Veiledningshefte i statistisk prosesskontroll (SPC) Analyseverktøy i System for kontinuerlig forbedring
Aleidis Skard Brandrud, Ringerike sykehus HF, 2009. Det må ikke kopieres fra dette heftet i strid med åndsverksloven eller fotografiloven, eller i strid med avtaler om kopiering inngått med KOPINOR, interesseorgan for rettighetshaveres åndsverk. Side 2 av 54
01.10.05 03.10.05 05.10.05 07.10.05 09.10.05 11.10.05 13.10.05 15.10.05 17.10.05 19.10.05 22.10.05 24.10.05 26.10.05 28.10.05 30.10.05 01.11.05 03.11.05 05.11.05 07.11.05 09.11.05 11.11.05 13.11.05 15.11.05 Gj.snittlig antall dager Aleidis Skard Brandrud Erfaringer med statistisk prosesskontroll Hvordan forstå, bruke og lage kontrolldiagrammer? 3. utgave Kontrolldiagram (type XmR) Monitorering av epikriseprosessen (fra diktering til epikrisen er godkjent) 18 Gj.sn epikrisetid til godkj Gj.snitt X Øvre kontrollgrense Nedre kontrollgrense 16 14 12 Forbedringstiltak 10 8 6 4 2 0 Dager i rekkefølge, sortert etter utskrivingsdag Revidert 11.03.14 Side 3 av 54
Innhold Innhold... 4 Bakgrunn... 7 Revisjon... 7 Historikk... 7 Innhold... 8 Mål... 8 Leserens kompetanse... 8 Del I Om å forstå og bruke kontrolldiagrammer... 9 1. Prosesser... 10 2. Monitorering... 10 3. Analyse av kontrolldiagrammer... 12 3.1 Beskrivelse av kontrolldiagrammer... 12 3.2 Statistisk analyse av kontrolldiagrammer... 13 3.2.1 Tilfeldig variasjon... 13 3.2.2 Spesielle variasjoner... 14 3.3 Klinisk vurdering av kontrolldiagrammer... 15 3.3.1 Klinisk skjønn... 15 3.4 Generelt om monitorering... 16 4. Mest brukte kontrolldiagrammer... 18 4.1 Kontrolldiagram type XmR... 18 4.1.1 Monitorering av pasienterfaringer med I-diagram/XmR-diagram... 20 4.2 Kontrolldiagram type p... 21 4.3 Kontrolldiagram type g... 22 5. Forbedring og vedlikehold av prosesser... 23 5.1 Om å følge med på hvordan det går... 23 5.1.1 Behandling av tilfeldig variasjon... 23 5.1.2 Behandling av sporadiske avvik... 24 5.1.3 Behandling av trender, nivåskifter og spesielle mønstre... 27 5.2 Forbedring av kliniske prosesser... 27 5.2.1 Forbedringsarbeid og monitorering... 27 5.2.2 Monitorering av klinisk kvalitet ved hjelp av sjekklister... 28 Side 4 av 54
Del II Om å lage kontrolldiagrammer... 35 6. Hvilke data passer til monitorering?... 36 6.1 Sentrale begreper... 36 6.2 Viktige begrensninger... 37 6.2.1 Sjekkliste... 37 6.2.2 Validitet og reliabilitet... 38 7. Hvilket kontrolldiagram passer best til våre data?... 39 7.1 Datatypen er det avgjørende... 39 7.2 Valg av riktig indikator... 40 7.3 Valg av riktig type kontrolldiagram... 40 7.3.1 Valg av diagram til kontinuerlige data (måledata)... 41 7.3.2 Valg av diagram til diskrete data (telledata)... 41 8. Hvordan konstruere kontrolldiagram?... 44 8.1 Tabellen... 44 8.2 Software... 44 8.3 Selvlaget diagram... 44 8.3.1 XmR-diagram (I-diagram)... 45 8.3.2 P-diagram... 48 9. Sluttkommentar... 52 Referanseliste... 53 Side 5 av 54
Side 6 av 54
Bakgrunn Revisjon Dette veiledningsheftet er en oppsummering av relevant teori og praktisk erfaring med monitorering av klinisk praksis. Første utgave av ble skrevet sommeren 2007, og revidert i 2009 i tråd med masterprogrammet ved The Dartmouth Institute, Geisel School of Medicine, NH, USA. Klinisk psykolog og biostatistiker Lill De Grève har bidratt til revisjonen. Denne tredje utgaven er utgitt i 2014 som et bidrag til utviklingen av et system for kontinuerlig forbedring i Vestre Viken. Historikk Statistisk prosesskontroll (SPC) er et analyseverktøy, en filosofi, en strategi og et sett med metoder for kontinuerlig forbedring av systemer, prosesser og resultater (2). SPC ble skapt på slutten av 1920-tallet av den amerikanske statistikeren Walter Shewhart, som arbeidet som ingeniør ved AT&T Bell Laboratories. Shewhart ønsket at arbeiderne skulle registrere data fra prosessen for selv å kunne følge med på det som skjer i produksjonen (i sanntid) helt frem til det ferdige produktet forelå. Hensikten med denne monitoreringen var å oppdage eventuelle uregelmessigheter, finne årsaken og løse problemene før evt. dårlige resultater oppsto. Shewhart forsto at klassisk statistikk ikke var egnet til monitorering og skapte derfor statistisk prosesskontroll (SPC) basert på Shewhart-diagrammet (kontrolldiagrammet) 17. SPC fikk sin utbredelse i amerikansk krigsindustri ved hjelp av kollegaen og ingeniøren W. Edwards Deming. Etter krigen dro Deming til Japan, der SPC ble en av årsakene til landets økonomiske fremgang. På midten av åttitallet begynte Deming å overføre sin kompetanse til de amerikanske pediaterne Paul Batalden, professor ved Dartmouth, og Donald Berwick (professor ved Harward og adm. dir. ved Institute for Healthcare Improvement (IHI)). På nittitallet kom de første publikasjonene som beskrev hvordan kontrolldiagrammet kan anvendes til forbedring av helsetjenester (24-26 ), og i kjølvannet publiserte de første klinikerne sine resultater med bruk av metoden (27-28). I Norge var biostatisikeren Lill De Grève den første som begynte å monitorere pasientforløp. Hun la pasienterfaringene fra behandlingskjeden for akuttkirurgi ut på en findelt tidsakse for å studere variasjon. Det var i 1992, i forbindelse med Norges aller første prosjekt om kontinuitet og kommunikasjon i pasientforløp, et oppdrag vi fikk fra departementet, som følge av vår første brukerundersøkelse. Forfatteren fortsatte å monitorere pasienterfaringer på Ullevål universitetssykehus og i 1998 ble de første kontrolldiagrammene laget under veiledning av professor Dag Hofoss, som oversatte de viktigste kapitlene i læreboka til Carey og Lloyd fra 1995 om SPC i helsetjenesten (1). I 2000 innførte fagdirektør Hans Asbjørn Holm bruken av SPC i Legeforeningens læringsnettverk for klinisk forbedringsarbeid. Siden har Legeforeningen i hovedsak brukt SPC som målemetode i sine ca. 200 gjennombruddsprosjekt (GBP). Som veileder i GBP har forfatteren fått rikelig anledning til å anvende metoden på ulike områder. Vi har også lært mye om monitorering på våre Måleverksteder på Ullevål og Ringerike sykehus. Det er ikke mulig å navngi alle de klinikerne vi har samarbeidet med i disse årene, men det er de som skal ha æren for alt det forbedringsarbeidet som dette heftet bygger på. Side 7 av 54
Innhold Kontrolldiagrammet dreier seg om kontinuerlig forbedring. Det handler om hvordan ansatte i helsetjenesten kan stille de rette spørsmålene til de prosessene (den praksis) de ønsker å følge med på, og hvordan de kan bruke de svarene som ligger i kontrolldiagrammene til å redusere kaos og få styring på virksomhetens prosesser slik at de oppnår best mulig resultater. Del I Om å forstå og bruke kontrolldiagrammer er skrevet med tanke på ledere og klinikere som ikke behøver å lage kontrolldiagrammene selv. Det handler om hva SPC er og hva vi kan bruke det til, hvordan vi tolker kontrolldiagrammer, og hvordan denne informasjonen kan brukes til styring og forbedring av kliniske prosesser. Del II Om å lage kontrolldiagrammer er skrevet med tanke på de som vil lage sine egne kontrolldiagrammer. Det handler om å sikre gode data som er egnet for tidsserier, og hvordan man lager passende diagrammer til de dataene man har til rådighet. Mål Målet med dette heftet er å bidra til at helsepersonell begynner å skaffe seg erfaring med SPC. Man kan lære mye om variasjon ved for eks. å monitorere sin egen vekt, antall skritt per dag (ved skritt-teller), frokostens varighet, tidspunktene for eget fremmøte på jobben osv. Leserens kompetanse Du kan klarer deg uten, men det er en fordel å ha basiskunnskaper i statistikk. Det vil gjøre det enklere å håndtere alle spørsmål som er preget av klassisk statistikk når du presenterer dine kontrolldiagrammer. Dessuten anbefaler vi artiklene til de nevnte pionerene (25-28), bøkene til Carey og Lloyd (1 og 2) som skriver om hvordan man bruker SPC i helsetjenesten, og Wheeler (3, 23) som skriver om hvordan man lager diagrammer og bruker SPC i næringslivet. Nelson, Batalden og Godfrey (4) skriver om hvordan helsepersonell bruker SPC til kontinuerlig forbedring av klinisk virksomhet, og den danske kirurgen Kjærgaard (6) beskriver bruken av SPC til styring av kirurgisk virksomhet. Benneyan, Lloyd og Plsek (21) beskriver grenseoppgangen mellom SPC og generell statistikk, mens Amin (22) har publisert en enkel og praktisk rettet artikkel om SPC. Noen mener at det å forstå variasjon innebærer en helt ny måte å tenke på. Men uansett finnes det bare en vei til å bli ekspert på SPC, og den går gjennom rikelig praktisk erfaring. Side 8 av 54
Del I Om å forstå og bruke kontrolldiagrammer Side 9 av 54
1. Prosesser Utfordringen er å få kontroll over de viktigste kliniske (arbeids-) prosessene. Hva er så en prosess? Alle beslutninger og handlinger (aktiviteter) fører før eller siden til et resultat. Disse beslutningene og handlingene, og ikke minst samspillet mellom dem, kaller vi en prosess. Det er prosessen som bestemmer resultatet. Vil vi ha andre resultater, må vi gå gjøre en grunnleggende endringer i prosessen. Det er omtrent like lett å endre en prosess, som det er å endre spisevaner (det er også en prosess). For å sikre varig endring må vi styre prosessen helt til resultatene forblir slik vi vil ha dem. Helsetjenesten forandrer seg (tilpasser seg kravene) hele tiden. For å løse de problemene som ikke fanges opp på denne måten, er det klokt å lytte til forbedringskunnskapen. Det innebærer blant annet at man bør legge data fra prosessen ut på en findelt tidsakse, og tolke variasjonene i en kombinasjon av statistiske og kliniske vurderinger, før, under og etter endring. Hensikten med SPC er å kunne følge med på hva som skjer i de arbeidsprosessene man deltar i, de prosessene man forsøker å forbedre, de prosessene man skal styre, og de prosessene man har ansvar for å vedlikeholde. Brukt på riktig måte, er SPC et godt redskap til å forstå og forutse hva som skjer, og hvordan man kan påvirke det som skjer i positiv retning. Man kan ikke alltid stole på at en prosess er god, selv om resultatene er gode. Hvis en prosess er ustabil, kan man ikke vite hvor lenge den vil fortsette å levere de samme resultatene. Det finnes ustabile prosesser som er på randen av kaos uten at det synes på resultatene, inntil katastrofen er et faktum (3). Ved hjelp av SPC kan man identifisere de ustabile prosessene, og finne ut når man har lykkes med å stabilisere dem. Stabile prosesser er derimot forutsigbare. Vi kan i hovedsak stole på at de vil fortsette å levere de samme resultatene, dersom omstendighetene ikke endrer seg vesentlig. Prosesser kan være horisontale eller vertikale. Meldesystemet er en vertikal prosess der helsepersonell varsler om uønskede hendelser i en saksbehandlingskjede fra nærmeste leder, via lokalt Kvalitetsråd til sentralt Kvalitetsutvalg og videre til Helsemyndighetene. Et økende antall meldinger er en indikator på at meldesystemet (den vertikale prosessen) fungerer, men er ingen indikator på at det skjer flere uønskede hendelser enn før i pasientforløpene (5). Pasientforløpet er en horisontal prosess fra primærhelsetjenesten gjennom sykehuset, evt. via rehabiliteringsinstanser og tilbake til fastlegen. Behandlingskjeder med så mange ledd er særlig disponert for mangelfull interaksjon, logistikkproblemer og uønskede hendelser. Derfor er det en viktig oppgave å bevare oversikten over hva som skjer i de ulike leddene, og hvordan tjenesten kan få kontroll over prosessen i sin helhet. 2. Monitorering For å få kontroll over en prosess kan den monitoreres ved hjelp av SPC. Monitorering vil si å overvåke variasjonene i en prosess ved hjelp av utvalgte data som den aktuelle prosessen produserer. Først ser man på målet/hensikten med den aktuelle prosessen, og hvordan den bør fungere. Så identifiserer man data som kan fungere som indikatorer på prosessens helsetilstand. Deretter sørger man for at disse dataene samles inn og bearbeides på riktig måte, før de plottes inn i kronologisk rekkefølge på en findelt tidsakse i et kontrolldiagram, og analyseres i henhold til algoritmene for SPC.. Side 10 av 54
Monitorering Monitorering er overvåking av variasjonene i hjertets arbeidsprosess Figur 1: Monitorering av hjertets arbeidsprosess I helsetjenesten begynte man først å ta i bruk SPC på midten av nittitallet. Bruken av SPC på sosiale systemer (arbeidsprosesser) er foreløpig sporadisk, til tross for at helsepersonell har solide tradisjoner med å monitorere biologiske systemer (prosesser). Variasjonene viser om hjertets arbeidsprosess er stabil (normal) eller ustabil (patologisk) Figur 2. Monitorering av hjertets arbeidsprosess På samme måte som man stiller diagnose på hjertes arbeidsprosess ved å tolke variasjonene på en monitor for å finne ut om det f.eks. er sinusrytme eller AV-blokk (figur 2), kan man stille diagnose på en klinisk (arbeids-) prosess ved å tolke variasjonene på et kontrolldiagram (figur 3), for å finne ut om prosessen er stabil eller ustabil. Det er i begge tilfelle lett å se forskjell på en stabil og forutsigbar prosess og en ustabil (patologisk) prosess. I neste kapittel beskriver vi de variasjonsmønstrene vi ser etter når vi stiller diagnose på kliniske prosesser, men først vil vi se nærmere på hvordan et SPC diagram ser ut, og hva de tre hjelpelinjene betyr. Side 11 av 54
01.10.05 03.10.05 05.10.05 07.10.05 09.10.05 11.10.05 13.10.05 15.10.05 17.10.05 19.10.05 22.10.05 24.10.05 26.10.05 28.10.05 30.10.05 01.11.05 03.11.05 05.11.05 07.11.05 09.11.05 11.11.05 13.11.05 15.11.05 Antall dager 3. Analyse av kontrolldiagrammer 3.1 Beskrivelse av kontrolldiagrammer De SPC-diagrammene vi bruker til monitorering kalles kontrolldiagram (fig.3). Alle kontrolldiagrammer har samme utseende, uansett hvilken indikator (observasjon) diagrammet bygger på. Kontrolldiagram (XmR) Gjennomsnittlig antall dager før epikrisen er godkjent 18 Gj.sn epikrisetid til godkj Gj.snitt X Øvre kontrollgrense Nedre kontrollgrense 16 14 12 Forbedringstiltak 10 8 6 4 2 0 Dager i rekkefølge, sortert etter utskrivingsdag Variasjonene i intern epikrisetid viser i første fase en ustabil arbeidsprosess. Andre fase viser at da årsaken ble behandlet med mer skrivehjelp, stabiliserte prosessen seg på et bedre nivå. Figur 3: Monitorering av arbeidsprosessen for epikriseskriving Indikatoraksen (y-aksen) Den venstre loddrette linjen i ytterkant av diagrammet kalles Y-aksen eller indikatoraksen (6), fordi den angir de verdier som indikatoren peker på, for eksempel antall dager i ventetid, andelen ikke møtt til avtale, dødelighet i prosent, etc. Periodeaksen (X-aksen) Den nederste vannrette linjen i underkant av diagrammet kalles gjerne X-aksen eller periodeaksen (6), fordi den angir den tidsperiode som hvert datapunkt omfatter. Periodene kan være pasienter eller hendelser i rekkefølge, timer, dager, uker, måneder, kvartal, tertial, etc. Tidsserien Inne i diagrammet finnes datapunkter, det vil si periodenes verdier plottet på indikatoraksen som blå punkter, bundet sammen med blå linjer. Datapunktene varierer alltid i verdi fra periode til periode, fra punkt til punkt. For å kunne tolke betydningen av disse variasjonene, settes hjelpelinjer inn i diagrammet i form av sentrallinje og kontrollgrenser. Side 12 av 54
Sentrallinjen Den horisontale (grønne) sentrallinjen i et kontrolldiagram representerer vanligvis et aritmetisk gjennomsnittsnivå (se figur 4). Sentrallinjen markerer det (kvalitets-) nivået som den monitorerte delprosessen befinner seg på, i henhold til de verdier som er observert i prosessen ved hjelp av indikatoren. Når det tallfestes et mål for god kvalitet, er det dette nivået man tilstreber at sentrallinjen i diagrammet skal legge seg på. For eksempel når man bestemmer at kvaliteten minst bør ha et snitt på 10 av 13 oppnåelige kvalitetspoeng i forbindelse med utredningen av komorbiditet til ADH (se eksempel 4, kap.5.2.2). Når en prosess oppnår et nivåskifte (se nedenfor), er det et statistisk signal om at prosessens sentrallinje har lagt seg på et nytt nivå i forhold til den gamle sentrallinjen. Øvre og nedre kontrollgrense De røde horisontale linjene er statistisk beregnede kontrollgrenser, som ligger henholdsvis tre sigma (standardavvik) over og under sentrallinjen. Kontrollgrensene gjør det mulig å skille mellom tilfeldige og spesielle variasjoner i tidsserien (se nedenfor). Kontrollgrensene beregnes ved hjelp av formler, som er forskjellige alt etter hvilken type diagram man velger. (Mer om ulike måter å beregne kontrollgrenser på i del II). Det var statistikeren Gauss som første gang beskrev det fenomen at dataene i et materiale normalt vil være fordelt slik at hele 99,73 % vil havne innenfor en avstand på tre standardavvik (SD) fra gjennomsnittet. Det betyr at det må skyldes noe helt spesielt når et datapunkt faller utenfor en kontrollgrense på 3 standardavvik 1, (Les mer om dette i Nelson et al. (4) ). 3.2 Statistisk analyse av kontrolldiagrammer Statistisk tolkning vil si å avdekke lovmessigheter i prosessens variasjoner og skille dem fra tilfeldigheter. 3.2.1 Tilfeldig variasjon Dataserier som i sin helhet faller innenfor kontrollgrensene er stabile og forutsigbare (med visse unntak, se nedenfor). I likhet med alle prosesser, vil prosesser som er stabile i statistisk forstand variere hele tiden, men variasjonene er bare tilfeldig støy. Det skal mye til for å forstyrre/ødelegge stabiliteten i en prosess som statistisk sett er stabil. Øvre kontrollgrense Sentrallinje Nedre kontrollgrense Figur 4: Stabil prosess (bare tilfeldige variasjoner) 1 Ulike typer kontrolldiagrammer baserer sine kontrollgrenser på ulike statistiske fordelinger alt etter typen data. Man forutsetter f.eks. binomial fordeling i p-diagram, Poisson fordeling i u-diagram, geometrisk fordeling i g-diagram, og normalfordeling i XmR-diagram og Xbar-S diagram. Side 13 av 54
3.2.2 Spesielle variasjoner Prosesser som har spesielle variasjoner er ustabile og uforutsigbare. Vi bruker ulike tester for å identifisere signaler om spesiell variasjon. Her er de fire viktigste: Test 1: Sporadisk avvik: Hvis datapunkter faller utenfor øvre eller nedre kontrollgrense (rød ring fig.5), er det er signal om at prosessen av og til forstyrres av sporadiske avvik. 250 200 150 100 50 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Figur 5 2 : test 1 Sporadisk avvik Test 2: Nivåskifte: Åtte eller flere datapunkter på rad på samme side av sentrallinjen er evidens for at prosessen har skiftet nivå, og at dette ikke er noen tilfeldig variasjon. Syv punkter er nok hvis tidsserien har under 20 datapunkter (rød ring fig.6). Hvis man sammenligner en prosess før og etter endring, for å se om man har oppnådd forbedring, er det ikke nok at gjennomsnittet i den nye prosessen er høyere/lavere enn i den gamle prosessen. 200 180 160 140 120 100 80 60 40 20 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Figur 6: Test 2 Nivåskifte I diagrammet over epikriseprosessen (figur 3) har man monitorert prosessen før og etter endring. Etter endring ligger mer enn 8 av datapunktene under sentrallinjen til den gamle prosessen. Det gir oss evidens for at prosessen har skiftet nivå. Når vi forbedrer prosesser, er det nettopp et slikt nivåskifte i ønsket retning vi forsøker å oppnå, som et statistisk signal på at en prosess har forbedret seg. Men et nivåskifte er ikke evidens for at prosessen ligger stabilt og forutsigbar på det nye nivået. Da må man i tillegg ha minst 20 datapunkter på rad på riktig nivå og i et stabilt mønster innenfor sine kontrollgrenser. Vi har å gjøre med sterke naturkrefter som trekker prosesser tilbake i gammel form. Derfor må man gjøre nye registreringer ca. hvert halvår til man er overbevist om at endringene er blitt en selvfølge for de ansatte. 2 Fig. 9-11 er hentet fra undervisningsmaterialet til Eugene C. Nelson ved Universitetet i Dartmouth, 2007 Side 14 av 54
Test 3: Trend: Syv stigende eller synkende punkter på rad er signal om en statistisk trend. Seks punkter på rad er nok til å påvise en trend hvis tidsserien er på under 20 punkter, (rød ring fig.7). 200 180 160 140 120 100 80 60 40 20 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 Figur 7: Test 3 Trend Test 4 og 5: Kontrollgrensene ligger vanligvis tre sigma (standardavvik) fra sentrallinjen. Det er et signal om spesielle variasjoner i prosessen når det finnes to av tre påhverandrefølgende punkter over to sigma fra sentrallinjen (i sone A). Det samme signalet gir fire av fem påhverandrefølgende punkter over ett sigma fra sentrallinjen (i sone B), (se blå ringer fig. 8). Visse forutsetninger må være tilstede for at disse to testene skal være gyldige. Selv om dette er et for komplisert tema for dette heftet, er det greitt å være klar over at test 4 og 5 er svakere signaler på instabilitet enn de andre testene. Figur 8: Test 4 og 5 3.3 Klinisk vurdering av kontrolldiagrammer 3.3.1 Klinisk skjønn I tillegg til de statistiske tolkingene er det alltid nødvendig med kliniske vurderinger av kontrolldiagrammet. Klinikerne må vurdere nøye om gjennomsnittsnivået og spredningen på dataene tilfredsstiller de faglige kravene. Store variasjoner i en prosess gir som regel grunn til å tvile på om prosessen er klinisk akseptabel, selv om variasjonene statistisk sett er tilfeldige. Det hjelper heller ikke så mye at en prosess er stabil og forutsigbar hvis nivået (sentrallinjen) ikke er i tråd med beste praksis. Kritiske grenser Det er lett å forveksle kontrollgrenser med kritiske grenser. Kontrollgrensene er beregnet statistisk, og gjør det mulig å skille mellom tilfeldige og spesielle variasjoner. Kritiske grenser er derimot basert på klinisk skjønn og viser hvilke variasjoner som ikke er akseptable. I visse tilfelle kan det være klokt å legge kritiske grenser inn i et diagram, med da i en annen farge, eller et annet mønster, så de ikke kan forveksles med kontrollgrensene (fig.9). Side 15 av 54
Figur 9 er et eksempel på hvor viktig det er å kombinere kliniske og statistiske vurderinger. I denne grafen har vi monitorert navlesterengs-ph. Den kritiske grensen er markert i diagrammet som en fiolett stiplet linje på 7,05. De svake, blå linjene markerer ett og to sigma fra den sentrallinjen. De røde kontrollgrensene ligger som vanlig å tre sigma (standardavvik) fra den grønne sentrallinjen. Diagrammet viser en statistisk stabil og forutsigbar prosess i fase 1, og en prosess som er ute av statistisk kontroll i fase 2, fordi punkt 98 faller utenfor nedre kontrollgrense. Prosesser som er ute av kontroll er ustabile og uforutsigbare. Klinisk vurdert ansees likevel fase 2 som en noe bedre prosess enn fase 1. I den første fasen faller punkt 17 med sin patologiske verdi innenfor kontrollgrensene, det vil si at prosessens tilfeldige variasjoner omfatter patologiske verdier. Siden årsaken til tilfeldige variasjoner ligger i de faste rutinene, er det bedre å ha en patologisk verdi som statistisk sett er et avvik, enn at det er normalt å få en patologisk verdi. Sporadiske avvik skyldes nemlig ikke de faste rutinene, men stammer fra noe annet som griper forstyrrende inn i prosessen. Årsaken må identifiseres og behandles som et avvik på linje med andre uønskede hendelser med fokus på systemforbedring. XmR-diagram for arteriell ph-måling nyfødte i to faser av 2004 7.6 7.5 7.4 7.3 7.2 ØKG=7.5 Gj.sn=7.2 UCL=7.44 Gj.sn=7.24 7.1 7 6.9 6.8 NKG=6.95 Kritisk grense = 7,05 NKG=7.05 6.7 6.6 Pasienter sortert kronologisk etter fødselstidspunkt 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 81 83 85 87 89 91 93 95 97 99 101 103 105 107 109 Fase 1 Fase 2 Figur 9: Kontrolldiagram med både kontrollgrenser og kritisk grense Når prosessen er stabilisert, er målet å utvikle så gode rutiner at de forebygger patologiske ph-verdier. Når vi bruker XmR-diagram på navlestrengs-ph, er målet at prosessen skal variere så lite at nedre kontrollgrense blir liggende innenfor den kritiske grensen på 7,05. 3.4 Generelt om monitorering Her er en oppsummering av viktige prinsipper når du vil bruke kontrolldiagrammer til å følge med på, styre og/eller forbedre prosesser. 1. Kontrolldiagram bør tolkes både statistisk og klinisk for å kunne gi den prosessen som er monitorert en riktig diagnose (se ovenfor). 2. Hver tidsserie bør representere en enhetlig prosess. Det betyr at når det skjer en grunnleggende endring i prosessen blir den ny, og da bør man splitte tidsserien og lage en ny fase ved det tidspunktet der endringen har skjedd (fig.10). Side 16 av 54
3. Sentrallinje og kontrollgrenser bør beregnes i hver fase for seg (fig. 10), hvis ikke kan man gå glipp av mye informasjon, for eksempel om kontrollgrensene blir videre eller trangere etter endring (fig. 23-26, kap.5.2.2.). 4. Dataene i hver fase av et kontrolldiagram skal behandles etter samme kriterier (registrering og evt. vasking på samme måte i hver fase, se kapittel 5.1.2). 5. Informasjonsverdien i diagrammene varierer i pakt med kvaliteten på dataene og i hvilken grad dataene passer til den typen diagram som er valgt (kap.6.2) 6. Det er ikke nok å oppnå et nivåskifte etter et forbedringstiltak. Forbedringene må følges opp og monitoreres helt til prosessen har stabilisert seg på det nye nivået. 7. Bruk ferske data (sanntids-data) og gå tettest mulig på prosessene. Desto tettere på prosessen (splitte dataene opp i den minste enhet) og kortere intervaller mellom datapunktene, jo mer operasjonell (konkret) blir informasjonen fra diagrammet (se nedenfor, og eksempel 6, kap.5.2.2.). 8. SPC kan ikke brukes til å dokumentere årsaksforhold. Selv om SPC kan gi oss evidens for at det har skjedd noe spesielt med prosessen, gir det ikke evidens for årsaken til den spesielle variasjonen. Hvis dataene er gode, kan SPC dokumentere om prosessen evt. er blitt bedre enn før, og om den oppfyller kravene til gjeldende standard (se nedenfor). 9. Balansert monitorering styrker beslutningsgrunnlaget, flere indikatorer viser flere sider av saken (se nedenfor, samt figur 15 og 16). 10. Man bør vanligvis ha mellom 20 og 30 datapunkter i hver tidsserie for å kunne tolke et kontrolldiagram statistisk (se nedenfor, og kap.6.2 pkt 3). 11. SPC er statistikken for små tall, men det finnes grenser for hvor små tallene kan være (se nedenfor og kap.4.1.3). Ad punkt 8 om årsaksforhold I prinsippet bør man kun innføre forskningsbaserte endringer i klinisk praksis (evidence based practice). Det vil si at det allerede bør være dokumentert at for eksempel trening hjelper mot depresjon før vi innfører det som et nytt behandlingstilbud. Det forbedringsarbeidet går ut på, er å lage et godt treningsopplegg, og legge til rette for at det kan innføres som en del av praksis. Det vi da bør monitorere er hvor ofte pasientene benytter seg av treningstilbudet, hva de mener om det og hva som kan forbedres. Skal vi derimot evaluere en ny behandlingsmetode, og dokumentere at de effektene man har oppnådd skyldes den nye metoden, er det snakk om forskning i klassisk forstand, og det er ikke tema i dette heftet. Ad punkt 9 om balansert monitorering Vi anbefaler balansert monitorering, det vil si at vi velger ulike data (observasjoner) som vi ønsker eller frykter vil bli påvirket av tilbudet. I forbindelse med treningstilbud til deprimerte, vil f.eks. treningsomfanget, brukererfaringer, liggetiden, medikament forbruket, og pasientenes grad av depresjon inn/ut av sykehuset (MADRS) vise ulike sider av prosessen. Hvis treningstilbudet blir brukt som anbefalt, pasientene er fornøyd, liggetiden er kortere enn før, medikamentforbruket mindre, og graden av depresjon ved utskriving er mindre enn den bruker å være i forhold til innleggelsen, er vi fornøyd. Ad punkt 10 om antall datapunkter Noen ganger er det ikke mulig å skaffe nok datapunkter, og da må man gjøre det beste ut av det man har. Wheeler mener at man til nød kan klare seg med 12 datapunkter (3). Dersom man har en komplett tidsserie (baseline) på 20-30 datapunkter å sammenligne den nye prosessen med, kan man allerede påvise åpenbare nivåskifter etter bare syv-åtte datapunkter, (fig. 23). Side 17 av 54
Har man behov for å monitorere lengre tidsserier enn 30 datapunkter, kan det være hensiktsmessig å splitte opp dataene i passende faser med ca 30 datapunkter i hver. Ad punkt 11 om små tall Selv om det er lettere å trekke konklusjoner av små tall ved hjelp av SPC enn med generell statistikk, er det grenser for hvor små tallene kan være. Noen ganger kan man øke tallstørrelsen ved å inkludere lengre tidsperioder i hver periode (hvert datapunkt). Problemet kan da bli at man får for lang avstand til prosessen, og dårligere styringsmuligheter (kap. 5.1). Selv om tallene er for små kan likevel et diagram ned små tall by på viktig klinisk informasjon, dersom det betyr at man er så tett på prosessen (real time). Da er det kliniske bildet lettest å tolke, og lettere å forstå prosessen. På den annen side hender det at kontrolldiagram som gir grunnlag for klare statistiske diagnoser på prosessen, ikke gir så mye klinisk mening, som for eksempel ved indeksering. En kombinasjon er bra (kap.4.1.3 og kap.7.1). 4. Mest brukte kontrolldiagrammer Det finnes mange typer SPC-diagram. Det finnes ett run-diagram og mange kontrolldiagram. Run-diagrammet er det beste alternativet når man har svært få datapunkter, men det egner seg dårlig til monitorering fordi det ikke kan identifisere sporadiske avvik. Derfor er ikke rundiagrammet tatt med her. Det utvikles stadig nye typer kontrolldiagram (21), i takt med nye typer data man finner ut at man vil monitorere. Ulike typer data skal ha ulike typer kontrolldiagram. Hver type kontrolldiagram har sin egen formel for beregning av kontrollgrenser (sigma)(se kapittel 7 og fotnote 1 s. 11). Jo bedre kontrolldiagrammet passer til dataene, desto bedre informasjon får man ut av diagrammet. I del II ser vi på kriteriene for valg av riktig diagram. Her følger noen eksempler på monitorering ved hjelp av de hittil tre mest brukte diagramtypene XmR, P og G. Dette vil trolig endre seg mye de nærmeste årene i kjølvannet av bedre tilgang på gode software. Da blir antakelig X-bar S og U-diagram like sentrale, og g-diagrammet kan bli utkonkurrert av bedre alternativer. 4.1 Kontrolldiagram type XmR XmR er det mest brukte diagrammet, og kalles også ImR, eller bare I-diagram. Det består av ett hoveddiagram over observasjonene og ett støttediagram (mr-diagram) over variasjonene. Se for øvrig kapittel 3.1 Beskrivelse av kontrolldiagrammer. Hoveddiagram Når dataene i et XmR-diagram varierer mye, blir kontrollgrensene vide, og når dataene varierer mindre, blir kontrollgrensene trangere. I blant kan en eller begge kontrollgrenser havne utenfor skalaen. For eksempel har nedre kontrollgrense havnet under null ved monitorering av tid eller antall (fase 1 fig.10). da skal den legges på null, selv om det ikke er tre sigma under sentralgrensen. Når øvre kontrollgrense havnet ovenfor skalaen, for eks. når vi monitorerte pasienterfaringer ved hjelp av en skala fra en til ti (VAS-skala, for eks. fig.11 og 12), skal øvre kontrollgrense ligge på 10, selv om ikke det er tre sigma. Støttediagram Hensikten med mr-diagrammet er å synliggjøre signifikante feil eller avvik i datamaterialet som ikke synes på hoveddiagrammet. Datapunktene i et mr-diagram viser differansen mellom naboobservasjoner (plott) i hoveddiagrammet. I figur 10 er verdien på det første datapunktet 9,0 og det andre 5,8. Differansen er 3,2. Første punkt på mr- diagrammet blir derfor 3,2. Dag 3 har verdi 4,7, derfor blir det andre punktet i dette støttediagrammet 1,1. Dag Side 18 av 54
01.10.05 02.10.05 03.10.05 04.10.05 05.10.05 06.10.05 07.10.05 08.10.05 09.10.05 10.10.05 11.10.05 12.10.05 13.10.05 14.10.05 15.10.05 16.10.05 17.10.05 18.10.05 19.10.05 20.10.05 21.10.05 22.10.05 23.10.05 24.10.05 25.10.05 26.10.05 27.10.05 28.10.05 29.10.05 30.10.05 31.10.05 01.11.05 02.11.05 03.11.05 04.11.05 05.11.05 06.11.05 07.11.05 08.11.05 09.11.05 10.11.05 11.11.05 12.11.05 13.11.05 14.11.05 15.11.05 Differansen fra punkt til punkt 01.10.05 03.10.05 05.10.05 07.10.05 09.10.05 11.10.05 13.10.05 15.10.05 17.10.05 19.10.05 22.10.05 24.10.05 26.10.05 28.10.05 30.10.05 01.11.05 03.11.05 05.11.05 07.11.05 09.11.05 11.11.05 13.11.05 15.11.05 Antall dager 4 har tilnærmet samme verdi, og tredje punkt blir 0, osv. Vi viser mr-diagrammet hvis det gir viktig statistisk informasjon som ikke kan leses ut av hoveddiagrammet, ellers lar vi det gjerne være siden det ikke gir noen mening for klinikerne. Kontrolldiagram (XmR) Gjennomsnittlig antall dager før epikrisen er godkjent 18,0 Gj.sn epikrisetid til godkj Gj.snitt X Øvre kontrollgrense Nedre kontrollgrense 16,0 14,0 12,0 10,0 8,0 6,0 4,0 2,0 0,0 Dager i rekkefølge, sortert etter utskrivingsdag mr-diagram: Diagram over variasjonen i tallmaterialet (brukes til å kontrollere datakvaliteten på XmR-diagammet) 14 mr Gj.snitt mr ØKG mr 12 10 8 6 4 2 0 Tidsserie før og etter endring Figur 10: Kontrolldiagram av typen XmR med tilhørende mr-diagram. legg merke til at avviket i mr-diagram fase 2 ikke synes på hoveddiagrammet. Tolkning XmR tolkes som øvrige kontrolldiagram (kap.3), i tillegg må støttediagrammet tolkes, og som nevnt det spesielle med kontrollgrensene, som i figur 10 er betydelig trangere i fase to. Her har sykehuset monitorert den mest kritiske delen av epikriseprosessen. Før problemløsning (fase 1), kan vi se at variasjonene er større (kontrollgrensene videre), og ved avviket helgen 9.10.05 tok det dobbelt så lang tid å få epikrisene godkjent i forhold til gjennomsnittet. Årsaken til avviket syntes å være bemanningsproblemer, og da disse ble rettet Side 19 av 54
VAS-skala fra 1-10 opp, ble helgeproblemet betydelig redusert og nivåskifte oppnådd. Støttediagrammet bekrefter avviket den 9.10.05 før endring, mens fase to viser at søndager fortsatt er sårbare/spesielle, da variasjonen mellom 6. og 7. november treffer øvre kontrollgrense i mr-diagrammet. Legg merke til at dette ikke synes på hoveddiagrammet. 4.1.1 Monitorering av pasienterfaringer med I-diagram/XmR-diagram Vi monitorerer pasienttilfredshet målt på en (VAS-) skala fra 1 til 10, der 10 betyr mest tilfreds. Vi bruker indekser (dvs. slår sammen data fra beslektede spørsmål) for å øke den statistiske informasjonsverdien, fordi tilfeldige målefeil i enkeltvariablene oppveier hverandre. Statistisk er prosessen i dette eksemplet stabil og forutsigbar (figur 11). Klinisk vurdert har prosessen høyt kvalitetsnivå med akseptable variasjoner, men diagrammet forteller lite om hva det er pasientene egentlig har svart på, og om de er like fornøyd med de fem spørsmålene som indeksen representerer. XmR-diagram: Indeks for det å forstå/forutse det som skjer før, under og etter en vaginal fødsel ved RS-HF 10 9 8 7 6 5 4 3 2 1 Gj.snitt =9 NKG=6,6 Fase 1 Fase 2 Barselkvinner sortert i kronologisk rekkefølge etter utskrivingsdato 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Figur 11: Indeks for kognitiv kontroll Klinikerne trenger både å få vite om prosessen er stabil ved å se på indeksen (fig.11), og få vite hva pasientene har svart på hvert enkelt spørsmål (fig12), for å forstå hva som bør gjøres (kap.6.3) Derfor monitorerer vi både indekser og enkeltvariabler 3. Kontrolldiagrammer over enkeltvariabler har ingen statistisk verdi. Kontrollgrenser og gjennomsnitt blir ofte meningsløse fordi dataene blir for dikotome 4, dvs. de gir få alternative svar. Eksemplet nedenfor (fig.12) er nesten eneste enkeltvariabel(spørsmål) som har noenlunde spredning på datapunktene. Gjennomsnitt, kontrollgrenser og statistiske tolkninger i et XmRdiagram med dikotome 5 data blir meningsløse fordi de ikke er normalfordelte (se røde punkter figur 12). 3 Enkeltvariablene er konkrete spørsmål, dvs. utsagn fra pasienter i fokusgruppemøter, som har pekt seg ut som viktige gjennom en kvantitativ undersøkelse (12). 4 Dikotomi er data av typen enten/eller, svart/hvitt, ja/nei etc. Les mer om dikotomi i kap.6.2 pkt.6 Side 20 av 54
jan. 02 feb. 02 mar. 02 apr. 02 mai. 02 jun. 02 jul. 02 aug. 02 sep. 02 okt. 02 nov. 02 des. 02 jan. 03 feb. 03 mar. 03 apr. 03 mai. 03 jun. 03 jul. 03 aug. 03 sep. 03 okt. 03 nov. 03 des. 03 jan. 04 feb. 04 mar. 04 apr. 04 mai. 04 jun. 04 jul. 04 aug. 04 sep. 04 okt. 04 nov. 04 des. 04 jan. 05 feb. 05 mar. 05 VAS-skala fra 1-10 10 9 8 7 6 5 4 3 2 1 NKG=5.6 XmR diagram for spørsmål 3: "Følte du at du visste hvem som hadde ansvaret for deg mens du var innlagt" Gj.sn=8.9 Barselkvinner sortert i kronologisk rekkefølge etter utskrivingsdato 1 2 3 4 5 6 7 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Figur 12: Operasjonell enkeltvariabel (ett spørsmål fra spørreskjema) Derimot kan diagrammet tolkes klinisk: Disse fødepasientene vet stort sett hvem som har ansvaret for dem under oppholdet, men det er fortsatt noe vi kan forbedre. I tillegg kan man legge diagrammer over flere enkeltvariabler ved siden av hverandre og se om de samme pasientene står bak hhv negative og positive tilbakemeldinger. Slik har vi for eksempel funnet eksempler på at når kvinnen har fått en god start, har dette preget hele oppholdet, og omvendt. 4.2 Kontrolldiagram type p Kontrolldiagram av typen p brukes til andelsdata. Hvert datapunkt består av en teller og en nevner, hvor telleren er en andel av nevneren. 40% P-diagram. Mortalitet etter hjerteinfarkt Klinikk A Andelen pasienter som dør av hjerteinfarkt (gj.snitt 1 per mnd) per antall pasienter med hjerteinfarkt (gj.snitt 15 pr måned) 35% ØKG=30 % 30% 25% 20% 15% 10% Gj.snitt=8,6 % 5% 0% Figur 13: Kontrolldiagram av typen p-diagram I figur 13 er antall pasienter som dør av hjerteinfarkt (teller) beregnet i prosent av det totale antall innlagte pasienter med hjerteinfarkt (nevner), og i figur 28 er antall personer som ikke møtte til time (teller) beregnet som en prosent av det totale antall personer som hadde timeavtale i perioden (nevner). Kontrollgrensene viser spredningen for hvert enkelt datapunkt, beregnet ut fra en formel som er basert på en teoretisk antakelse om en binomial fordeling. Side 21 av 54
04.16.06 06.06.06 07.04.06 07.18.06 08.11.06 09.19.06 09.30.06 11.03.06 11.21.06 12.23.06 01.24.07 02.14.07 03.20.07 05.01.07 06.25.07 07.07.07 08.03.07 08.28.07 09.19.07 09.27.07 10.10.07 10.18.07 11.08.07 11.24.07 12.13.07 # of days between falls Trange kontrollgrenser betyr høy nevner, vide kontrollgrenser betyr liten nevner (små tall). Slik får kontrollgrensene en trinnvis eller som her, en hakkete profil, med mindre nevneren er like stor i hele tidsserien. Da blir kontrollgrensen en rett linje. Som regel bør nevneren være 15-25 eller mer for at p-diagrammet skal få brukbare kontrollgrenser. (Se også kap. 7.3.2 og 8.3.2). 4.3 Kontrolldiagram type g Kontrolldiagrammer av typen g er ment for monitorering av uønskede hendelser (7). Problemet med å monitorere sjeldne hendelser er at det går år og dag før man har noen tall å vise frem. Benneyan (7) foreslår at man i stedet for å telle antall uønskede hendelser, kan telle antallet ikke-hendelser mellom hver hendelse. For eks. telle antall fødsler med normal blødning mellom hver fødsel med for stor blødning (> 500 ml). Her gang det skjer en uønsket hendelse kan man plotte antallet ikke-hendelser (fødsler med normal blødning) siden forrige hendelse inn i diagrammet. Så begynner man å telle antall ikke-hendelser på nytt, og når den neste store blødningen skjer vet man hvor mange normale blødninger man har hatt siden siste unormale osv. osv. Det er lurt å ha en graf på oppslagstavla og plotte antallet ikke-hendelser etter hvert som det skjer en ny hendelse. Da kan folk følge med på hvordan det går fra dag til dag, selv om det vil ta tid før man har 20 datapunkter (20 unormale blødninger) på rad. G-diagrammet nedenfor laget jeg i 2008 til et studentprosjekt ved Dartmouth og dataene stammer fra avd. for psykogeriatri ved et stort amerikansk sykehus. Diagrammet viser antall dager mellom hver gang en pasient har falt. Jeg markerte de sporadiske avvikene med grønt fordi dette var spesielle og gledelige perioder uten fall, den røde ringene viser et nivåskifte i uønsket retning. Da vi undersøkte årsaken ble det sagt at det var mange nye sykepleiere i den fasen. Spørsmålet er om de var årsaken til at det ble flere fall, eller om de nye var mye mer påpasselige med å melde fall. Når vi monitorerer uønskede hendelser er vi avhengige av god rapportering. I prinsippet gir statistikk over hendelser bare et bilde av hvor mye som er registrert/meldt. Hvor ofte det skjer uønskede hendelser kan vi ikke vite. Derfor må vi sørge for at alle som melder fra en gang, får lyst til å melde fra neste gang de oppdager uønskede hendelser også. G-diagrammer på oppslagstavla der man gleder seg fro hver dag som går uten fall, samt et åpenbart fokus på systemforbedring kan hjelpe. 30 G-chart: # of days with no falls between every day a patient is falling at GPU April 16, 2006 - January 5, 2008 25 20 15 10 5 0 Figur 14: Monitorering av fall ved hjelp av et g-diagram Side 22 av 54
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Antall blodprøvetakinger 5. Forbedring og vedlikehold av prosesser I dette kapitlet presenteres fem ulike case som eksempel på hvordan vi bruker SPC til behandling, styring og forbedring av kliniske prosesser. Legg merke til at SPC dreier seg om langt mer enn å måle. SPC brukes til å stille diagnose på prosessen før den endres, og diagnosen vil langt på vei vitne om hva som er problemet, og hvilke tiltak som er nødvendige i hvilken rekkefølge for å oppnå forbedring. Diagnosen som SPC fremskaffer kan fungere som beslutningsgrunnlag i alle faser av et forbedringsarbeid, for eksempel når man skal tallfeste målene. 5.1 Om å følge med på hvordan det går Monitorering vil si at man kommer seg så tett på prosessen at man kan forstå prosessens variasjoner og styre utviklingen i riktig retning, helt til den er blitt stabil og forutsigbar. Til det behøves real time informasjon på samme måten som en sjåfør er avhengig av å motta informasjon fra diverse instrumenter samtidig som hun følger med på veien, for å ha kontroll over kjøretøyet. Fordelen ved SPC er at man kan friskmelde prosesser etter hvert som monitoreringen har vist at en prosess er stabil og leverer det den skal, slik at man kan konsentrere seg om å behandle de ustabile prosessene. 5.1.1 Behandling av tilfeldig variasjon Prosesser som ligger stabilt og forutsigbart på et godt kvalitetsnivå kan friskmeldes. I fremtiden bør alle friskmeldte prosesser som er viktige, vanlige og vanskelige monitoreres årlig ved hjelp av balanserte indikatorsett med 25 datapunkter i hvert diagram, og ellers når det er viktig å få svar på om den har endret seg. I mellomtiden må friskmeldte prosesser vedlikeholdes og skjermes mot det Deming (8) kaller klussing. For eksempel å skjerme friskmeldte prosesser mot sparetiltak i form av rettferdige kutt i ressurstilgangen til alle prosesser eller enheter, såkalte ostehøvler. Da er det er bedre å kutte i prosesser som ikke fungerer som de skal, eller avvikle disse helt. Det er et godt prinsipp å holde på med det man kan, og ikke noe annet. 7 XmR-diagram for antall blodprøvetakinger (venepunksjoner) prosess infeksjon, dvs de 20 siste pas tun L4 (fra 08.10 til 28.10.06) Lab-prøver (X) Gj.snitt X Øvre kontrollgrense Nedre kontrollgrense 6 5 4 3 2 1 Pasienter i kronologisk rekkefølge Datainnsamling: Lars Thoresen Side 23 av 54
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Verdi Figur 15: Eksempel 1: Antall venepunksjoner per opphold Eksempel 1: Antall venepunksjoner per opphold I klinisk hovedprosess for infeksjoner på Ringerike sykehus HF (RS-HF) var prosessgruppa opptatt av at det ikke skulle taes unødvendig mange blodprøver av pasientene. Det ble derfor laget et kontrolldiagram over antall venepunksjoner per pasient hos de 20 siste pasientene som hadde tilhørt denne hovedprosessenstatistiske tolkninger viser bare tilfeldige variasjoner. Det betyr at prosessen var stabil og forutsigbar (fig.15). Klinisk vurdert var det kun tatt et rimelig antall blodprøver av pasientene i tidsserien, når antallet ble sammenlignet med pasientenes liggetid (fig.16). Konklusjon: Prosessen ble friskmeldt. 13 XmR-diagram for liggetid prosess Med. infeksjoner Alle pasienter L4 fra 8-28.10.06 Liggetid (X) Gj.snitt X Øvre kontrollgrense Nedre kontrollgrense 11 9 Statistisk sett er dette en stabil og forutsigbar prosess uten avvik som varierer tilfeldig mellom 1 til 11 liggedager. 7 5 3 1 Pasienter i kronologisk rekkefølge Figur 16: Liggetid for pasienter som er monitorert på venepunksjoner. 5.1.2 Behandling av sporadiske avvik Sporadiske avvik tilhører som regel en annen prosess enn den vi har monitorert. Avviket representerer en forstyrrelse som ikke har sin årsak i den monitorerte prosessens faste rutiner. Årsaken til sporadiske avvik behandles lineært (man tenker årsak virkning), det vil si at man ser bakover i tid, identifiserer årsaken til avviket, og behandler årsaken ut i fra sin egenart. Hvis årsaken viser seg å tilhøre en annen prosess, kan det være aktuelt å ta avviket ut av materialet og monitorere det sammen med sin opprinnelige prosess, eller å la det ligge inne i diagrammet uten å inkludere det i beregning av gjennomsnitt og kontrollgrenser. Dette kalles vasking (9) og gjør det mulig å følge med på flere prosesser samtidig (se nedenfor). Eksempel 2. Tid fra henvisning til første time i rusomsorgen Dette er et anonymisert case fra ett av Legeforeningens gjennombruddsprosjekt innen rusomsorgen. Avdelingen ville redusere ventetiden fra henvisning til første time. Baseline over eksisterende ventetid viste et sporadisk avvik på datapunkt nr 18 (fig.17). Dette avviket for skyldtes et fengselsopphold. Det betyr at pasienten tilhørte en helt annen prosess enn de øvrige pasientene (målgruppa). Spørsmålet var så om ventetiden for nr.18 skulle ekskluderes fra materialet. Prosjektgruppa valgte å inkludere alle fordi de ønsket å følge med på om redusert ventetid ville få indirekte effekt på hyppigheten av fengslinger. Side 24 av 54
Antall dager Antall dager Vasking av avvik Her i eksempel 2 er det riktig å vaske et avvik som skyldtes noe som ikke er inkludert i forbedringstiltakene. Dataene ble fjernet (vasket) fra beregning av gjennomsnitt og kontrollgrenser, så kontrollgrenser og gjennomsnitt i den prosessen de ønsket å forbedre kunne blottlegges (fig.18). Ikke alle avvik skal vaskes. Figur 10 viser et case der avvikene hadde oppstått i forbindelse med helgene. Målet var å stabilisere prosessen (fjerne avvikene) derfor var det viktig å synliggjøre disse, både før og etter problemet ble løst. XmR-diagram over tid fra henvisning til første time i rusomsorgen 350 Antall dager Gj.snitt X ØKG NKG 300 250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Påhverandrefølgende pasienter før endring Figur 17: eksempel 2: Tid fra henvisning til første time i rusomsorgen XmR-diagram over tid fra henvisning til første time 350 Antall dager Gj.snitt X ØKG (210,9) NKG 300 250 200 210 210 210,9 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Påhverandrefølgende pasienter Figur 18: Eks. 2: Prosessen slik den så ut etter vasking av første avvik Side 25 av 54
Antall dager Differansen i antall døgn Moving range (mr) diagram over spredningen i tallmaterialet 350 mr ØKG mr Gj.snitt mr 300 250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Påhverandrefølgende pasienter Figur 19: Eksempel 2: mr-diagrammet som hører til figur 18 Da vaskingen var gjennomført, flyttet kontrollgrensene seg vesentlig nærmere og avslørte det andre avviket. Det var datapunkt nr. 1, (se første punkt på mr-diagrammet (fig.19), som har passert øvre kontrollgrense). Årsaken var at pasienten var utilgjengelig ( på kjøret ) ved innkallingstidspunktet, og tilhørte dermed en tredje prosess. Prosjektgruppa valgte å inkludere denne prosessen i diagrammet av samme årsak som med nr. 18. Da det andre avviket var vasket, ble kontrollgrensen enda litt trangere, og avslørte datapunkt nr. 5 opp som et tredje avvik, og med samme årsak som nr.1. Da de to andre prosessene var vasket bort fra sentrallinje og kontrollgrenser kunne diagnosen stilles på målgruppens baseline: Statistisk var prosessen å betrakte som stabil og klar for endring, mens avvikene fortsatt lå i grafen og minnet om sin eksistens (fig. 20). XmR-diagram over tid fra henvisning til første time i rusomsorgen Alle avvik tilhører andre prosesse, derfor vasket fra gj.snitt og kontrollgrenser 350 Antall dager Gj.snitt X ØKG NKG 300 250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Påhverandrefølgende pasienter før endring Figur 20: Eksempel 2: Ferdig vasket baselineprosess Side 26 av 54
Antall dager 5.1.3 Behandling av trender, nivåskifter og spesielle mønstre Eksempel 3. Nivåskifte i tid fra henvisning til første time XmR-diagram over tid fra henvisning til første time Antall dager Gj.snitt X ØKG (210,9) NKG 340 320 300 280 260 240 220 200 180 160 140 120 100 80 60 40 20 0 1 3 5 7 9 11 13 15 17 19 22 24 26 28 30 32 34 36 38 40 Påhverandrefølgende pasienter før og etter endring Figur 21: Eksempel 3, nivåskifte i et vasket kontrolldiagram Dette eksemplet er en videreføring av eksempel 2. Da forbedringstiltakene ble innført, monitorerte avdelingen tiden fra henvisning til første time en gang til for å finne ut om forbedringer var oppnådd. Som diagrammet viser (figur 21) ligger minst åtte datapunkter på rad under gammelt gjennomsnittsnivå som tegn på et nivåskifte i ønsket retning. Det at de 19 siste punktene lå under det gamle gjennomsnittet tyder på at prosessen har stabilisert seg på et bedre nivå. Den oppmerksomme leser har nok sett at det har dukket opp en observasjon (nr 30) langt utenfor kontrollgrensen i fase II (etter endring). Nr. 30 tilhører den tredje prosessen (var på kjøret ved innkalling), og ble derfor vasket bort fra gjennomsnitt og kontrollgrenser. Husk at dataene i den nye prosessen(etter endring) skal behandles etter samme kriterier som den gamle (vaske/ikke vaske på samme måte i begge faser). Oppnår man nivåskifte, er det viktig å fortsette med å følge opp forbedringstiltakene, helt til prosessen har stabilisert seg på det nye nivået. 5.2 Forbedring av kliniske prosesser 5.2.1 Forbedringsarbeid og monitorering All forbedring krever endring. Ikke all endring er en forbedring. Forbedringskunnskapen er en et alt for omfattende vitenskap til å belyses i sin helhet i dette heftet (4 og 10). Statistisk utgangspunkt for forbedring Vi bruker monitorering til å finne ut om de viktigste prosessene er under kontroll eller ikke, og om de fungerer slik de skal. Prosesser som ikke fungerer som de skal må forbedres. Side 27 av 54