Kompendium i kvalitetsforbedring for sundhedsarbejdere. Jacob Anhøj Overlæge, DIT, Rigshospitalet

Transkript

1 Kompendium i kvalitetsforbedring for sundhedsarbejdere Jacob Anhøj Overlæge, DIT, Rigshospitalet 18. oktober 2014

2 Indledning Jeg var til møde på et dansk sygehus. Mødet handlede om et lokalt kvalitetsudviklingsinitiativ, og på et tidspunkt henvendte lederen sig til to kvalitetsmedarbejdere: Vi skal blot finde ud af, hvad vi vil have. Så skal vi have det til at fungere. Og så skal vi have opfølgning. Sørger I for det? Udtalelsen er interessant af to årsager: For det første repræsenterer den, efter min erfaring, et syn på kvalitetsudvikling, som er overordentlig udbredt i det danske sundhedsvæsen. Og for det andet kan dette syn spores tilbage til samlebåndsindustrien i begyndelsen af 1900-tallet specifikation, produktion, inspektion. Det er længe siden, og selv samlebåndsindustrien har for længst fornyet sit syn på kvalitetsudvikling. På et lederkursus i Lægeforeningen hørte jeg LEGO s daværende kvalitetschef udtale: Man kan ikke kontrollere sig til kvalitet. Kvalitet skal fra begyndelsen indbygges i alle dele af produktionsprocessen. Alligevel oplever jeg dagligt ledere og medarbejdere i sundhedsvæsenet mene, at kvalitet er en naturlig følge af gode standarder, som er skrevet i retningsgivende dokumenter, og kontrol, som typisk udføres ved halv- eller helårlige journalaudit. En anden version er, at kvalitet er en naturlig følge af, at have medarbejdere med den rette viden og de rette færdigheder. Der er naturligvis intet galt i gode standarder og vidende og kompetente medarbejdere. Men problemet er, at kvalitet netop ikke er en naturlig følge af hverken viden, standarder eller kontrol. Disse er nok vigtige forudsætninger, men sikrer i sig selv ikke god kvalitet. Kvalitet er er derimod en naturlig følge af målrettet arbejde med evidensbaserede metoder til kvalitetsforbedring. Disse metoder findes, og er udbredte i produktionsindustrien, men er først i disse år langsomt på vej ind i sundhedsvæsenet. De findes i mange forklædninger, PDSA, Lean, Six Sigma, Toyota Production System osv., men de har det meste til fælles og kan alle spores tilbage til én mand, W. Edwards Deming, som spiller hovedrollen i det første kapitel. Et andet problem er, at kvalitetsudvikling som håndværk og videnskab lever en skyggetilværelse, typisk henvist til særlige kvalitetsafdelinger på sygehuse og i regioner. Der er sjældent særlige incitamenter for klinikere til at dygtiggøre sig i kvalitetsudviklingsmetoder, og for lægerne kan en sådan interesse ligefrem spærre for forskningsaktiviteter, som er nødvendige for karrieren. Det betyder, 1

3 at kvalitetsudvikling i sundhedsvæsenet i vid udstrækning drives enten af medarbejdere, som er på afstand af klinikken, eller af klinikere uden de nødvendige teoretiske og praktiske forudsætninger. Det er vanskeligt at forestille sig et protokolleret klinisk forsøg planlagt og udført uden klinikere og uden træning og vejledning af de involverede medarbejdere i forskningsmetoder. Men kvalitetsudviklingsprojekter, derimod, udføres overalt i sundhedsvæsenet af ivrige og engagerede og ofte ensomme sundhedsarbejdere uden formel viden om forbedringsteori og -metode. Det er dem og deres ledere dette kompendium henvender sig til. Kompendiet baserer sig på løsblade, jeg har udviklet til forskellige undervisningsformål over de seneste 10 år og forsøger at dække både teoretiske og praktiske aspekter af forbedringsvidenskabelige metoder anvendt i klinikken. Jeg håber dermed at kunne bidrage til, at evidensbaseret kvalitetsudvikling i fremtiden bliver en ligeså selvfølgelig del af sundhedarbejderens værtøjskasse, som evidensbaseret medicin er det i dag. 2

4 Indhold 1 Fra kontrol til forbedring Fra evidens til praksis Kvalitetsudvikling: En videnskabelig læringsproces Forbedringsmodellen: Tre spørgsmål og en cykel Forbedringsmodellen i praksis Målsætninger: Hvad ønsker vi at opnå? Målinger: Hvordan kan vi vide, om en ændring er en forbedring? Ændringer: Hvilke ændringer kan vi foretage for at opnå forbedring? PDSA-cyklussen: Hvordan bliver vi klogere? Det store billede: Kvalitetsplanlægning, kvalitetskontrol og kvalitetsforbedring Fra kontrol til forbedring Mål med mening Variationsbegrebet Seriediagrammets anatomi og fysiologi Signaler om ikke-tilfældig variation Skiftsignalet Krydssignalet Andre signaler Seriediagrammets sensitivitet og specificitet Principper for brug af seriediagrammer Praktisk brug og fortolkning af seriediagrammer Grænseværdier for længste serie og antal kryds i seriediagrammer 27 3 Dataindsamling og -behandling Syv trin til gode målinger Fra ide til indikator Dataindsamling Introduktion til regneark Regnearkets anatomi og fysiologi

5 INDHOLD Dataopsamling med regneark Beregning af afledte variable i regneark Dataaggregering i regneark Pivottabeller IF-funktioner Seriediagrammer med regneark Regnearksfunktioner Nyttige funktioner til afledte variable Udvalgte danske funktionsnavne: Cases Patientskader Sikker kirurgi-tjekliste Indlæggelsestimer Litteratur 53

6 Kapitel 1 Fra kontrol til forbedring: Evidensbaseret kvalitetsudvikling af klinisk praksis Forbedringsmodellen er en enkel og videnskabeligt baseret arbejdsmetode til kvalitetsudvikling. Forbedringsmodellen består af tre spørgsmål, hvis besvarelse danner grundlag for forbedringsindsatsen, og PDSA-cyklussen, som systematisk udvikler, afprøver og tilpasser forbedringsideer. 1.1 Fra evidens til praksis Det er en veletableret sandhed, at der i sundhedsvæsenet eksisterer en afgrund mellem klinisk evidens og klinisk praksis [1]. Balas og Boren anslår, i en hyppigt citeret artikel af fra 2000, at det i gennemsnit tager 17 år for ny klinisk evidens at blive integreret i klinisk praksis [2]. Konklusionen baserer sig på en gennemgang af udbredelsen af ni procedurer, heriblandt trombolysebehandling af blodpropper og fodpleje til diabetikere. Trochim har siden skærpet konklusionen: It takes an estimated average of 17 years for only 14 % of new scientific discoveries to enter day-to-day clinical practice at a rate of 50 % use [3]. Der er ingen grund til at tro, at forholdene i Danmark skulle være meget bedre. Af Dansk Apopleksiregisters årsrapport 2013 fremgår det fx, at andelen af patienter med apopleksi, som modtager optimal diagnostik, pleje og behandling, på 10 år er steget fra 17 % til 59 %. Det er en betydelig og meget positiv 5

7 KAPITEL 1. FRA KONTROL TIL FORBEDRING 6 forbedring. Men man kan også konstatere, at efter 10 års indsats må 41 % af patienterne fortsat nøjes med suboptimal behandling [4] (figur 1.1). Apopleksipatienter med alle relevante indikatorer opfyldt Procent År Figur 1.1: Andelen af apopleksipatienter som i den akutte fase modtager optimal diagnostik, behandling og pleje (all-or-none). På andre områder, fx diabetesbehandling, er kvaliteten overordnet set tilfredsstillende. Men variationen mellem hospitalerne er uacceptabel stor [5] (figur 1.2). De to eksempler er langt fra enestående. Erfaringerne fra projektet Patientsikkert Sygehus dokumenterer, at der bredt i det danske sundhedsvæsen er rigelig plads til forbedring ved blot at udnytte allerede eksisterende viden. I Patientsikkert Sygehus deltog fem sygehuse, et fra hver region. Projektets formål var at reducere risikoen for utilsigtet skade og død i forbindelse med hospitalsindlæggelser. Indsatsen bestod i implementering af et antal i forvejen anerkendte principper for optimal behandling og pleje. Ved projektets begyndelse var blot 12 % af procesindikatorerne tilfredsstillende implementeret. Ved projektets afslutning var tallet steget til 62 % [6]. Når man tager i betragtning, at de fem sygehuse i løbet af projektet modtog massiv implementeringsstøtte fra danske og internationale eksperter i form af undervisning og vejledning af klinikere og ledere, kan det måske overraske, at forbedringen ikke var større. Men med baggrund i førnævnte eksempler er resultatet faktisk ganske imponerende. Det man i virkeligheden skal undre sig over er udgangspunktet, at blot 12 % af allerede kendt viden var implementeret. Det er nærliggende at forklare afstanden mellem evidens og praksis med inkompetence eller utilstrækkelig viden hos sundhedsarbejderne. Det er i dag umuligt for den enkelte sundhedsarbejder at holde sig ajour med udviklingen på sit eget arbejdsområde ved blot at følge med i litteraturen. Produktionen af ny

8 KAPITEL 1. FRA KONTROL TIL FORBEDRING 7 Diabetespatienter med alle relevante indikatorer opfyldt 2013 Procent Hospital Figur 1.2: Andelen af diabetespatienter i danske diabetesambulatorier som modtager relevant medicinsk behandling for glykæmisk kontrol, hypertension, hyperlipidæmi og albuminuri (all-or-none). Hver prik repræsenterer et hospital. De røde prikker er hospitaler som afviger mere end tilfældigt fra gennemsnittet. Gennemsnitligt er opfyldelsen 90 %, hvilket er tilfredsstillende. Men variationen mellem hospitalerne er uacceptabelt stor og overstiger langt, hvad der kan forklares ved tilfældigheder. viden er ganske enkelt for stor til at noget menneske kan følge med. Men denne forklaring kan ikke stå alene. Når fx patienter med apopleksi og diabetes ikke modtager optimal behandling på danske hospitaler er det næppe, fordi læger og sygeplejersker på disse områder er uvidende. Men selv den dygtigste og mest vidende læge har fx sjældent alene mulighed for at sikre, at apopleksipatienten indlægges senest tre timer efter symptomdebut, selv om evidensen kræver det. Diagnostik, behandling og pleje foregår i dag i et yderst komplekst samspil mellem fysiske og organisatoriske strukturer, lokale rutiner og arbejdsgange og individer med vidt forskellig faglig baggrund og erfaring. Optimal, evidensbaseret behandling afhænger derfor af meget mere end den enkelte sundhedsarbejders viden og færdigheder. Kvalitetsudvikling handler således om langt mere end blot produktion af ny viden. Mindst lige så vigtig er sundhedsvæsenets evne til systematisk at omsætte viden til praksis. Evidens og praksis er to sider af samme sag og er hinandens forudsætninger. There is no such thing as a special category of science called applied science; there is science and its applications, which are related to one another as the fruit is related to the tree that has borne it. Louis Pasteur

9 KAPITEL 1. FRA KONTROL TIL FORBEDRING 8 Et nyt begreb, forbedringsvidenskab (improvement science) er inden for de seneste år dukket op i sundhedsvæsenet [7]. Improvement science is about finding out how to improve and make changes in the most effective way. It is about systematically examining the methods and factors that best work to facilitate quality improvement [8]. Forbedringsvidenskab er, som sagt, en relativt ny disciplin, og både afgrænsning, indhold og metoder er til debat og under udvikling. Men en smule forenklet kan man sige, at hvor evidensbaseret medicin søger at gøre det rigtige og kvalitetsudvikling søger at gøre det rigtigt, handler forbedringsvidenskab om at forbinde de to: at gøre det rigtige rigtigt [9]. WHO skriver i Patient Safety Curriculum Guide således om forbedringsvidenskab: The science of improvement has its origins in the work of W. Edwards Deming, the father of improvement theory. He described the following four components of knowledge that underpin improvement: appreciation of a system; understanding of variation; the theory of knowledge; and psychology [10, s. 178]. W. Edwards Deming [11] er i Danmark nok bedst kendt for Plan-Do-Study-Actmetoden (PDSA) til kvalitetsforbedring. PDSA og Demings tanker og metoder i øvrigt er centrale i mange moderne kvalitetsudviklingsmetoder som fx LEAN, Six Sigma, Total Quality Management, Toyota Production System, Continuous Quality Improvement, Model for Improvement osv. Demings inspiration kom i høj grad fra hans samarbejdspartner og læremester Walther A. Shewhart [12]. Således kaldte Deming selv PDSA for The Shewhart Cycle for Learning and Improvement. 1.2 Kvalitetsudvikling: En videnskabelig læringsproces Da Shewhart som ung fysiker i 1918 blev ansat i inspektionsafdelingen hos Western Electric Company på Hawthorne-fabrikkerne i USA, bestod kvalitetsarbejdet i at kontrollere hvert eneste produkt for fejl og kassere eller reparere de defekte. Shewharts store fortjeneste var, at han ændrede denne besværlige og ineffektive fremgangsmåde. Den 16. maj 1924 præsenterede Shewhart sin chef for et kort notat, som beskrev det, vi i dag kender som kontroldiagrammet og principperne for statistisk processtyring (statistical process control, SPC). Shewharts revolutionerende opdagelse var, at man ved løbende at studere små stikprøver af sin produktion er i stand til at forudsige, hvordan processen vil forløbe i fremtiden og på denne baggrund at foretage de nødvendige justeringer til at opnå en høj og ikke

10 KAPITEL 1. FRA KONTROL TIL FORBEDRING 9 mindst stabil kvalitet i sin produktion. Shewhart understregede, at først når en proces er stabil, dvs. kun udviser tilfældig variation, er det muligt, inden for visse grænser, at forudsige processens fremtidige forløb og dermed kontrollere den med et produktionsøkonomisk sigte. Shewharts metode giver medarbejderen på gulvet mulighed for at afgøre, hvornår det er nødvendigt at gribe ind i en proces, og hvornår det er bedst at beholde hænderne i lommen. I sin bog fra 1939 beskriver Shewhart en lineær tretrinsproces for kvalitetskontrol: specifikation, produktion og inspektion. Han ændrede modellen til en cyklus, som tillader løbende tilpasning af specifikationerne på baggrund af erfaringer fra produktion og inspektion. Han kaldte selv sin kvalitetscyklus for en videnskabelig proces: It may be helpful to think of the three steps in the mass production process as steps in the scientific method. In this sense, specification, production and inspection correspond respectively to hypothesizing, carrying out an experiment and testing the hypothesis. The three steps constitute a dynamic scientific process of acquiring knowledge [13, s. 44]. Deming arbejde til sin død i 1993 videre med Shewharts ide om kvalitetsudvikling som en dynamisk og videnskabelig læringsproces og videreudviklede, som sagt, hans kvalitetscyklus til en firetrinsproces, The Shewhart Cycle for Learning and Improvement eller PDSA. 1.3 Forbedringsmodellen: Tre spørgsmål og en cykel PDSA-cyklussen er en systematisk, videnskabeligt baseret metode til læring og kvalitetsforbedring [14, s. 131]. Gennem hypoteser, eksperimenter og iagttagelser bliver man klogere. Metoden består af fire trin: Plan: Vi formulerer en hypotese og planlægger en afprøvning. Do: Vi afprøver hypotesen, mens vi indsamler data. Study: Vi sammenligner data med vores hypotese. Act: Vi bekræfter, forkaster eller justerer hypotesen, efter hvad vi lærte, og overvejer næste afprøvning. Udgangspunktet i PDSA er altså en hypotese om effekten af en given ændring, som efterfølgende afprøves i praksis og i så lille skala som muligt. Formålet med afprøvning i lille skala er at accelerere læringsprocessen og at begrænse eventuelle uforudsete skadevirkninger. PDSA er en iterativ proces, som gennem løbende afprøvninger og tilpasninger af forbedringsideer i stadig større skala

11 KAPITEL 1. FRA KONTROL TIL FORBEDRING 10 og under mange forskellige forhold sikrer, at kun gode ideer overlever og øger dermed chancerne for, at ændringer resulterer i blivende forbedringer. Efter Demings død supplerede nogle af hans arvtagere PDSAmetoden med tre spørgsmål: Hvad ønsker vi at opnå? Hvad ønsker vi at opnå? (målsætning) Hvordan kan vi vide, om en ændring er en forbedring? (målinger) Hvilke ændringer kan vi foretage for at opnå forbedring? (ændringer) Tilsammen udgør de tre spørgsmål og PDSA-cyklussen forbedringsmodellen (The Model for Improvement) [15]. 1.4 Forbedringsmodellen i praksis Hvordan kan vi vide, om en ændring er en forbedring? Hvilke ændringer kan vi foretage, for at opnå forbedring? Plan Vi formulerer en hypotese og planlægger en afprøvning Act Vi justerer hypotesen efter, hvad vi lærte og overvejer næste afprøvning Do Vi afprøver hypotesen, mens vi indsamler data Study Vi sammenligner data med vores hypotese Figur 1.3: Forbedringsmodellen Forbedringsmodellen udspringer som nævnt af Demings PDSA-cyklus suppleret med de tre spørgsmål. Rækkefølgen, spørgsmålene stilles og besvares i, er underordnet. Det væsentlige er, at man overvejer dem, før man kaster sig ud i en ændringsproces Målsætninger: Hvad ønsker vi at opnå? Forbedringsmodellen anbefaler, at man så vidt muligt opstiller objektive mål for sit forbedringsinitiativ, og at man sætter en tidsramme. Et mål kunne formuleres således: På vores afdeling vil vi reducere forekomsten af tryksår med 50 % inden for de næste 12 måneder. Man skal være opmærksom på, at numeriske målsætninger kan misbruges og misforstås. Først og fremmest er det helt afgørende, at målsætningen kommunikeres og forstås som en attraktiv, fremtidig og ikke mindst realistisk tilstand. Hvis målsætningen fremsættes som en kontrolstandard, medarbejderne bliver holdt ansvarlige for, uden at de samtidig gives indflydelse på mulighederne for at opnå den, kan man være nogenlunde sikker på, at forbedringsarbejdet resulterer i frustrationer og forvanskning af data. Deming advarede kraftigt mod misbrug af numeriske målsætninger:

12 KAPITEL 1. FRA KONTROL TIL FORBEDRING 11 Eliminate management by numbers and numerical goals. substitute with leadership [16, s. 24]. Instead, Demings budskab var, at mål og metode går hånd i hånd, og at det er ledelsens ansvar at anvise de nødvendige metoder til at opnå et mål: A numerical goal accomplishes nothing. Only the method is important, not the goal. By what method? [14, s. 31] Certainly we want good results, but management by results is not the way to get good results [... ] work on the causes of results [14, s. 33]. Forbedringsmodellen søger at sikre sig mod misbrug af numeriske målsætninger ved at anvise en metode til at nå målet, PDSA Målinger: Hvordan kan vi vide, om en ændring er en forbedring? Nogle gange er forbedringer lette at identificere ved simpel iagttagelse uden brug af avancerede indikatormålinger. Men i de fleste tilfælde betaler det sig at udvikle et sæt indikatorer, som kan hjælpe med at afgøre, om de indførte ændringer medfører reelle forbedringer. En indikator er i denne sammenhæng altid et tal, der siger noget om kvaliteten af et produkt, en ydelse eller en arbejdsgang. Resultatindikatorer beskriver kvaliteten af produkter og ydelser. Procesindikatorer siger noget om kvaliteten af de arbejdsgange, der fører frem til resultatet, the causes of results, som Deming formulerer det. Ulempeindikatorer (eller ligevægtsindikatorer) er resultat- eller procesindikatorer, som måler eventuelle ønskede bivirkninger af de indførte ændringer. I tryksårseksemplet kunne resultatindikatoren være antallet af sygehuserhvervede tryksår, og en procesindikator kunne være andelen af patienter, som bliver risikovurderet for tryksår ved indlæggelsen. En forventet ulempe af bedre tryksårsforebyggelse kunne være større forbrug af specialmadrasser, som er dyre i indkøb. Til et givet forbedringsinitiativ er det nyttigt at udarbejde et sæt indikatorer, som tilsammen belyser forskellige aspekter af både proces, resultat og eventuelle ulemper. Det er vigtigt at begrænse mængden af indikatorer til det mest nødvendige. Til en afgrænset forbedringsindsats vil en til to resultatindikatorer, to til tre procesindikatorer og måske en enkelt ulempeindikator typisk være passende. Af hensyn til datas troværdighed er det selvsagt vigtigt, at indikatorerne er præcist formulerede, og at man har udviklet en robust proces for dataindsamling [17]. På nogle punkter stiller man særlige krav til data, som skal bruges til kvalitetsudvikling, i forhold til data til kontrol- eller forskningsformål [18]. For hurtigt at kunne identificere forandringer i de processer, man arbejder med, er det nødvendigt at samle og analysere data hyppigt dagligt, ugentligt eller, til nød,

13 KAPITEL 1. FRA KONTROL TIL FORBEDRING 12 månedligt. Enkle før-efter-målinger er sjældent tilstrækkelige og kan være direkte misvisende. Det er også vigtigt at vide, at den enkelte indikatormåling isoleret set sjældent har interesse. Det er det overordnede niveau og ikke mindst graden og typen af variation over tid, der er interessant. Data til kvalitetsudvkling skal derfor studeres med såkaldte seriediagrammer, som er emnet for næste kapitel Ændringer: Hvilke ændringer kan vi foretage for at opnå forbedring? Forbedringsmodellens mantra er, at alle forbedringer forudsætter ændringer, men ikke alle ændringer medfører forbedringer. Blandt de ændringer, som medfører forbedringer, skelner man mellem reaktive og gennemgribende ændringer. Reaktive ændringer er nødvendige for at holde det eksisterende system kørende og kan opfattes som lappeløsninger. Hvis fx en indlagt patient, som ligger tungt i sengen, udvikler et trykspor kan afdelingen anskaffe en særlig tryksårsmadras til patienten for at forhindre, at tryksporet udvikler sig til et egentligt tryksår. Gennemgribende ændringer er nødvendige, hvis ønsket er at forbedre systemet ud over det aktuelle funktionsniveau. En gennemgribende ændring, som kan nedsætte den generelle risiko for, at indlagte patienter udvikler tryksår, kunne indebære indførsel af rutiner til systematisk risikovurdering af alle indlagte patienter og faste rutiner til forebyggelse af tryksår hos dem med forhøjet risiko. Det er vigtigt at være opmærksom på forskellen mellem en ændring og en målsætning. En målsætning beskriver, hvad vi ønsker at opnå (standarden), fx at alle patienter risikovurderes for tryksår ved indlæggelse. Ændringen beskriver, hvordan vi vil opnå det, fx ved at indarbejde risikovurdering for tryksår i den indledende sygeplejevurdering, som allerede foregår. Dette kan i praksis gøres på utallige måder, som i høj grad afhænger af lokale forhold. Det er her PDSA kommer på banen som udviklingsredskab. Målsætninger og standarder udvikles ved skrivebordet af eksperter og baserer sig på den tilgængelige evidens på området. Ændringer bør udvikles, afprøves og tilpasses løbende af eksperter i de arbejdsgange, man ønsker at forbedre, dvs. medarbejdere med fingeren på pulsen. Det er derfor en misforståelse at forsøge at færdigudvikle ændringer ved skrivebordet PDSA-cyklussen: Hvordan bliver vi klogere? PDSA er en metode til systematisk udvikling, afprøvning og tilpasning af ændringer. Den er forbedringsmodellens motor. PDSA omsætter ideer til handling og forbinder handling med læring. Metoden er intuitiv og let at forstå, fordi den på mange måder ligner den almenmenneskelige tilgang til problemløsning i hverdagen, trial and error.

14 KAPITEL 1. FRA KONTROL TIL FORBEDRING 13 Men PDSA viser sig i praksis ofte vanskelig at anvende [19]. Som forbedringsmodellens udviklere skriver, er PDSA genstand for mange misforståelser, som ofte resulterer i, at metoden anvendes forkert og resultaterne udebliver [15, s. 23]. I en systematisk litteraturgennemgang fra 2013 finder Taylor, at blot to ud af 73 publicerede studier med PDSA-metoden opfylder de basale principper for PDSA: prediktion, iteration, småskala-afprøvning, målinger over tid og dokumentation [20]. En vigtig og ofte overset forudsætning for læring er, at man i planlægningsfasen formulerer sin hypotese: Hvad vil der ske og hvorfor hvis vi indfører denne ændring? Uden en klar formulering af hypotese og forventninger er det umuligt i læringsfasen at sammenholde hypotesen med erfaringerne, hvilket igen er forudsætningen for de følgende handlinger. En anden almindelig begynderfejl er at afprøve i for stor skala og i for langsomt tempo. Det er en kunst at nedbryde sine ideer i passende små elementer, som kan afprøves hver for sig, gerne parallelt og i højt tempo. I tryksårseksemplet kunne det være fristende at bede IT-afdelingen om, at indarbejde Bradenskalaen til risikovurdering for tryksår i den eksisterende elektroniske formular til indledende sygeplejevurdering. Det er også muligt, at dette ender med at være løsningen på lang sigt. Men før man beslutter sig for at implementere en så gennemgribende ændring, kan det være nyttigt at afprøve den i mindre skala og med enkle redskaber som papir og blyant. Den læring, der kan komme ud af en iterativ afprøvningsproces af forskellige ideer til risikovurdering, kan vise sig, bogstaveligt talt, at være guld værd, når man sidenhen skal implementere en permanent løsning. En hurtig afprøvning af Bradenskalaen med papir og blyant på nogle få indlæggelser, ville måske afsløre, at skalaen for en del af afdelingens patienter er unødvendigt omfattende. Måske en hurtig triagering med en enklere metode ville være tilstrækkelig for flertallet. Det er også en almindelig misforståelse, at PDSA er synonym med den klassiske kvalitetscirkel [21, s. 11]. Kvalitetscirklen er væsensforskellig fra PDSAcyklussen. De to udelukker på ingen måde hinanden tværtimod men de har forskellige formål og kadencer. Kvalitetscirklens formål er opfyldelse af kvalitetskrav (standarder), som typisk er beskrevet i retningsgivende dokumenter, og løbende kontrol af, at standarderne er overholdt. Kvalitetscirklen handler dermed i høj grad om hvad hvad er den bedste pleje og behandling? PDSA-cyklussens formål er læring og kvalitetsforbedring gennem afprøvning af forbedringsideer. PDSA handler således om hvordan hvordan sikrer vi, at alle patienter får den pleje og behandling, vi ved, er den bedste? Kvalitetscirklens cyklus tager ofte måneder og år, mens PDSA tæller sine omdrejninger i timer og dage. PDSA er, som nævnt, en iterativ proces, hvor erfaringer fra den ene PDSA indgår i planlægningen af den næste; og hvor afprøvninger altid begynder småt men hurtigt skaleres op. Det er en nyttig tommelfingerregel først at afprøve sin ide med én sygeplejerske/læge/patient, dernæst tre, så fem osv. Det er også

15 KAPITEL 1. FRA KONTROL TIL FORBEDRING 14 vigtigt at afprøve sine ideer under forskellige forhold. Hvad der fungerer godt i dagvagten på hverdage, er måske ikke hensigtsmæssigt eller muligt om aftenen og i weekenderne. 1.5 Det store billede: Kvalitetsplanlægning, kvalitetskontrol og kvalitetsforbedring Joseph M. Juran [22] arbejdede sammen med Shewhart på Hawthorne-fabrikkerne i 1920 erne og -30 erne. En af hans første opgaver var at implementere Shewharts principper for kvalitetsstyring i produktionen. Juran selv blev siden især kendt for sin formulering af paretoprincippet 80 % af problemerne skyldes 20 % af årsagerne og for den såkaldte Jurans trilogi, som udgør tre dimensioner af kvalitetsledelse: kvalitetsplanlægning, kvalitetskontrol og kvalitetsforbedring. Juran gjorde meget ud af at forklare, at hans ideer er generiske og er lige vel anvendt i servicefagene som i produktionsindustrien. Kvalitetsplanlægning bestemmer, hvilke produkter eller ydelser en virksomhed har på hylderne, og hvilke specifikationer og standarder, produkterne skal overholde. Standarderne i Den Danske Kvalitetsmodel er et eksempel herpå. Kvalitetskontrol består i at sikre sig, at produkterne overholder standarderne. Kvalitetsforbedring er aktuel, enten når standarderne ikke bliver overholdt, eller når de viser sig at være utilstrækkelige. Jurans budskab var, at de tre dele er i konstant dynamisk udveksling med hinanden, og at alle tre er lige vigtige. 1.6 Fra kontrol til forbedring I et sundhedsvæsen i konstant og rivende udvikling er det væsentligt at kunne skelne mellem kontrol og forbedring. Det er en ledelsesopgave at afgøre, hvornår og på hvilke områder det er tilstrækkeligt at kontrollere kvaliteten, og hvornår det er nødvendigt at forbedre den [23]. For at sikre overskud til nødvendigt forbedringsarbejde, er det vigtigt at gøre kontrollen så let og enkel som mulig. Det kan man fx gøre ved at anvende enkle stikprøvemetoder til overvågning af standarder. På denne måde kan der afsættes flere ressourcer til at arbejde aktivt med at forbedre udvalgte områder. Når man har opnået de ønskede mål på ét område, kan området overgå til kontrolfasen, hvorefter man er klar til at gå i gang med at forbedre andre områder. Forbedringstiltag kan prioriteres bl.a. på baggrund af, hvad den løbende kvalitetskontrol viser. Er der et område, hvor den løbende kontrol viser, at kvaliteten er utilfredsstillende, er det oplagt at medtage dette i sin fremtidige prioritering af forbedringsinitiativer.

16 KAPITEL 1. FRA KONTROL TIL FORBEDRING 15 Forbedringsmodellen er en enkel og videnskabeligt baseret ramme til kvalitetsforbedring og læring. I sundhedsvæsenet har forbedringsmodellen ydermere den fordel, at den bygger på kendte videnskabelige principper, som man i forvejen benytter inden for klinisk forskning: hypoteser, eksperimenter og iagttagelser.

17 Kapitel 2 Mål med mening: Statistisk kvalitetsudvikling med seriediagrammer Seriediagrammet er et nyttigt og enkelt redskab til at skelne mellem tilfældige måleudsving og ikke-tilfældige forandringer i indikatormålinger over tid. Evnen til at skelne tilfældigt fra ikke-tilfældigt er afgørende ved planlægning og gennemførsel af initiativer til kvalitetsforbedring. I dette kapitel gennemgår jeg seriediagrammets teoretiske baggrund og praktiske anvendelse med fokus på kvalitetsforbedring i sundhedsvæsenet. 2.1 Variationsbegrebet Data er grundlaget for al kvalitetsudvikling. Lord Kelvin skulle have udtryk det således: If you can not measure it, you can not improve it. På nogle punkter stiller vi særlige krav til data, som skal bruges til kvalitetsudvikling, i forhold til data til kontrol- eller forskningsformål [18]. For hurtigt at kunne identificere forandringer i de processer, man arbejder med, er det nødvendigt at samle og analysere data hyppigt dagligt, ugentligt eller, til nød, månedligt. Enkle før-efter-målinger er sjældent tilstrækkelige og kan være direkte misvisende. Det er også vigtigt at vide, at den enkelte indikatormåling isoleret set sjældent har interesse. Det er det overordnede niveau og ikke mindst graden og typen af variation over tid, der er interessant. Det er helt afgørende at kunne skelne mellem tilfældig og ikke-tilfældig variation i indikatormålinger. Tilfældig variation er en del af alle processer og er altid til stede. En tilfældig proces er stabil og inden for visse rammer forudsigelig. Ikke-tilfældig variation kan tilskrives udefrakommende påvirkninger, som griber ind og påvirker dele af en proces og kan være resultatet af ønskede 16

18 KAPITEL 2. MÅL MED MENING 17 forbedringer eller uønskede forværringer [24]. Ikke-tilfældig variation viser sig ved mønstre og tendenser i indikatormålingerne over tid og kan påvises med enkle statistiske test i seriediagrammer. Begrebet proces skal i denne sammenhæng forstås bredt som forbundne aktiviteter, der har til formål at frembringe et produkt eller en ydelse. En proces modtager input og afleverer output. Fx kan forekomsten af hospitalsinfektioner opfattes som resultatet (output) af et kompliceret samspil mellem i forvejen syge mennesker (input) og de aktiviteter, håndhygiejne, antibiotikaforbrug, anvendelse af katetre osv., som kan påvirke risikoen for infektion. Det er vigtigt at forstå processers dynamiske natur. Forekomsten af hospitalsinfektioner er ikke den samme fra uge til uge. Der vil altid være variation, og blot fordi den ene måling er større end den anden, kan man ikke slutte, at processen har forandret sig. Derfor, og fordi valget af forbedringsstrategi afhænger af variationstypen, er det, som sagt, vigtigt at kunne skelne mellem tilfældig og ikke-tilfældig variation. Variation over tid lader sig dårligt analysere med traditionelle deskriptive og komparative statistiske metoder, som normalt bruges inden for sundhedsvidenskab og administration [24]. Som figur 2.1 illustrerer, risikerer man at komme galt af sted, hvis man forlader sig på enkle før- og efter-målinger. Inden for statistisk kvalitetsudvikling benytter man derfor små stikprøver, som tages hyppigt og analyseres med serie- og kontroldiagrammer. Det er vigtigt at understrege, at hverken tilfældig eller ikke-tilfældig variation i sig selv er god eller dårlig. Men strategien til at kontrollere og forbedre kvaliteten afhænger, som sagt, af typen af variation. En stabil og forudsigelig (dvs. tilfældig) proces kan levere utilfredsstillende mange defekte produkter, fx infektioner eller postoperative komplikationer. I så fald bør strategien rette sig mod at redesigne de nødvendige arbejdsgange snarere end at forsøge at kontrollere dem med skiftende korrigerende tiltag udført på baggrund af tilfældigt høje eller lave indikatorværdier. Dette kaldes tampering, og er en kunstfejl, som resulterer i øget variation og dermed ringere kvalitet [24, 25]. Omvendt er det vigtigt at erkende defekter, som skyldes ikke-tilfældige, udefrakommende påvirkninger af produktionen i den hensigt at eliminere disse. 2.2 Seriediagrammets anatomi og fysiologi Seriediagrammet er et nyttigt og enkelt redskab til at studere udviklingen af kvalitet over tid og til at afgøre, om den proces, man studerer, indeholder andet end blot tilfældig variation [25, 26, 27]. Seriediagrammet er et kurvediagram med indikatorværdien på y-aksen og tiden eller rækkefølgen på x-aksen (figur 2.2). Midt i diagrammet markerer en vandret linje medianen, som deler datapunkterne, så halvdelen ligger over medianen og halvdelen ligger under. Hvert datapunkt repræsenterer indikatorværdien i en enkelt stikprøve.

19 KAPITEL 2. MÅL MED MENING p = jan 2012 maj 2012 sep 2012 jan 2013 maj 2013 sep 2013 Figur 2.1: Figuren viser en fiktiv kvalitetsindikator præsenteret på to forskellige måder. Søjlerne viser, at kvaliteten gennemsnitligt var signifikant højere i 2012 end i Kurven viser de samme data, men opgjort månedsvis. Det er tydeligt, at selv om gennemsnittet var højest i 2012, var kvaliteten markant faldende men begyndte at stige året efter. Som figuren illustrerer bør man til kvalitetsudviklingsformål derfor aldrig forlade sig alene på komparative analyser af enkle punktmålinger eller gennemsnitsværdier samlet over længere tidsperioder. En simpelt kurve, som viser hyppige indkatormålingerne i den rækkefølge de er indsamlet kan afsløre væsentlig information, som drukner, når data aggregeres. Hvis den proces, man studerer, kun udviser tilfældig variation, vil datapunkterne fordele sig tilfældigt omkring medianen. Ved tilfældigt forstås, at man aldrig på forhånd kan vide, på hvilken side af medianen det næste punkt vil falde, men at sandsynligheden for begge udfald er lige stor, 50 %, og at datapunkterne er indbyrdes uafhængige, dvs. at placeringen af ét datapunkt ikke påvirker placeringen af det næste datapunkt. Hvis processen på et tidspunkt begynder at ændre sig, så niveauet stiger eller falder betydeligt, ændres disse forudsætninger, og der opstår særlige mønstre i datapunkternes fordeling. Disse mønstre kalder vi signaler. 2.3 Signaler om ikke-tilfældig variation Ikke-tilfældig variation kan vise sig på mange måder, men i praksis har særligt to signaler vist sig anvendelige: Skiftsignal: Der optræder usædvanlig lange serier af datapunkter på samme

20 KAPITEL 2. MÅL MED MENING 19 side af medianen. Krydssignal: Kurven krydser medianen usædvanlig få gange. De to signaler udtrykker to sider af samme sag, nemlig at processen bevæger sig væk fra medianen, og ofte vil man se dem sammen. Men tilstedeværelsen af blot det ene signal er diagnostisk for ikke-tilfældig variation. Grænsen for hvor mange datapunkter, der skal til et skiftsignal, eller hvor få kryds, der skal til et krydssignal, afhænger af det totale antal datapunkter i diagrammet og kan beregnes eller slås op i en tabel (Grænseværdier for længste serie og antal kryds i seriediagrammer). Seriediagrammet i figur 2.2 viser et eksempel på en proces, som kun udviser tilfældig variation. Postoperative hospitalsdødsfald Antal Måned Obs. (usefull) = 24 (24) Longest run (max) = 5 (8) Crossings (min) = 12 (8) Figur 2.2: Seriediagrammet viser forekomsten af hospitalsdødsfald efter kirurgi på et dansk sygehus og indeholder i alt 24 datapunkter. Medianen er 5,5. Den længste serie af datapunkter på samme side af medianen er 5 (punkt 13 17), og kurven krydser medianen 12 gange. Ifølge tabellen på side 27 er den øvre grænse for længste serie 8 og nedre grænse for antal kryds 8. Diagrammet viser således kun tilfældig variation. Datapunkter, som falder direkte på medianen, indgår ikke i analysen. De hverken bryder eller bidrager til en serie. Datapunkter, som ikke falder på medianen kalder vi brugbare observationer, og det er antallet af disse, som vi benytter til beregning af grænseværdierne eller opslag i tabellen. Figur 2.3 viser et eksempel på analyse af et seriediagram, hvor flere datapunkter falder på medianen.

21 KAPITEL 2. MÅL MED MENING 20 Uventede hjertestop Antal Måned Obs. (usefull) = 24 (20) Longest run (max) = 5 (7) Crossings (min) = 7 (6) Figur 2.3: Seriediagrammet viser det månedlige antal uventede hjertestop på et dansk sygehus. Diagrammet indeholder i alt 24 datapunkter, hvoraf 4 ligger på medianen. Antallet af brugbare observationer er altså 20, som benyttes til beregning eller tabelopslag af grænseværdier for længste serie og antal kryds. Den længste serie er 5 (punkt 6 11 og 12 17), idet punkterne 10 og 14 ligger på medianen og derfor ikke tæller med. Ligeledes består den første serie kun at ét punkt (punkt 2) og den anden serie af 2 punkter (4, 5), idet punkterne 1 og 3 ligger på medianen. Diagrammet viser tilfældig variation. I figur 2.4 er begge signaler i aktion i et lokalt forbedringsprojekt om implementering af nye retningslinjer for observation af indlagte patienter på en medicinsk afdeling Skiftsignalet Skiftsignalet bygger på theory of long runs og er beskrevet af bl.a. Schilling [28]. En serie (run) er en række af ens elementer i en sekvens. Det kan fx være plat og krone, plus og minus, mænd og kvinder eller datapunkter over og under medianen. Teorien er i øvrigt ikke begrænset til situationer med kun to slags elementer eller udfald med lige stor sandsynlighed. Men disse tilfælde er naturligvis enklest at regne på. Kaster man fx en mønt 12 gange kunne udfaldet være dette: PKKKPKPPKKKK. Der er i alt 6 serier, og den længste serie er på 4 elementer. Ifølge teorien er den forventede længste serie lig med log 2 (n), hvor n er antallet af brugbare observationer. I eksemplet med 12 kast med en mønt forventer vi altså, at den længste serie er log 2 (12) = 4 (efter afrunding til nærmeste heltal).

22 KAPITEL 2. MÅL MED MENING 21 Måling af vitalværdier på Medicinsk afdeling Procent Måned Obs. (usefull) = 33 (28) Longest run (max) = 13 (8) Crossings (min) = 4 (9) Figur 2.4: Seriediagrammet viser, hvor mange procent af indlæggelsesdøgnene på en stor medicinsk afdeling, hvor patienterne fik målt vitalværdier korrekt efter indførslen af en ny vejledning. Den længste serie er længere end forventet og antallet af kryds er for lavere end forventet. Diagrammet viser således ikketilfældig variation i den rigtige retning og blev af afdelingen opfattet som bevis på tilfredsstillende implementering og fastholdelse af de nye retningslinjer. Den længste serie har i praksis naturligvis ikke altid præcis den forventede længde. Det kan vises, at spredningen er uafhængigt af antallet af elementer, og at det omtrentlige 95 % prædiktionsinterval er log 2 (n) ± 3. Dvs. at det vil være udsædvanligt at finde en serie med flere end 7 elementer, hvis vi kaster en mønt 12 gange. Kaster vi mønten 23 gange, er grænsen 8. Det er værd at være opmærksom på, at signalet er mere følsomt for ikketilfældig variation, hvis medianen på forhånd er kendt og fastholdes i modsætning til, hvis medianen er flydende og genberegnes efter hvert nyt datapunkt. Det er derfor god stil, at fastlægge medianen, så snart man har nok datapunkter, som kun udviser tilfældig variation. I praksis bør man have mindst 12, helst 20 eller flere, datapunkter til at fastlægge medianen. Medianen bør genberegnes, hvis processen ændrer sig Krydssignalet Krydssignalet er en forenkling af serieanalysen, runs analysis, som blev beskrevet af Swed og Eisenhart i 1943 [29]. Serieanalysen bygger på den teoretiske fordeling af antallet af serier i en tilfældig sekvens. Formlerne til beregning af

23 KAPITEL 2. MÅL MED MENING 22 de tilhørende sandsynligheder er komplicerede. Derfor benytter man i praksis ofte tabelopslag til at afgøre, om der i en sekvens er for få eller for mange serier i forhold til, hvad man ville forvente, hvis sekvensen var tilfældig. Chen har beskrevet en enklere tilgang til samme problem [30]: I stedet for at tælle antallet af serier, tæller man, hvor mange gange sekvensen skifter i vores tilfælde at kurven krydser medianen. Antallet af kryds er i sagens natur én mindre end antallet af serier og ligger mellem 0 og n 1 og følger en binomialfordeling. Det betyder, at vi kan beregne grænseværdier for det forventede antal kryds eller slå dem op i en tabel over binomialfordelingens kumulerede sandsynligheder. Til vores formål, at identificere ændringer i processers niveau, er vi interesserede i den nedre grænse. Den nedre 5 %-grænse for antal kryds i en tilfældig proces kan beregnes i et regneark, fx Excel, med formlen CRITBINOM(n 1; 0,5; 0,05), hvor n er antallet af datapunkter. Den tilsvarende funktion i R hedder qbinom(0.05, n 1, 0.5). Med 12 datapunkter er grænseværdien 3. Det vil således være usædvanligt at finde færre end 3 kryds i et seriediagram med 12 datapunkter Andre signaler Foruden skift- og krydssignalet bør man også foretage en visuel (og subjektiv) vurdering af seriediagrammet for andre tegn på ikke-tilfældig variation. Det kan fx være cykliske mønstre pga. sæson- eller døgnvariation eller oplagt afvigende enkeltmålinger. Man skal dog være forsigtig med at dømme en enkeltmåling ude blot fordi den er den højeste eller laveste i et datasæt. En afvigende enkeltmåling er normalt en, som alle vil undre sig over. Et hyppigt anbefalet og meget brugt signal for ikke-tilfældig variation er trendsignalet. En trend er en udsædvanlig lang serie af målinger, der stiger eller falder. De fleste sætter en fast grænse ved 5, 6 eller 7 datapunkter [25, 26, 27], men den præcise grænseværdi afhænger ligesom for de andre signaler af antallet af datapunkter, som er til rådighed og kan slås op i en tabel [31]. Trendsignalet er udviklet til at opdage små vedvarende skred (afdrift) i målingerne. I praksis har trendsignalet dog vist sig uegnet til formålet. Den tilfældige variation (støjen) mellem nabomålinger vil næsten altid overstige afdriften (signalet), hvorfor signalet alligevel opdages af skift- eller krydssignalet, længe før trenden (ved en tilfældighed) viser sig. Og i de sjældne tilfælde, hvor afdriften overstiger den tilfældige variation, vil de øvrige signaler give sig til kende meget hurtigt. Trendsignalet tilføjer derfor intet udover falske alarmer til analysen og kan ikke anbefales [32]. I afsnittet på side 25 sammenfatter jeg principperne for brug og fortolkning af seriediagrammer i en tjekliste. Figur 2.5 illustrerer anvendelsen i et forbedringsprojekt om implementering af WHO s sikker kirurgi-tjekliste på et sygehus, hvor det var muligt at opgøre data både før, under og efter implementeringen.

24 KAPITEL 2. MÅL MED MENING Seriediagrammets sensitivitet og specificitet Som ved alle statistiske test er der risiko for, at seriediagrammet signalerer, selvom der reelt ingen forandringer er sket, eller omvendt ikke signalerer, selvom der er sket forandringer i processen. Risikoen for falske signaler (type 1-fejl) ligger for skift- og krydssignalet med de foreslåede grænseværdier omkring 5 %. Hvis der derimod sker forandringer i processen, vil seriediagrammet på et eller andet tidspunkt signalere. Spørgsmålet er blot, hvor længe man skal vente på signalet (type 2-fejl). Det afhænger naturligvis af, hvor stor forandringen (signalet) er i forhold til den tilfældige variation, som også findes i processen (støjen). Med simulationsstudier kan man vise, at hvis forandringen er af en størrelse, der svarer til 1,5 standardafvigelse på den tilfældige variation, vil seriediagrammet med stor sikkerhed (> 90 %) signalere før der er gået 20 datapunkter. Er forandringen 2 standardafvigelser, vil seriediagrammet med stor sikkerhed signalere allerede inden, der er gået 10 datapunkter. Det er vigtigt at understrege, at et seriediagram uden signaler aldrig kan bruges som bevis på, at der ingen ændring er sket i den undersøgte proces. Viser seriediagrammet alene tilfældig variation, kan man blot konkludere, at eventuelle forandringer i processen enten ikke er store nok eller har varet længe nok til at kunne påvises sikkert. 2.5 Principper for brug af seriediagrammer Analyse af indikatormålinger med seriediagrammer kan benyttes i mindst tre situationer, som svarer til de tre dimensioner i Jurans trilogi: Planlægning: Når man til planlægning af en forbedringsindsats ønsker at opnå kendskab til, på hvilket niveau en proces fungerer, og om der er tegn til ikke-tilfældig variation. Forbedring: Når man ønsker at dokumentere, at indsatsen medfører de ønskede forbedringer. Kontrol: Når man ønsker at overvåge og kontrollere kritiske processer, som allerede fungerer på et tilfredsstillende niveau for hurtigt at kunne opdage eventuelle forværringer. Særligt til planlægnings- og forbedringsformål, er det selvsagt nødvendigt med et vist tempo i seriediagrammet, hvis man inden for en overskuelig tidsperiode ønsker at påvise ikke-tilfældig variation. Det er, som nævnt i indledningen, vigtigt, at målingerne sker hyppigere end de forventede forandringer udvikler sig. Arbejder man fx med en proces, man forventer vil forandre sig i løbet af uger til måneder, skal man som minimum måle ugentligt. Som figur 2.1 illustrerer, giver det ingen mening, og er i øvrigt statistisk ugyldigt, at måle hen over perioder, som indeholder væsentlige forandringer. Omvendt skal måleperioden være

25 KAPITEL 2. MÅL MED MENING 24 lang nok til, at tallene er store nok. Som en grov tommelfingerregel kan man tilstræbe at nævneren altid er tocifret, og at tælleren aldrig (eller sjældent) er nul. Til opgørelse af de fleste procesindikatorer, kan man komme langt med små daglige stikprøver fra de processer, man ønsker at følge. Hvis man dagligt udtager en tilfældig stikprøve på 3 5 dataelementer (fx patienter eller aktiviteter) og herefter aggregerer data ugentligt, har man således mellem 21 og 35 i nævneren i hvert datapunkt, hvilket i langt de fleste tilfælde er rigeligt til et robust seriediagram. I eksemplet fra indledningen kontrollerer man hver dag 3 5 tilfældige indlæggelser for, om patienten fik målt vitalværdier. Indikatoren opgøres ugentligt ved at dividere det samlede antal indlæggelser, hvor vitalværdierne blev målt med det samlede antal indlæggelser i ugens stikprøver. Disse principper for brug af seriediagrammer er velegnede til planlægning og forbedring. Hvis formålet derimod er at kontrollere processer, som allerede fungerer på et tilfredsstillende niveau, kan man overveje dels at reducere målehyppigheden fx fra dag til uge eller uge til måned og dels at slække på grænseværdierne for skift- og krydssignalet. Dette kan være rimeligt af mindst to grunde: (1) Identifikation af en forværring i en tidligere stabil proces er i princippet en ensidet test, hvorfor det er statistisk i orden at slække på grænseværdierne. (2) Prisen for at opnå den høje sikkerhed mod falske signaler, som de konservative grænseværdier giver, kan være uacceptabel høj, hvis der er tale om (livs)kritiske resultatindikatorer, fx komplikations- eller mortalitetsrater. Beslutningen om at slække grænseværdierne bør naturligvis helst tages før, man begynder at samle data og i hvert fald før man konstruerer sit seriediagram. Men i virkeligheden er seriediagrammet ikke altid det bedste redskab til kontrolformål. Klassiske kontroldiagrammer (Shewhart Charts) er velegnede til hurtigt at identificere pludselige store forandringer (> 1,5 standardafvigelse) i en ellers stabil proces [33, 34]. Visse typer kontroldiagrammer (CUSUM, EWMA) er følsomme for små vedvarende forandringer [34]. Kontroldiagrammer er derfor velegnede til kontrol- og overvågningsformål. Men kontroldiagrammer er komplicerede at konstruere, kræver ofte specialsoftware eller programmering, og er følsomme for afvigelser fra antagelser om datas teoretiske fordelinger. Mange opfatter seriediagrammet som en fattig erstatning for kontroldiagrammet. Det er min erfaring, at seriediagrammet har en selvstændig berettigelse. Seriediagrammet er mere følsomt for små til moderate ændringer end kontroldiagrammet, det er enklere at konstruere og er meget vanskeligt at misbruge.

26 KAPITEL 2. MÅL MED MENING Praktisk brug og fortolkning af seriediagrammer 1. Beskriv den eller de relevante indikatorer og (hvis relevant) fastsæt et mål for den ønskede forbedring. 2. Indsaml data og afsæt datapunkterne i rækkefølge i et diagram. Forbind datapunkterne med rette linjer. 3. Efter mindst 12, helst 20 eller flere datapunkter, indtegn medianen i diagrammet, så halvdelen af datapunkterne befinder sig over medianen og halvdelen under. 4. Tæl antallet af brugbare datapunkter, dvs. datapunkter, som ikke ligger direkte på medianen. 5. Find den længste serie af datapunkter over eller under medianen. Datapunkter, som ligger direkte på medianen tæller ikke med, dvs. de hverken bryder eller bidrager til serien. 6. Tæl antallet af gange kurven krydser medianen. 7. Sammenlign længste serie og antallet af kryds med grænseværdierne i tabellen. Ikke-tilfældig variation findes, hvis den længste serie er længere end grænseværdien eller, hvis antallet af kryds er lavere end grænsværdien. 8. Se efter andre mønstre i data, der tyder på ikke-tilfældig variation, fx oplagt afvigende enkeltmålinger eller cykliske mønstre. 9. Hvis diagrammet kun viser tilfældig variation, forlæng medianen og fortsæt med at indsamle og plotte data og arbejd på at forbedre processen. Hvis diagrammet viser uønsket ikke-tilfældig variation, identificer og eliminer årsagen eller årsagerne. 10. Når målet er nået, fastlæg den nye median, benyt evt. målet som median. 11. Forbedring er opnået og fastholdt, når processen kun udviser tilfældig variation omkring mållinjen. 12. Overvej at benytte et kontroldiagram til at overvåge processen fremover.

27 KAPITEL 2. MÅL MED MENING 26 Postoperativ mortalitet før og efter sikker kirurgi tjekliste Procent Calibration Data New Data Måned Obs. (usefull) = 35 (35) Longest run (max) = 9 (8) Crossings (min) = 15 (12) Figur 2.5: Seriediagrammet viser et eksempel på anvendelse af principperne for brug af seriediagrammer til dokumentation af forbedringer: Indikatoren er den postoperative mortalitet på et dansk sygehus før og efter indførsel af WHO s sikker kirurgi-tjekliste. Medianen er beregnet for baselineperioden og forlænget ind i efter-perioden. Diagrammet viser et skift i efter-perioden, idet den længste serie består af ni datapunkter mod forventet højst otte. Skiftet går i den ønskede retning, og forandringen repræsenterer derfor en forbedring. Det næstsidste datapunkt ligger dog iøjenfaldende højt i forhold til de omgivende punkter, og man bør overveje, om dette repræsenterer en afvigelse, og i så tilfælde, om der findes særlige forhold, der kan forklare denne.

28 KAPITEL 2. MÅL MED MENING Grænseværdier for længste serie og antal kryds i seriediagrammer Ikke-tilfældig variation findes, hvis den længste serie er længere end grænseværdien eller hvis antallet af kryds er lavere end grænseværdien. Antal datapunkter som ikke er på medianen Øvre grænse for længste serie Nedre grænse for antal kryds

29 KAPITEL 2. MÅL MED MENING 28 Antal datapunkter som ikke er på medianen Øvre grænse for længste serie Nedre grænse for antal kryds

30 KAPITEL 2. MÅL MED MENING 29 Antal datapunkter som ikke er på medianen Øvre grænse for længste serie Nedre grænse for antal kryds

31 KAPITEL 2. MÅL MED MENING 30 Antal datapunkter som ikke er på medianen Øvre grænse for længste serie Nedre grænse for antal kryds

32 Kapitel 3 Praktisk dataindsamling og -behandling for kvalitetsudviklere I lokale kvalitetsforbedringsprojekter er det ofte nødvendigt for klinikere selv at kunne indsamle, behandle og analysere data. Opgaven kan i princippet klares med papir og blyant; men elektroniske hjælpemidler kan lette arbejdet væsentligt. I dette kapitel beskriver jeg, hvordan man ved hjælp af frit tilgængeligt software kan lave sig enkle systemer til formålet. 3.1 Syv trin til gode målinger Indikatormålinger er nødvendige for at vise, om de ændringer, man indfører, medfører de ønskede forbedringer. Enhver indikator udspringer af en ide, noget man ønsker at opnå og derfor har brug for at kunne måle, fx reduktion af tryksårsforekomsten. Når man har identificeret den eller de indikatorer, man ønsker at følge i sit forbedringsprojekt, skal indikatorerne beskrives i detaljer, og man skal finde ud af, hvordan man så enkelt og bekvemt som muligt kan indsamle data. Når data er i hus slipper man sjældent for en vis efterbearbejdning, før indikatoren er klar til analyse og præsentation. Endelig skal man huske, at dataindsamling, -behandling og -analyse er fortløbende processer, der varer ved så længe, man måler. Det kan synes enkelt at tælle fx tryksår. Men inden man når ret langt, opdager man, at tryksår kan tælles på utallige måder. Og selv når man er blevet enige om, hvad tryksår er, og hvilke af dem, der skal tælles med, er det ikke altid indlysende, hvordan dataelementerne rent praktisk skal indsamles og bearbejdes, før indikatoren er klar til analyse med fx et seriediagram. 31

33 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 32 Processen kan beskrives i syv trin: 1. Beslutte mål 2. Udvælge indikatorer 3. Beskrive indikatorer 4. Indsamle og behandle data 5. Analysere og præsentere data 6. Reflektere 7. Gentage punkt Fra ide til indikator En indikator er en målbar variabel, der siger noget om kvaliteten. Dvs., en indikator er i denne sammenhæng altid et tal. Til en konkret forbedringsindsats vil man som regel knytte en eller to resultatindikatorer, der siger noget om den kvalitet, der har direkte betydning for patienten og samtidig altid en eller flere procesindikatorer, der belyser i hvor høj grad, processer og arbejdsgange udføres som planlagt. Er målet fx at reducere forekomsten af tryksår hos indlagte patienter, har man naturligvis brug for at måle forekomsten af tryksår. Men det er mindst lige så vigtigt samtidig at måle, at de konkrete initiativer, man har indført mod tryksår, udføres i dagligdagen. Eller sagt på en anden måde: Hvis man ønsker bedre resultater, må man forbedre sine processer. Forekomsten af tryksår kan måles på mange måder, fx: antal tryksår, antal patienter med tryksår, antal tryksår per 1000 sengedage, procent patienter med tryksår, dage mellem nye tryksår osv. En indsats mod tryksår kunne fx omfatte, at alle indlagte patienter skal kontrolleres dagligt for nyopståede tryksår. Procesindikatoren kunne i dette tilfælde være procent patienter, som er kontrolleret for tryksår. Hvori kontrollen består, skal beskrives så præcist og detaljeret, at alle, der bidrager til dataindsamling, ved, hvordan det skal gøres og gør det ens. Vigtigheden af en god og præcis indikatorbeskrivelse kan ikke overdrives. Som minimum skal indikatorbeskrivelsen indeholde følgende elementer: Indikatornavn: Procent patienter som er kontrolleret for tryksår Type: Procesindikator Formål: Elimination af tryksår som opstår under indlæggelse Tællerdefinition: Antal patienter, som er kontrolleret for tryksår iht. instruks

34 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 33 Nævnerdefinition: Antal patienter, som burde være kontrolleret Datakilde: Dagligt tavlemøde kl. 13 Dataindsamling og -behandling: På tavlemødet oplyser hver sygeplejerske antallet af patienter, vedkommende har ansvaret for, og hvor mange af disse som er blevet kontrolleret i dag. Tallene lægges sammen for hele afdelingen og de to tal, tæller og nævner, skrives på tavlen og siden ind i et regneark, som automatisk lægger tallene sammen per uge og tegner et seriediagram. Opgørelsesperiode: Ugentligt Analyse og præsentation: Seriediagram Særligt punktet om dataindsamling og -behandling kræver omhyggelighed, så arbejdet med at indsamle data ikke kommer til at overskygge selve forbedringsindsatsen. 3.3 Dataindsamling Metoden, som er beskrevet i eksemplet ovenfor, kan varieres i det uendelige. Det væsentlige er, at dataindsamling så vidt muligt sker dagligt og kobles til allerede eksisterende arbejdsgange, fx tavlemødet eller rapportgivningen. På denne måde opnår man desuden, at dataindsamlingen i sig selv bidrager til forbedringerne. Opdager man fx på tavlemødet, at to patienter ikke er blevet kontrolleret, kan det stadig nås, inden dagen er omme. Arbejder man med flere forbedringsinitiativer ad gangen, kan man med fordel samle data til flere indikatorer i samme arbejdsgang på samme skema eller tjekliste. Opgørelsesperioden behøver ikke følge dataindsamlingsperioden. I eksemplet samler man data dagligt, men opgør indikatoren ugentligt. Det er den ugentlige indikator, der afbildes i seriediagrammet. Men de daglige data kan med fordel gøres synlige på tavlen, så alle medarbejdere i afdelingen, kan følge med i, hvor godt det går fra dag til dag. Som nævnt i kapitlet om seriediagrammer, skal opgørelsesperioden som udgangspunkt være kortere end den forventede forandringsperiode dvs. målingerne skal ske hyppigere end de forventede forandringer udvikler sig. Omvendt skal opgørelsesperioden være lang nok til, at tallene er store nok. Som tommelfingerregel kan man tilstræbe at nævneren altid er tocifret, og at tælleren aldrig eller sjældent er nul. Det er også værd at bemærke, at dataindsamling kan ske ved stikprøver. Det er ikke nødvendigt at tælle alle patienter hver dag, en lille stikprøve er nok, hvis blot den er tilfældigt udtrukket. Tre til fem patienter hver dag bliver til mindst 21 om ugen, hvilket i mange tilfælde er en fuldt tilstrækkelig stikprøve.

35 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 34 Når det er sagt, så er det en erfaring, at besværet med at udtrække tilfældige stikprøver ofte overstiger gevinsten. En stikprøve er nemlig ikke tilfældig blot fordi, man tager tre tilfældige journaler fra bunken. En korrekt tilfældig udvælgelse kræver altid brug af en eller anden form for lodtrækning, fx opslag i en statistisk tabel med tilfældige tal eller brug af computer. På hjemmesiden findes en tilfældighedsmaskine, som kan bruges til at danne ægte tilfældige stikprøver. 3.4 Introduktion til regneark Den følgende korte introduktion til regneark har til formål at repetere nogle få vigtige begreber, men er næppe til megen hjælp, hvis man på forhånd ingen erfaring har med regneark. Er man i den situation, kan det derfor anbefales at tage et introduktionskursus i regneark. Regneark, fx Excel eller LibreOffice Calc, er nyttige redskaber til dataindsamling, -behandling, -analyse og -præsentation. Regneark er let tilgængelige (LibreOffice er gratis og findes i modsætning til Excel til både PC, MAC og Linux), yderst fleksible, hurtige at tilpasse, og mange klinikere har på forhånd rutine i at arbejde med data i regneark, hvilket selvsagt er en fordel. Benytter man regneark, skal man dog være opmærksom på, at det er relativt let at komme til at lave fejl i dataindtastninger og i formler. Og man skal være opmærksom på, at regneark ikke må indeholde personhenførbare oplysninger. Alternativet til regneark er skræddersyede datasystemer med indtastningsformularer, som er adskilt fra analyse og præsentation. Disse systemer er robuste mod indtastningsfejl, regner (næsten) altid rigtigt, kan kryptere personoplysninger, kan automatiseres og kan bringes til at præsentere avancerede analyser og diagrammer, som sjældent er mulige med hjemmelavede regneark. Ulempen er, at disse systemer er dyre, kræver involvering af eksperter til programmering og tilpasning til det konkrete forbedringsprojekt. Og når først projektet kører, er det tungt at foretage ændringer. Til mindre, lokale forbedringsprojekter er regneark derfor ofte et godt valg til dataindsamling og -analyse Regnearkets anatomi og fysiologi Følgende begreber er vigtige at kende og forstå og gennemgås kort i det følgende: rækker kolonner celler celleområder cellereferencer, absolutte og relative

36 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 35 formler funktioner celleformater Et regneark er i princippet blot en kæmpe tabel med kolonner (lodret), rækker (vandret) og celler, hvor kolonner og rækker krydser hinanden. I celler kan der skrives tre typer oplysninger, tekst, tal og formler. Forskellen på tekst og tal er ikke altid selvindlysende. Fx er post- og cpr-numre at opfatte som tekstvariable, mens datoer bør opfattes som tal. Karakteristisk for tal er, at det er både muligt og meningsfuldt at udføre beregninger med dem. Det giver fx ingen mening at beregne det gennemsnitlige postnummer for en grupper personer. Modsat giver det god mening at at udregne differencen mellem to datoer. Alle celler har en adresse, fx A1, hvor kolonne A krydser række 1. En cellereference er adressen på en enkelt celle eller et eller flere celleområder. Et celleområde noteres som adressen på de to celler i hhv. øverste venstre og nederste højre hjørne af området adskilt af et kolon. Fx er A1:C3 de tre øverste celler i kolonnerne A, B og C. En cellereference kan indeholde flere adskilte celleområder ved at benytte semikolon mellem celleområderne, fx A1:B3;D4. Sagt lidt forenklet, betyder kolon i denne sammenhæng altså fra og med, til og med, mens semikolon betyder og. Cellereferencer benyttes i formler, som udregner værdier på baggrund af værdierne i andre celler. Står der fx 2 i celle A1 og =2*A1 i celle B1, vil B1 vise værdien 4. Hvis værdien i A1 ændres til 6, ændres værdien i B1 til 12. Cellereferencer kan være relative eller absolutte. En relativ reference, fx A1 indeholdt i en formel i felt B1, opfattes af regnearket som cellen lige til venstre. Hvis formlen med referencen kopieres eller flyttes til en anden celle, fx E1, vil referencen stadig henvise til cellen lige til venstre, i dette tilfælde D1. En absolut reference skrives med dollartegn foran kolonne- og/eller rækkeangivelsen, fx $A$1. Dollartegn foran kolonneangivelsen ($A) låser kolonnereferencen, selv om formlen kopieres til et andet sted i regnearket. Dollartegn foran rækkeangivelsen ($1) låser rækkereferencen. I dette tilfælde vil formlen med $A$1 fortsat henvise til A1, uanset hvor formlen kopieres hen. Figur 3.1 forsøger i et enkelt glimt at vise alt, hvad der er værd at vide om formler og cellereferencer i regneark.

37 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 36 Figur 3.1: Formler og cellereferencer Den øverste del af regnearket viser to tabeller, som indeholder både tekst, tal og formler. Formlerne er usynlige, idet de celler, som indeholder formler, viser resultatet af formlen. Den nederste del af regnearket er en kopi af den øverste, men med synlige formler. Formeleksemplerne i denne tekst benytter engelske funktionsnavne. Har man en dansk version af Excel kan man finde udvalgte danske funktionsnavne på side 46. I LibreOffice kan man indstille programmet til altid at benytte engelske funktionsnavne: Tools Options Calc Formula Use English function names. En formel begynder altid med et lighedstegn og kan derudover indeholde tal, cellereferencer, tegn for de fire regnearter (+,, *, /) samt indbyggede funktioner. Celle D2 i eksemplet indeholder formlen =B2/C2. Det betyder divider indholdet i celle B2 med indholdet i C2. I dette tilfælde er der benyttet en relativ reference. Relative cellereference er smarte, når man har brug for at udfylde hele rækker eller kolonner med formler, som refererer til celler, som er placeret relativt til cellerne, som indeholder formlen. På denne måde behøver man kun skrive formlen i den første celle og derpå kopiere formlen til resten af cellerne. Man kopierer en formel ved fx at klikke i cellen og derefter trække i den lille sorte firkant i cellens nederste højre hjørne. Man kan også markere cellen, kopiere (copy) indholdet, markere de nye celler og indsætte (paste). Celle B9 indeholder formlen =COUNT(B2:B7). Det betyder tæl antallet af celler, som indeholder et tal, i området fra og med B2 til og med B7.

38 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 37 Tilsvarende med formlerne i B10 og B11, som udregner hhv. summen og gennemsnittet af cellerne B2:B7. COUNT(), SUM() og AVERAGE() er eksempler på indbyggede funktioner, som kan benyttes i formler. En funktion består af et udtryk efterfulgt af en parentes. I parentesen skriver man de eventuelle oplysninger, såkaldte argumenter, som funktionen skal bruge til sin beregning, adskilt af semikolon. Argumenter kan, afhængigt af funktionen, være konstanter (tal, tekst), cellereferencer eller andre funktioner og formler. Celle E2 indeholder en formel, som udregner medianen af tallene i D2:D7 (som jo i sig selv er resultatet af en formel). I dette tilfælde er der benyttet en absolut cellereference, =MEDIAN($D$2:$D$7). Det betyder, at formlen kan kopieres til cellerne E3:E7, uden at cellereferencen ændres, hvilket i dette tilfælde er, hvad vi ønsker at opnå. Celleformatet bestemmer, hvordan cellens indhold bliver vist. Et tal kan fx vises med flere eller færre decimaler, som procenter eller valuta; og datoer og tidspunkter kan vises på utallige måder. Man formaterer celler ved først at markere de relevante celler, evt. hele kolonnen eller rækken, og derpå åbne formatmenuen (typisk ved højreklik) og vælge det ønskede format. Det er vigtigt at vide, at celleformatet ikke ændrer ved cellens indhold. Datoen 3. januar 2011 kan således også vises som og 3. jan 2011 eller endda som et tal 40546, uden at det ændrer på den information, der er gemt i cellen. Det samme gælder decimaltal, at tallet, som er gemt i cellen, er det samme, uanset hvor mange decimaler, formatet er indstillet til at vise Dataopsamling med regneark En datatabel til indsamling af dataelementer til en indikator er altid et rektangulært område, hvor samhørende data arrangeres i lige lange rækker, såkaldte poster. En celle i en post kaldes også for et felt. En post kan fx indeholde dagens tæller og nævner. Den første række indeholder altid kolonneoverskrifter (feltnavne), og den første kolonne indeholder ofte oplysninger, der entydigt identificerer posterne, fx en dato eller et løbenummer. En datatabel med disse karakteristika kaldes også for en database.

39 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 38 Figur 3.2: Datatabel I regnearket i figur 3.2 har personalet indtastet stikprøvedata til beregning af resultatindikatoren antal nyopståede tryksår per 1000 sengedage og procesindikatoren procent patienter, som er tjekket for tryksår. Rådata findes i kolonnerne A til D med gul baggrund. Kolonne E med grå baggrund indeholder et beregnet felt, som er datoen for første dag (mandag) i ugen for den pågældende række. Dette felt skal vi bruge senere til at sammentælle (aggregere) data per uge. Bemærk, at personalet for hver dag kun skal indtaste tre tal foruden datoen. Hvis det gøres dagligt, er opgaven overkommelig Beregning af afledte variable i regneark Afledte variabler er kolonner, som indeholder værdier, der er beregnet på baggrund af værdier i andre kolonner i regnearket. I regnearket ovenfor er datoen for første dag i ugen (mandag) beregnet i kolonne E på baggrund af datoen i kolonne A, E2=A2-WEEKDAY(A2;2)+1. Formlen tager datoen i A2, fratrækker dagens nummer i ugen (WEEKDAY(A2;2)) og lægger en til (+1). Fidusen ved at skrive den eksakte dato i A-kolonnen i stedet for blot at skrive ugenummeret er, at det altid er muligt at omregne fra en eksakt dato til hvilket som helst tidsinterval, man kunne få behov for, men aldrig omvendt. Det kunne fx være relevant også at udregne måneden for hver dato til månedlig aggregering af antallet af nyopståede tryksår. Dem er der jo i eksemplet heldigvis så få af, at det ikke giver mening at tælle dem sammen på ugebasis. Har man først reduceret informationen ved kun at skrive ugenummeret, mister man muligheden for senere at lave andre opgørelser af data.

40 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 39 Uden at det koster noget som helst ekstraarbejde, opnår man således en større fleksibilitet ved at registrere rådata så præcist som muligt. I appendix 1 findes en tabel med eksempler på nyttige funktioner til beregning af afledte variable. 3.5 Dataaggregering i regneark Aggregering betyder, at man regner på grupperede data. I tryksårseksemplet skal man således for hver uge summere det totale antal patienter og antallet af kontrollerede patienter. De to tal kan herefter indgå som tæller og nævner i indikatoren. Når rådata er indtastet og eventuelle afledte variable er tilføjet til dataarket, er det let at aggregere data, fx til analyse med et seriediagram. Som med det meste andet i tilværelsen er der flere veje til målet. I det følgende beskriver jeg to forskellige teknikker til aggregering af data, pivottabeller og IF-funktioner Pivottabeller De fleste regneark indeholder en smart facilitet, pivottabel, som gør aggregering til en leg. Pivottabeller kan se forskellige ud, og terminologien og brugerfladen varierer mellem forskellige regneark, især mellem forskellige versioner af Excel. Men funktionaliteten er grundlæggende ens. De følgende skærmbilleder, som er fra LibreOffice Calc version 4.0, gennemgår et eksempel, hvor data fra tryksårsopgørelsen aggregeres per uge. Figur 3.3: Opbygning af pivottabel 1

41 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 40 Figur 3.4: Opbygning af pivottabel 2 Figur 3.5: Opbygning af pivottabel 3

42 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 41 Figur 3.6: Opbygning af pivottabel 4 Figur 3.7: Opbygning af pivottabel 5 Fordi pivottabeller findes i så mange forskellige udformninger, er det ikke muligt meningsfuldt at give en generel peg-og-klik-gennemgang af konstruktionen af en pivottabel. Det væsentlige er at forstå principperne for pivottabellens opbygning og funktion. En pivottabel har ét dataområde og tre dimensioner (rækker, kolonner, sider), som kan bruges til at gruppere de aggregerede data. Man aggregerer data

43 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 42 ved at trække de relevante datafelter ind i dataområdet og vælge den eller de relevante aggregatfunktioner, fx sum, antal eller gennemsnit. Som udgangspunkt vælger regnearket ofte sumfunktionen, hvilket i mange tilfælde er det korrekte valg. Data grupperes ved at tilføje feltet med grupperingsvariablen, fx uge eller måned til rækkeområdet. Har man behov for det, kan man gruppere i flere dimensioner ved at tilføje flere grupperingsvariable til kolonne og/eller sideområdet. Man kan endda gruppere på flere niveauer i samme dimension. Til vores formål har vi sjældent brug at gruppere på mere end et niveau i en dimension. Endelig kan man slå en række faciliteter til og fra. Fx er det som regel en god ide at slå række- og kolonnetotaler fra. Har man valgt mere end ét datafelt, vil pivottabellen ofte have et stablet layout, som vi ikke kan bruge til ret meget. Det kan dog let rettes. I LibreOffice og Excel trækker man den grå kasse med overskriften Data hen i det tomme felt over kolonnen med de aggregerede tal. I begyndelsen kan pivottabeller være forvirrende at arbejde med, fordi, de er så fleksible og dynamiske. Men når det først, man har knækket koden, er der næsten ingen ende på, hvor nyttige de kan blive. Pivottabeller er fleksible og yderst dynamiske og egner sig derfor til eksplorative dataanalyser, hvor forskellige dimensioner i data aggregeres på kryds og tværs ved blot at flytte rundt på række-, kolonne- og datafelter. Men denne fleksibilitet gør samtidig pivottabeller sårbare for utilsigtede ændringer, ligesom det kan være vanskeligt for andre end pivottabellens skaber at gennemskue indholdet. Pivottabeller har også den ulempe (endnu), at de ikke bliver opdateret automatisk, når der sker ændringer i grunddata fx når der tilføjes nye rækker. Lige på dette punkt er pivottabeller altså statiske IF-funktioner Et alternativ til pivottabeller er at aggregere data ved hjælp af formler, som udfører beregninger på rækker, som opfylder visse kriterer. Figur 3.8 viser et eksempel på aggregering med SUMIF-funktionen, som summerer antallet af patienter per uge. Formlen i B2 beregner antallet af tjekkede patienter fra datatabellen, hvor ugen svarer til ugen i kolonne A med de aggregerede data: =SUMIF( Tryksår, data.$e$2:$e$169;$a2; Tryksår, data.c$2:c$169)

44 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 43 Figur 3.8: Datatabel: patientskader Bemærk den kreative anvendelse af absolutte og relative referencer i formlen, som betyder, at formlen kan kopieres direkte fra celle B2 til hele området B2:C25. Kolonne C og D indeholder formler til beregning af de afledte variable, andel og median, som skal indgå i seriediagrammet. Svarende til SUMIF findes COUNTIF og AVERAGEIF til beregning af hhv. antal og gennemsnit for hver gruppe. IF-funktionerne skal fodres med tre argumenter. Det første argument er en reference til kriterieområdet, i dette tilfælde ugen i kolonne E i grunddata. Det andet argument er kriteriet, i dette tilfælde ugen i kolonne A i aggregattabellen. Det tredje argument er dataområdet, som skal indgå i beregningen, i dette tilfælde kolonne C i grunddata. At blive fortrolig med aggregatfunktioner kræver erfaringsmæssigt en del træning. Men til løbende indikatormålinger, hvor data opdateres hyppigt, er de langt mere brugervenlige end pivottabeller. De kan bringes til at opdatere aggregerede data og grafer automatisk uden, at brugeren skal foretage sig andet end at indtaste nye data i grunddatatabellen. 3.6 Seriediagrammer med regneark De aggregerede data kan nu benyttes som grundlag for et seriediagram. Har man de aggregerede data i en pivottabel, er det en god ide at kopiere indholdet til et tomt faneblad og lave sit diagram der. Skærmbilledet viser fanebladet med kolonne A, B og C, som er kopieret fra pivottabellen. Der er oprettet to afledte

45 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 44 variable, andel tjekkede patienter i kolonne D og median i kolonne E. Andelen er udregnet ved at dividere C med B, fx D2=C2/B2, og kopiere formlen til alle felterne i D2:D25. Medianen udregnes som medianen af alle andelene i kolonne D, fx E2=MEDIAN(D$2:D$25). Figur 3.9: Seriediagram Bemærk, at denne formel, ved hjælp af dollartegn, indeholder en statisk reference til D$2:D$25. På denne måde undgår man, at referencen rykker, når formlen kopieres ned i de øvrige felter i kolonnen. Seriediagrammet er tegnet ved at markere kolonnerne A, D og E, indsætte diagram, vælge kurvediagram med kolonne A som etiketter på x-aksen og D og E som kurver. Herefter er diagrammets udseende tilpasset, så medianen fremstår som en ret linje uden punktmarkører, y-aksen er formateret, så indikatoren præsenteres som procent, og der er tilføjet passende titler til diagram og akser.

46 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING Regnearksfunktioner Nyttige funktioner til afledte variable Funktion Input Formel Resultat Andel eller rate A2: 4 B2: 8 Median A2: 1 A3: 2 A4: 18 Gennemsnit A2: 1 A3: 2 A4: 18 Sprednig A2: 1 A3: 2 A4: 18 Antal celler som ikke er tomme Antal celler som indeholder tal Fra dato til første dag i ugen Fra dato til første dag i måneden Antal døgn mellem to datoer Antal timer mellem to tidspunkter Alt-eller-intet (returnerer 1, hvis alle inputfelter indeholder 1, =A2/B2 0,5 =MEDIAN(A2:A4) 2 =AVERAGE(A2:A4) 7 =STDEV(A2:A4) 9,5 A2: 1 A3: M A4: 18 =COUNTA(A2:A4) 3 A2: 1 =COUNT(A2:A4) 2 A3: M A4: 18 A2: =A2-WEEKDAY(A2;2) A2: =A2-DAY(A2) A2: B2: A2: :34 B2: :20 A2: 1 B2: 1 C2: 0 =B2-A2 4 =(B2-A2)*24 25,8 =ABS(AND(A2:C2)) 0 ellers 0) Bemærk, at alle formlerne i tabellen benytter relative cellereferencer. Man bør altid overveje, hvornår det er hensigtsmæssigt at benytte absolutte referencer og, i så fald, om man skal låse både kolonne- og rækkereferencen.

47 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING Udvalgte danske funktionsnavne: AVERAGE = MIDDEL AVERAGEIF = MIDDEL.HVIS COUNTA = TÆLV COUNT = TÆL COUNTIF = TÆL.HVIS SUM = SUM SUMIF = SUM.HVIS STDEV = STDAFV WEEKDAY = UGEDAG DAY = DAG AND = OG

48 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING Cases Patientskader Datatabellen indeholder data fra 17 månedlige Global Trigger Tool-review. Hver måned har sygehuset udtrukket 20 tilfældige indlæggelsesforløb til review, som omfatter en systematisk gennemgang af forløbet med identifikation af triggere og skader. Den interessante indikator er antal patientskader per 1000 sengedage. Hver række (post) indeholder data fra et indlæggelsesforløb. Skaderaten skal udregnes for hver måned ved at summere antallet af fundne skader, dividere med det samlede antal sengedage i månedens stikprøve og gange med Figur 3.10: Patientskader: Datatabel Datatabellen indeholder to beregnede felter, dage og måned. Dage er antallet af sengedage inklusiv både datoen for indlæggelse og udskrivelse. Måned er første dag i måneden for udskrivelsen. Den færdige pivottabel viser for hver måned antallet af indlæggelsesforløb og summen af hhv. triggere, skader og sengedage. Bemærk, at aggregeringsfunktionen for den første kolonne er COUNT, mens den for de øvrige kolonner er sum.

49 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 48 Figur 3.11: Patientskader: Pivottabel Herefter kopieres de relevante kolonner til et nyt ark, og skaderaten og medianen beregnes, før seriediagrammet tegnes. Figur 3.12: Patientskader: Seriediagram

50 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING Sikker kirurgi-tjekliste Datatabellen indeholder oplysninger om brug af WHOs sikker kirurgi-tjekliste i forbindelse med 680 operative indgreb. De tre elementer tjekind, timeout og tjekud er markeret med 1, hvis de er udført og 0, hvis de ikke er udført. Den beregnede variabel alletjek indeholder en formel, der giver 1 eller 0, afhængig af, om alle tre tjek er udført eller ej (fx: E2=ABS(AND(B2:D2)). Bemærk, at formlen indeholder to funktioner, den ene inden i den anden. AND() tjekker, om alle argumenterne er sande (dvs.=1). ABS() konverterer resultatet (SAND/FALSK) til et tal (1/0). Figur 3.13: Sikker kirurgi: Datatabel Pivottabellen aggregerer data per uge.

51 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 50 Figur 3.14: Sikker kirurgi: Pivottabel Seriediagrammet viser procent indgreb med alle tjek udført. Tilsvarende diagrammer kan med fordel laves for hvert af enkeltelementerne i sikker kirurgitjeklisten. Figur 3.15: Sikker kirurgi: Seriediagram

52 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING Indlæggelsestimer Dette eksempel viser, hvordan man kan udføre flere beregninger på et enkelt felt i en pivottabel. Figur 3.16: Indlæggelsestimer: Datatabel Datatabellen indeholder indlæggelses- og udskrivelsestidspunkt for 233 indlæggelsesforløb samt to beregnede felter, uge og indlæggelsestimer. Feltet uge indeholder en formel, der omregner udskrivelsestidspunktet til første dag (mandag) i ugen (fx: D2=C2-WEEKDAY(C2;2)+1-MOD(C2;1)). Feltet indlæggelsestimer er differencen mellem ind- og udtidspunkterne ganget med 24 (fx: E2=(C2-B2)*24). Opgaven er nu for hver uge at beregne antallet af indlæggelsesforløb i stikprøven, den gennemsnitlige indlæggelsestid og spredningen på indlæggelsestiden. Under opsætning af pivottabellen vælger man, som altid, grupperingsvariablen som rækkefelt, men denne gang vælger vi det samme talfelt tre gange med forskellige aggregatfunktioner til hhv. antal, gennemsnit og spredning.

53 KAPITEL 3. DATAINDSAMLING OG -BEHANDLING 52 Figur 3.17: Indlæggelsestimer: Genbrug af datafelt med forskellige aggregatfunktioner Figur 3.18: Indlæggelsestimer: Den færdige pivottabel