाले नस्लीय/जातीय वर्गीकरण, माप की उनकी इकाइयों और रिपोर्टिंग की आवृत्ति में भिन्न होते हैं।

डेटा जो टीकाकरण रोलआउट और पुनर्प्राप्ति प्रयास के अगले चरणों में असमानताओं की पहचान करने और उन्हें संबोधित करने के लिए महत्वपूर्ण होगा, वर्तमान में उपलब्ध नहीं है। जैसा कि टीकाकरण रोलआउट के अगले चरण होते हैं, यह समझना महत्वपूर्ण होगा कि किसे बूस्टर शॉट मिल रहे हैं और किसे नहीं मिल रहे हैं और, जब छोटे बच्चे पात्र हो जाते हैं, तो क्या उन्हें टीकाकरण में उसी असमानता का सामना करना पड़ता है जो वयस्कों को प्रभावित करती है। जैसे-जैसे अधिक लोगों को टीका लगाया जाता है, हम यह भी जानना चाहेंगे कि क्या कुछ समूहों में तीव्र संक्रमण और बीमारी का खतरा बढ़ गया है। परीक्षण पैटर्न में अंतर्दृष्टि भी महत्वपूर्ण होगी, विशेष रूप से कई बच्चे व्यक्तिगत स्कूल में लौट आए हैं और व्यक्तिगत काम और सामाजिक गतिविधियों में लौटने वाले लोगों की संख्या बढ़ रही है। हालाँकि, वर्तमान में हमारे पास इनमें से कई सवालों के जवाब देने के लिए डेटा की कमी है। उदाहरण के लिए, नस्ल/जातीयता के आधार पर टीकाकरण पर आयु के आधार पर डेटा बहुत सीमित है, जिसका अर्थ है कि हम नहीं जानते कि टीकाकरण में नस्लीय असमानताएं हैं या नहीं किशोरों के बीच जो पहले से ही पात्र हैं और उन्हें पता नहीं होगा कि उनके बीच असमानताएं हैं या नहीं छोटे बच्चे जब वे बेहतर रिपोर्टिंग के बिना पात्र बन जाते हैं। यह पहचानने के लिए डेटा उपलब्ध नहीं है कि किसे किस प्रकार का COVID-19 टीका प्राप्त हुआ, जो संभवतः यह समझने के लिए महत्वपूर्ण होगा कि किसे बूस्टर खुराक मिलनी चाहिए। इसके अलावा, इस समय, सीडीसी नस्ल/जातीयता की रिपोर्ट नहीं कर रहा है बूस्टर खुराक प्राप्तकर्ता, और केवल कुछ मुट्ठी भर राज्य ही इन आंकड़ों की रिपोर्ट कर रहे हैं। टीकाकरण डेटा अंतराल से परे, दूसरों यह पहचानने के लिए डेटा की कमी पर प्रकाश डाला गया है कि क्या कुछ समूहों को तीव्र संक्रमण और बीमारी का अधिक खतरा है। इसके अतिरिक्त, परीक्षण पर डेटा में अभी भी प्रमुख अंतराल हैं, जिसमें यह भी शामिल है कि क्या परीक्षण दरें नस्ल/जातीयता के आधार पर भिन्न होती हैं, क्या कुछ समूहों को दूसरों की तुलना में परीक्षण तक पहुंचने में अधिक बाधाओं का सामना करना पड़ता है (उदाहरण के लिए, लागत, यात्रा की दूरी इत्यादि), क्या परीक्षण प्राप्त करने का समय परिणाम समूहों में भिन्न-भिन्न होते हैं, और यदि परीक्षणों के प्रकारों में भिन्नता होती है (उदाहरण के लिए, घर पर, रैपिड, पीसीआर) तो लोग इसका उपयोग करते हैं।

नस्ल/जातीयता के आधार पर अलग-अलग उच्च-गुणवत्ता वाले व्यापक डेटा की उपलब्धता बढ़ाना, न केवल सीओवीआईडी ​​​​-19 से संबंधित बल्कि स्वास्थ्य और स्वास्थ्य देखभाल में अधिक व्यापक रूप से स्वास्थ्य समानता को आगे बढ़ाने के प्रयासों के लिए एक शर्त है। नस्ल/जातीयता और अन्य कारकों के आधार पर असमानताओं की पहचान करने और उन्हें संबोधित करने के लिए डेटा संग्रह और रिपोर्टिंग को प्राथमिकता देना डेटा अंतराल और सीमाओं को संबोधित करने के लिए एक महत्वपूर्ण पहला कदम है। इस कार्य के हिस्से के रूप में, छोटे समूहों, जैसे अमेरिकी भारतीय और अलास्का मूल निवासी और मूल हवाईयन और अन्य प्रशांत द्वीप वासी लोगों के साथ-साथ व्यापक नस्लीय/जातीय श्रेणियों की उप-आबादी के लिए उपलब्ध डेटा का विस्तार करने के केंद्रित प्रयास पूरी समझ के लिए महत्वपूर्ण होंगे। व्यक्तियों के अनुभवों का. नस्लीय/जातीय डेटा के बढ़ते मानकीकरण से डेटा का विश्लेषण और व्याख्या करने में भी मदद मिलेगी। संघीय सरकार के पास है न्यूनतम मानकों नस्ल/जातीयता डेटा की रिपोर्टिंग के लिए। हालाँकि, इन मानकों को आखिरी बार 1997 में संशोधित किया गया था और यह आज की आबादी की विविधता को पूरी तरह से प्रतिबिंबित नहीं कर सकता है। इसके अलावा, मानक राज्यों, इलाकों या निजी संस्थाओं द्वारा रिपोर्टिंग पर लागू नहीं होते हैं। अधिक संस्थाओं में न्यूनतम मानकों को प्रोत्साहित करना, प्रोत्साहित करना या आवश्यक बनाना अधिक सुसंगत डेटा प्रदान करेगा। कुछ मामलों में, डेटा में सुधार के लिए अधिक अलग-अलग डेटा रिपोर्टिंग की अनुमति देने के लिए डेटा संग्रह और रिपोर्टिंग सिस्टम और संरचनाओं को आधुनिक बनाने की आवश्यकता हो सकती है। डेटा एकत्र करने वाले प्रदाताओं और अन्य संस्थाओं के साथ-साथ जनसांख्यिकीय डेटा के महत्व और मूल्य के बारे में डेटा की रिपोर्ट करने वाले सीधे व्यक्तियों तक आउटरीच आयोजित करने से भी समय के साथ डेटा की पूर्णता और सटीकता में सुधार करने में मदद मिल सकती है।

प्लेटोए. Web3 फिर से कल्पना की गई। डेटा इंटेलिजेंस प्रवर्धित।
एक्सेस करने के लिए यहां क्लिक करें।

स्रोत: https://www.kff.org/policy-watch/advancing-health-equity-requires-more-better-data/