Bearbejdning af data. Lektion 2. Indhold:

Transkript

1 Lektion 2 Bearbejdning af data Indhold: Målekunstens 3 ansigter Tal der taler Statistisk proces kontrol - SPC Brug af data i forbedringsprojekter (PDSA) 1

2 Målekunstens 3 ansigter 2 Forskeren Bogholderen Udvikleren Kilde: Solberg LI, Mosser G, Mcdonald S: The three faces of performance: Measurement, improvement, accountability, Jt Comm J Qual Improv 1997; 23:

3 Forskeren Forskeren anerkender kun nødigt andre veje til viden end randomiserede, kontrollerede, dobbeltblindede undersøgelser. Hader udvikleren for deres til dumhed grænsende naive tro på, at hvis vi blot prøver os frem, finder vi en løsning. 3 Hader bogholderen for deres forstyrrende krav om tidskrævende og ligegyldige registreringer af overflødige data til latterlige og totalt uvidenskabelige benchmarking-rapporter.

4 Bogholderen Bogholderen elsker data. Data som er korrekt sammentalte og opstillet data som giver orden og overblik. Hader udvikleren for hele tiden at lave om på tingene, så tallene ikke længere kan sammenlignes. 4 Hader forskeren for deres fine statistiske metoder, der kun har til formål at sløre virkeligheden.

5 Udvikleren Udvikleren drives af data data til forbedring ikke data fra store randomiserede undersøgelser eller data til årsrapporter. Udvikleren måler, hvordan det går dag for dag med de data, der nu en gang er tilgængelige. Udvikleren omsætter viden til handling. Viden fra forskerens resultater og bogholderens årsrapporter. Mangler viden prøver vi os bare frem. Udvikleren Tæller ofte ikke længere end til 5 for hvis 1 ud af 5 ikke har fået den rigtige behandling er det ikke godt nok så hvorfor tælle videre. 5

6 Udvikleren Elsker forskeren for at skabe den nødvendige viden. Hader forskeren for stjæle dyrebare ressourcer med sin langsommelighed. 6 Elsker og hader bogholderen for rapporter som år efter år dokumenterer utilfredsstillende resultater i helt forkerte og ulæselige tabeller.

7 Målekunstens 3 ansigter Forskeren Bogholderen Udvikleren Formål Skabe ny viden Dokumentere, bedømme og sammenligne Implementere eksisterende viden for at opnå forbedring Hypotese Fastholdes holder den eller holder den ikke Ingen Ændres i takt med læringen Variation Uønsket elimineres eller kontrolleres Justeres Ønskes 7 Test Stor, blindet, kontrolleret Ingen evaluering af resultat Virkeligheden, observerbar Data Mange 3 til 10 år Alle relevante og tilgængelige data -kvartaler, år Just enough - dage, uger, måneder Er forbedring opnået? Statistiske komparative metoder (t-test, F-test, chi2, regression, ) Beskrivende (er et tal større end et andet) - ingen fokus på forandring Serie- og kontroldiagrammer Brug af data Videre forskning, anbefalinger Offentligheden Kun af dem involveret i forbedringen

8 Har indsatsen medført en forbedring? Mortalitet Årligt gennemsnit 6 5 Indsats starter i januar År Bogholderen

9 Har indsatsen medført en forbedring? Mortalitet Indsats starter i januar % jan-10 feb-10 mar-10 apr-10 maj-10 jun-10 jul-10 aug-10 sep-10 okt-10 nov-10 dec-10 jan-11 feb-11 mar-11 apr-11 maj-11 jun-11 jul-11 aug-11 sep-11 okt-11 nov-11 dec-11 Måned % Median Udvikleren

10 Er liggetiden ens for de 3 sygehuse? Liggetid i dage Sygehus 1 Sygehus 2 Sygehus 3 Antal målinger Gennemsnit 3,03 3,07 3,13 Minimum 1,00 1,90 1,10 Maksimum 4,80 4,30 4,

11 Er liggetiden ens for de 3 sygehuse? Sygehus 1 Hvor vil du helst indlægges? 11 Sygehus 2 Sygehus 3 11

12 Hvem er bedst? Skytte 1 Skytte 2 12 Hvor rammer næste skud? Hvem vil du gøre til mester?

13 Tal der taler Processer varierer. Processer taler til os gennem målinger af processens resultat. Almindelig variation er indbygget i enhver proces - den er tilfældig, påvirker resultatet, men er også forudsigelig. Særlig variation tyder på udefrakommende påvirkninger af processen - den er ønsket eller uønsket, påvirker resultatet og er uforudsigelig

14 Hvorfor bruge statistik proces kontrol (SPC)? A phenomenon will be said to be controlled when, through the use of past experience, we can predict, at least within limits, how the phenomenon may be expected to vary in the future 14 Walter A. Shewhart ( ) Forudsige processens resultat.

15 Hvorfor bruge statistik proces kontrol (SPC)? We must use limits such that through their use we will not waste too much time looking for unnecessarily for trouble. 15 Walter A. Shewhart ( )

16 Hvorfor bruge SPC? SPC kan give os viden om processers variation ved hjælp af kontrolgrænser. Kontrolgrænserne hjælper os til at forstå og vise processens naturlige variation, dvs. dens evne til at give det resultat, som vi ønsker. Kontrolgrænserne viser, hvilket resultat vi kan forvente at processen vil give i fremtiden. Resultatat kan forudsiges. Bag kontrolgrænserne ligger statistiske beregninger 16

17 SPC-diagram 17 99,73 % af data ligger inden for kontrolgrænserne 17

18 Patientforløb: Hoftenære frakturer Indsats: Reduktion af antallet af fasttimer. Mål: Reducere det gennemsnitlige antal af indlæggelsesdage efter operation til under 9. Fald på anden afd. Fald i eget hjem 1. Skadestue 2. Hofteunit C5 Præoperativt 5. Hofteunit 3. OP 4. Opvågning C5 Postoperativt 6. Udskrivelse Anden afd. Primær sektor Røntgen Postoperativt

19 Hvordan kommer vi i mål med processen? Baseline Source: Faculty visit IHI, Patientsikkert Sygehus, Kolding Sygehus, 17. november 2011; Frank Federico, How to design reliable Processes in Healtcare 60 Education 90 Feedback on compliance Intgration of daily goals Back-up 19

20 Eksempel: Hoftenære frakturer Indsats: Nye retningslinjer og indførelse af Cetrea. 20

21 Eksempel: Hoftenære frakturer 21

22 Eksempel: Hoftenære frakturer 22

23 Eksempel: Hoftenære frakturer 23

24 Forbedringsprojekter Grunddata 24 Analyse af data

25 25