汇总数据的数据录入{ #data-entry-for-aggregate-data }¶

应尽可能早地发现和解决数据质量问题。在将数据输入 DHIS2 系统时，这些数据通常已先记录在病人卡或登记册上，然后人工统计到统计表中，再将数据汇总为每周、每月或每季度的数值，并记录在设施汇总报告表中。最后，将这些汇总表中的数据输入 DHIS2。所有这些不同工具的设计和质量，以及为员工提供的培训和分配给他们的正确执行这些数据收集活动的时间，对数据质量至关重要。

设计数据录入{ #design-of-data-entry }¶

数据收集表格的设计是提高数据质量的一个经常被忽视的因素。纸质数据收集工具和表格的设计不在本文件的讨论范围之内，但设计良好、便于数据收集人员填写的纸质表格是提高数据质量的一个重要因素。极其复杂的表格可能难以在纸上填写，从而导致原始纸质表格可能出现转录错误。在电子数据输入时，这些错误可能会传播到数字形式（即 DHIS2）中。

DHIS2 中的数据输入表单既可以是自动生成的（默认表单或部分表单），也可以是自定义设计的（自定义表单）。DHIS2 的实施者可以使用 HTML 和 JavaScript 创建复杂的自定义表单，这些表单可以非常接近纸质表单的布局和设计。所谓的分段表格是由 DHIS2 自动生成的，由数据分段组成，这些分段具有共同的分类类型。 分段表格通常更易于维护，而且在安卓等移动设备上运行良好。在可能的情况下，应优先选择分段表格。不过，分段表格可能与纸质表格的设计不一致，这可能会使数据录入过程复杂化，从而导致在转录过程中出现错误的可能性增加。

自定义表单有时是制作数据录入表单所必需的，这样可以方便地从纸质表单转移到数字表 单；但是，自定义表单对基础元数据（如数据元素和类别维度）的变化很敏感。 这可能会导致数据被输入到不正确的数据元素/类别选项组合中，而用户却没有注意到。复杂的自定义表单可能还需要额外的工作，才能使单元格之间的 "制表符 "正确工作，这对于高效无误地输入数据非常重要。

一般来说，数据录入表格过大（如 100 多行 x 10 多列的表格，在记录发病率数据时并不少见），数据录入用户有可能记不清正在输入哪一行/哪一列（如疾病和年龄/性别分类）的数据。

虽然我们不会在此涵盖创建数据录入表单的所有方面，但在 DHIS2 中配置任何数据集之前，***在您的设计中考虑其中一些项目，因为这可能有助于在出现之前减少一些潜在的数据质量问题。

• 表格中有哪些数据元素？
• 表格将在哪个时期收集？
• 是否需要对数据元素进行分类？
• 哪些组织单位应在表格中进行例行报告？
• 是否有任何项目可以自动执行 -- 即指标或计算总数？
• 我们是否应使用其他方法收集任何项目（人口数据、累计总数等）？
• 设计维度时要考虑数据的使用，而不是数据的收集。
  • 这意味着在收集数据时，数据值的分类应易于按不同维度汇总，即相加得出一个有意义的总数。
• 尽可能重复使用维度，因为这样可以提高比较分类数据（如年龄组、固定/外联、性别等）的能力。

同样重要的是，要将数据元素配置为适当的值类型，以便只保存正确类型的数据值。例如，应确保用于捕获服务交付使用情况、病例/死亡、测试次数等的数据元素配置为零或正整数，以防止出现负数或小数。

验证规则¶

验证规则 是确保相关的单个数据值遵循确定模式的重要组成部分。举个简单的例子，疟疾检测呈阳性的人数不可能多于接受疟疾检测的人数。同样，如果有疟疾检测呈阳性的人，那么接受过检测的人数至少也应该一样多。

在 DHIS2 中，验证规则由两个值（左侧值和右侧值）组成，这两个值通过数学运算符（小于、大于等）进行比较，得出逻辑上的真或假结果。验证规则比较的是 DHIS2 中的值，其捕获水平和周期由验证规则定义。使用我们上面的例子，DHIS2 中的验证规则可以如下所示：

如果每月在设施层面收集这些数据，那么至少每个月都可以在设施层面进行比较，此外，如果需要，还可以在更高层面和更低频率上进行比较（例如，在地区层面进行一年的比较）。

请注意，在基于网络的数据录入应用项目中离线工作时，不会触发验证规则；但在移动设备上使用 DHIS2 android 应用项目时，验证规则会离线工作。

配置验证规则{ #configuring-validation-rules }¶

让我们在 DHIS2 中创建前面提到的验证规则示例。由于疟疾检测可以使用不同的方法进行，我们将专门为 RDT 检测创建此规则。

1. 首先打开维护应用项目，然后选择验证选项卡。

1. 选择验证规则下方的 "+"图标，创建新规则

1. 查看用于描述规则的字段。您需要输入名称，选择重要性和周期类型，并至少定义左侧、右侧和运算符。

2. 添加名称。该名称在系统中的验证规则中必须是唯一的。尽量使其具有描述性，以便您了解其代表的内容。在本例中，我们可以使用 "MAL - Positive (RDT)<= Tested (RDT)"。

3. 添加说明。此字段不是必填字段，但用户在验证分析以及在数据录入中查看验证规则时都会看到。因此，建议始终使用说明，向用户明确说明如何审核验证规则。

4. (可选）为规则指定一个简短的名称、代码和描述。

1. 选择重要程度：高、中或低。这是将显示给用户的验证规则说明，并不影响优先级或是否运行。

2. 选择周期类型。请注意，不能选择小于数据输入频率的周期类型。例如，如果每月收集数据，就不能将周期设为每周。

3. 创建表达式的左侧：

   1. 点击左侧。
   2. 如果要查看与比较期间相对应的数据，请选择 "滑动窗口"。另请参阅 "关于验证规则"。
   3. 选择缺失值策略。该选项设置了系统在数据缺失时评估验证规则的方式。

注：

建议使用分类数据元素，而不是如上图所示的总数据元素，即按年龄和性别分类的所有疟疾阳性病例。这是因为在验证规则分析期间，当查看详细信息时，如果选择了总数据元素，则详细信息将是空的，您将无法深入查找问题的根源。

1. 当你把数据项从右侧窗格添加到左侧窗格时，你会看到 #{data element uid.category option combo uid}。这可能没什么意义，但如果向下滚动，就会看到纯文本的名称。

1. 选择所有所需输入后，选择保存。保存左侧后，左侧说明就会出现。

1. 选择运算符：强制配对、等于、排他配对、大于、大于或等于或不等于。

   1. Compulsory pair 运算符允许您要求在表达式的左右两边都必须输入数据值，或者两边都不输入。这就意味着，如果填写了表格中的一个字段，就必须同时填写所选的一个或多个其他字段。
   2. Exclusive pair 运算符允许我们断言，如果左侧存在任何值，则右侧不应有任何值（反之亦然）。这就意味着，在给定的时间段/组织单位/属性选项组合中，构成规则任一边的数据元素应该是相互排斥的。
   3. 在本例中，我们将选择小于或等于

1. 按照左侧表达式的相同过程（上文第 9 点），创建表达式的右侧
2. 选择左侧、操作员和右侧后，您应该可以在验证维护屏幕中看到这些项目的说明和操作员

1. (可选）选择该规则应针对哪些组织单位级别进行评估。留空将导致验证规则在所有级别上进行评估，这也是最常用的选项。

2. (可选）在表单验证过程中单击跳过此规则，以避免在输入数据时触发此规则。通常不选择此选项，以便用户在输入数据时也能查看此验证规则

3. 单击保存保存验证规则

创建验证规则组{ #creating-validation-rule-groups }¶

创建验证规则后，我们应该将它们分组。将类似的验证规则分组在一起，尤其有助于在批量分析时一起审查验证规则。

转到维护 > 验证 > 验证组

选择添加按钮并填写验证组的详细信息（名称、代码和说明）。

通过从左侧窗格中选择相关验证规则并将其移动到右侧窗格，将所有相关验证规则添加到组中。将所有相关规则添加到组后，选择 "保存"。如何最好地定义组取决于特定实施中数据元素和数据集的结构。不过，可以列举以下例子

• 将一个包含所有验证规则的组与一个特定数据集中的数据元素（例如，用于疟疾报告的月度数据集）链接起来
• 在数据集的某一特定部分（例如 HMIS 综合数据集的_疟疾_部分）中，将所有与数据 元素相关联的验证规则分组
• 在多个相关数据集中（例如，在不同的_疟疾检测_和_疟疾治疗_数据集中），将与数据元素相关联的所有验证规则分组

审查数据录入中违反验证规则的情况{ #review-validation-rule-violations-in-data-entry }¶

由于每个系统的配置不尽相同，因此在审查任何违规行为之前，需要按照本文档中 "配置 验证规则 "部分的概述制定验证规则。一旦制定了所需的所有验证规则，就需要使用这些规则对数据进行例行检查。我们既可以在数据录入中审查验证规则，也可以通过验证分析来审查验证规则[章节链接]。在审查验证规则时，我们只会对违反规则的情况发出警报，而不会对通过我们创建的检查的情况发出警报。

让我们再来看看我们的例子

我们可以先查看数据录入应用项目中的验证规则。由于疟疾数据是按月收集的，因此我们将验证规则的周期设置为 "每月"。在我们的示例中，数据来自下表

为了根据我们定义的验证规则检查数据是否有问题，我们可以在数据录入应用项目中滚动到数据集的顶部或底部，然后选择 "运行验证"[注：如果在数据录入屏幕底部选择 "完成"，验证规则也将运行]。

这将运行使用所选数据集中数据元素的任何验证规则。

我们可以在弹出的窗口中看到结果，该窗口显示了在数据输入中检查时违反的验证规则。

我们可以看到有多处违规，包括之前创建的规则。此时，在完成数据录入流程之前，最好逐一查看这些规则，以确保该数据集中的数据值输入正确。如有可能，应更改不正确的值，以尽量减少收集源头的错误。

回顾我们的示例，我们可以发现一个明显的错误，因此需要将其更正为正确的值

如果我们在该数据集、期间和组织单位组合中运行验证过程中发现所有错误，并对其进行更正，然后再次运行验证，我们应该会收到一条提示信息，表明验证已成功通过。

理想情况下，我们应努力在为特定项目进行数据录入培训之前创建验证规则，因为这样可以在培训期间对验证违规行为进行培训和纠正。在培训期间，您应尽可能确保所有数据集在提交前都顺利通过验证。

审查数据录入中违反验证规则的情况（测试版）{ #review-validation-rule-violations-in-data-entry-beta }¶

验证规则也可以在新的数据录入应用项目（从 2.39 版开始提供）中运行。可以随时选择 "运行验证"，或者在数据集应该完成时选择 "标记完成"。

结果将显示在数据录入应用项目的右侧，显示高优先级、中等优先级和低优先级违规行为的数量，并根据违规行为的优先级用适当的颜色突出显示。我们可以看到，新的应用项目显示违规行为的方式与以前的数据录入应用项目略有不同，先显示指令，然后左侧显示其数值、操作员，右侧显示其数值。

我们希望采用与数据录入应用项目类似的流程，审查与这些规则相关的每个值，以确定在 DHIS2 中进行其他操作之前是否可以进行更正。

验证规则通知{ #validation-rule-notifications }¶

验证规则通知提供了一种创建消息的方法，可以在验证规则被违反时发送消息。这些通知由触发通知的验证规则、收件人和与违反规则相关的信息组成。通知可通过 DHIS2 的三种机制以消息形式发送给目标收件人：电子邮件、短信和 DHIS2 内部消息服务。有关配置 e-mail and SMS 的更多信息，请参阅文档。以下是通过电子邮件发送验证规则通知的示例。

关于创建和使用验证规则通知，我们需要注意确保消息中的结果不会被忽略。通常，我们会对创建通知的数量持保守态度，以免用户收到过多的信息。经验表明，如果这样做，用户往往会忽略这些信息，而实际上有问题的地方却没有得到修复。一般来说，应为优先纠正的领域创建通知，并确保这些通知只发送给需要查看的用户。其他违规行为可通过常规数据质量审查项目识别。

要创建验证规则通知，需要使用用户组来定义接收者。请参阅用户组文档，了解如何在 DHIS2 中创建用户组。

配置验证通知{ #configuring-validation-notifications }¶

转到维护 > 验证 > 验证通知

选择添加按钮，查看新验证通知的详细信息。我们可以对多个字段进行细分。

1. 名称：这是您要创建的验证通知的名称
2. 代码：如果需要，您还可以添加代码。例如，代码可以用来代替 UID 唯一标识通知。

1. 验证规则：在这一部分，您可以决定要在通知中添加哪些验证规则。虽然您可以在通知中添加多个验证规则，但为了使信息更易于解释，一般建议通知中只包含一个验证规则。请记住，如果接收通知的用户可以访问多个组织单位，那么在一个给定的时间段内可能会有多个违规行为，而您发送的信息中会标识出每个违规行为。

1. 用户组：本节定义了谁将接收您创建的通知。您必须创建用户组才能使用验证通知。您可以查看文档中的本节，以了解如何创建用户组。用户必须填写相关信息，具体取决于发送信息的方法。例如，如果您通过电子邮件发送通知，您选择的用户组内的用户必须填写电子邮件，否则他们将无法收到通知。如有需要，您可以选择多个用户组，但请记住，您应该只向需要接收此信息的用户发送通知，而不是试图针对可能会忽略此信息的广泛用户。

1. 通知策略：在此，我们决定在检测到多个验证违规时（例如在多个组织单位和/或时间段内）如何发送通知。
   1. 集体摘要： 这将生成一份摘要，列出您在审查验证规则期间所监控的期间/组织单位中检测到的所有违规行为。例如，如果您检测到 10 次违规行为，则所有违规行为都将汇总到一封电子邮件/SMS/DHIS2 信息中。
   2. 单一通知：在这种情况下，将为您正在审查的组织单位和期间检测到的每一个验证违规行为发送一条信息。例如，如果检测到 10 个违规行为，则将分别发送 10 条信息。对于高优先级的违规行为，请慎用此选项。

1. 只通知分级用户：
2. 信息模板：在这一部分，我们定义了发送给收件人的信息的外观。模板可以由模板变量和纯文本组成。模板变量将替换为从 DHIS2 收集的值。

我们可以查看输出信息的示例，了解模板变量和纯文本在发送通知时是如何显示的。

1. 这代表信息中的主题模板。在向您显示信息模板内容之前，每个违规行为都会显示此内容。
2. 在模板本身中，我们混合使用了自由文本和变量。第一个变量是左侧描述。在信息中，该变量被替换为 "正"（RDT）。
3. 这是左侧值。在实际报文中，它将被 DHIS2 中的值所取代
4. 这是验证规则的运算符
5. 这是右侧说明，在信息中用已测试 (RDT) 代替
6. 这是取自 DHIS2 的右侧数值
7. 这是组织单位
8. 这一时期

我们可以看到，我们可以使用许多不同的变量来创建信息，并向查看通知的人提供正确的输出。

要创建模板，请使用自由文本和从屏幕右侧选择适当的变量来填充信息。

填写完这些字段后，选择 "保存 "以保存通知。

关于验证规则配置的建议{ #recommendation-on-validation-rules-configuration }¶

验证规则是防止数据输入错误的有力工具，但如果配置不当，也会诱导用户 "纠正 "错误，成为错误的根源。

在某些情况下，您可能希望创建一些验证规则，这些规则通常是真正的数据质量问题，但 DHIS2 可能会错误地将其标记出来。例如，对第一次（ANC1）和第四次产前检查（ANC4）的妇女进行比较。从整体人口来看，我们可以说 ANC1 的就诊次数应大于或等于 ANC4 的就诊次数。每一位第四次就诊的妇女都进行过第一次就诊，但不可避免的是，有些妇女第四次就诊时不会到场。因此，ANC4 应始终小于或等于 ANC1；但是，将此作为验证规则并不合适，因为 ANC 访视会持续数月，而且妇女可能会在不同的医疗机构进行不同的访视。例如，一家医疗机构一年中可能有 100 次 ANC 1 和 74 次 ANC 4（ANC 1 ≥ ANC 4），但在某一个月中，可能有 9 名妇女进行了第四次就诊，而只有 8 名妇女进行了第一次就诊（ANC 1< ANC 4）。这并不是数据质量问题，但会通过比较 ANC1 和 ANC4 的验证规则记录下来。

我们建议不要在这些情况下创建验证规则，因为这可能会让看到验证规则警告的数据录入用户感到困惑，在最坏的情况下，他们可能会编辑数据以满足验证规则的标准。如果创建了这种类型的验证规则，给用户的信息中应明确说明应检查验证规则警告，但在所有情况下都可能不是实际的数据质量问题。

卫生数据工具包](https://dhis2.org/metadata-downloads/) --特别是各种汇总元数据包 --包括不同卫生计划的验证规则

最小-最大值{ #min-max-values }¶

DHIS2 的 "最小-最大 "功能是一组允许您在输入数据时检查数据中异常值的功能。最小-最大值基于为数据元素组合、类别选项组合和组织单位设置可接受的最小值和最大值。在数据输入过程中，数据输入屏幕会突出显示超出这些最小和最大阈值的值。与验证规则类似，如果数据值超出了最小值/最大值定义的范围，DHIS2 仍允许保存相关数据值。不过，该值将在数据录入屏幕中突出显示，并显示一个对话框，用户需要确认。

最小-最大功能有两大优势：

• 它可以在数据录入时检测和标记数据质量问题，以便输入数据的用户可以立即核实数据、纠正错别字等。

• 与只能在多个数据元素之间存在逻辑关系时定义的验证规则不同，最小-最大值可为任何有最少历史数据的数值数据元素设置。

注：对于按属性类别组合分列的数据集，最小-最大值适用于所有属性选项组合。

配置最小值/最大值{ #configuring-minmax-values }¶

最小-最大值可在数据录入应用程序中手动设置，或使用基于历史数据统计方法计算最小值和最大值的方法。请注意，出于以下原因，我们***不建议使用 DHIS2 内置的工具来生成最小-最大值。我们在[此处]（#limitations-with-minmax-values）讨论了这些限制。

配置和查看最小/最大值{ #configuring-and-viewing-minmax-values }¶

最小-最大值目前只能在数据录入应用项目中查看；数据质量应用项目中专门的 "最小-最大值分析 "组件已被弃用。

在数据录入应用项目中查看和配置最小/最大值{ #viewing-and-configuring-minmax-values-in-the-data-entry-app }¶

在数据录入应用项目中，双击输入字段（即数据录入单元格）会弹出一个窗口，显示有关特定数据元素和类别选项组合的信息。

窗口右上角的部分显示当前设置的任何最小-最大限制，并允许具有相应权限的用户删除和/或保存新的最小-最大值。如下所述，这些值将适用于数据元素、类别选项组合和组织单位的特定组合。数据元素历史图表也会显示设置的最大值。

在数据录入（测试版）应用项目中查看和配置最小/最大值{ #viewing-and-configuring-minmax-values-in-the-data-entry-beta-app }¶

在数据录入（测试版）应用项目中，只要选中输入字段（即输入数据的单元格），并单击应用项目底部工具栏上的查看详细信息按钮，即可显示最小-最大值的相关信息。

这将打开屏幕右侧的 "详细信息 "面板，其中有专门的 "最小-最大限制 "部分。任何用户都可以查看当前设置的最小-最大值，具有相应权限的用户还可以编辑或删除这些值。

内置发电机{ #built-in-generator }¶

DHIS2 包含为一个或多个数据集批量生成和移除最小-最大值的功能，可用于选择组织单位。该功能可在数据管理应用项目中找到。请按照以下步骤批量生成或移除最小-最大值：

1. 导航至数据管理应用项目
2. 选择 "最小-最大值生成 "部分
3. 选择要生成最小-最大值的一个或多个数据集。将为该数据集中具有类别选项组合的所有数据元素生成/删除最小-最大值
4. 选择要生成数值的组织单位边界。将为所选组织单位（包括所有组织单位本身）下面的所有组织单位生成/删除最小-最大值。
5. 选择生成或删除最小-最大值。

注意：最小-最大值只针对已有数据的数据元素、类别选项组合和组织单位的组合生成，与数据集的分配方式无关。

DHIS2 生成最小-最大值的方法是确定所有现有数据值（给定数据元素/类别选项组合/组织 单位组合）的平均值，然后根据该平均值的一定标准偏差数计算下限和上限。使用的标准偏差个数基于名为_数据分析标准偏差因子_的系统设置属性。使用的默认值是 2 个标准差。可以在系统设置应用项目的常规部分中进行更改。

最小/最大值的限制{ #limitations-with-minmax-values }¶

一般来说，我们***不***推荐使用当前功能的最小-最大值生成工具，因为它有几个主要限制，会导致生成的最小-最大值限制过多。这意味着在数据录入应用项目中，过多的数值会被标记为潜在错误，这可能会给数据录入人员造成困扰，并可能导致他们错误地编辑数值，使其在限制范围内。

在某些情况下，这种功能可能会很好地解决以下问题：如果有足够的历史数据作为统计分析的基础，数据呈合理的正态分布（即没有季节性，也没有随时间变化），并且没有总是报告很低数字的设备。但实际上，这种情况很少发生。在实践中，这些要求中的一个或多个往往是_不_符合的：

• 有些小型医疗卫生机构每月报告的数字一直很低。举个假设的例子，如果一家医疗机构在一年中每个月报告的数值都是 2 或 3，那么根据高于/低于平均值 2 个标准差计算的阈值就是 1.5 和 3.5。换句话说，如果该医疗机构在一个月内报告的数值为 1 或 4，则不在阈值范围内。

• 数据往往不是正态分布的。典型的例子是与雨季有关的数据，如疟疾。然而，即使是通常不被认为是季节性的数据，在一年中的某些月份也会有较高或较低的数字，例如生殖健康（因此包括免疫接种、预防母婴传播等）。

• 最小-最大值将根据数据元素、类别选项组合和组织单位的所有组合生成。因此，举例来说，即使一家医疗机构最近才开始在 DHIS2 中报告，而且数据只存在了几个月，也会生成最小-最大值，但生成的基础非常有限。

• 由于内置的最小-最大值生成只能基于现有数据的平均值，因此对任何现有的异常值都很敏感。

自定义生成最小-最大值{ #custom-generation-of-min-max-values }¶

有一个DHIS2 API允许保存和删除最小-最大值。因此，可以使用其他工具在外部生成最小-最大值，然后通过 API 将其导入。这种方法的一个局限是，API 只允许您 POST 或 DELETE _individual_值（针对一个数据元素、类别选项组合、orgunit 组合）。不过，由于最小值-最大值不需要经常更新（与分析等不同），因此可以绕过这一限制。

最小-最大生成的原型工具{ #prototype-tool-for-min-max-generation }¶

为测试生成最小-最大值的改进方法，我们开发了一个原型。这是一个python 工具，在生成最小-最大值时考虑到了更大的灵活性。关于如何使用该工具的详细文档可在github 仓库 获取。

该工具旨在解决内置最小-最大生成功能的主要缺陷：

• 例如，小型机构的最小-最大值可以根据之前的最高值而不是标准偏差来设置，而大型机构则可以设置更严格的阈值。

• 它允许在尝试生成最小-最大值之前，为一个组织单位设置数据的最小完整性。

• 在设置最小-最大值之前，它允许使用盒-盒变换对数据进行归一化处理，以便更好地处理非正态分布的数据。

• 它支持在使用平均值的基础上再使用中位数来设定阈值。

注意：该工具目前只是一个原型，在生产环境中使用前应在测试环境中进行全面测试。

审查数据录入中的最小/最大值{ #review-minmax-values-in-data-entry }¶

在数据输入应用项目中审查最小-最大值无需用户操作：当输入的数字超出指定的最小-最大值时，弹出窗口会立即显示警告信息，并以深橙色高亮显示单元格。

在将数据集标记为完整或使用运行验证按钮时，也会以类似于违反验证规则的方式列出违反最小-最大值的情况。

查看数据质量应用项目{ #review-min-max-values-in-the-data-quality-app } 中的最小-最大值¶

最小-最大值可作为数据质量应用项目中异常值检测的一部分进行批量审核。最小最大值是可用的 "算法 "之一。

对最小-最大阈值之外的值进行分析：

1. 选择一个或多个数据集进行分析
2. 选择一个或多个组织单位
3. 指定起止日期
4. 选择最小-最大值算法
5. 点击开始

结果以列表形式显示，其中显示了报告值超出最小和最大阈值的数据元素、周期和组织单位。

Value 列是报告的数据值，Deviation 列是该数字高于最大阈值或低于最小阈值的程度，Min 和 Max 列显示特定数据元素和组织单位的最小-最大阈值。表格按偏差排序，因为偏差最大的违规行为对整体数据的影响最大。后续行动允许对数据值进行标记，以便进行后续行动；之后可使用 后续行动分析 功能对其进行审查。