Ideen til håndbogen "Læge - kend din kvalitet" opstod på et møde i Lægeforeningen i 2018, hvor en gruppe læger underskrev et manifest, læger for Databaseret Kvalitetsudvikling.
Manifest, Læger for databaseret kvalitetsudvikling, Domus Medica 5. februar 2018
- Vi anvender data til at træffe beslutninger, for at forbedre kvaliteten af patientbehandlingen.
- Før vi anvender data, vil vi forstå, hvordan og med hvilket formål data er opstået, indsamlet, behandlet og analyseret.
- Vi anerkender, at data varierer, og at to målinger af det samme sjældent er ens. Nogle forskelle i data skyldes tilfældig variation. Andre forskelle skyldes grundlæggende forandringer i de strukturer og arbejdsgange, som har skabt data.
- Vi præsenterer data, så det er tydeligt, hvilke forskelle, som må tilskrives tilfældig variation og hvilke forskelle, som kan tilskrives ikke-tilfældige forandringer.
- Vi præsenterer data, så væsentlig information i grunddata bevares.
- Vi præsenterer data uden at tilføre information, som ikke har belæg i grunddata.
- Vi anerkender, at kvalitetsforbedring er undervejs, når data viser ikke-tilfældig variation i den ønskede retning som følge af bevidste og målrettede forandringer af strukturer og arbejdsgange.
- Vi anerkender, at kvalitetsforbedring er opnået, når data viser tilfældig variation på et bedre niveau end tidligere.
Underskrevet af:
Andreas Rudkøbing, Ann Lyngberg, Christian von Plessen, Henriette Lipczak, Jacob Anhøj, Jens Winther Jensen, Kristian Antonsen, Louise Rabøl, Mark Krasnik, Stig Ejdrup Andersen, Vibeke Rischel
Uddybning af de enkelte punkter:
Vi anvender data til at træffe beslutninger, for at forbedre kvaliteten af patientbehandlingen
Kvalitetsforbedring forudsætter forandring, men ikke alle forandringer medfører forbedring. Kun med data kan vi vide, om der er behov for forbedring; og kun med data kan vi vide, om de forandringer, vi skaber, medfører forbedring. Før vi anvender data, vil vi forstå, hvordan og med hvilket formål data er opstået, indsamlet, behandlet og analyseret.
Før vi anvender data, vil vi forstå, hvordan og med hvilket formål data er opstået, indsamlet, behandlet og analyseret
Data forstås kun i den kontekst, de er opstået. Her er fx nogle data: 0,108 M 182 blå 54. Isoleret set har disse data ingen mening. Først når de forbindes, placeres i kontekst og tilføres måleenheder og definitioner forstår vi, at de beskriver en 54-årig mand, som vejer 108 kg, er 182 cm høj og har blå øjne. Hvis data skal bruges som beslutningsgrundlag, må vi vide mere, fx hvornår data er indsamlet, og om vægten er stabil eller under forandring.
Vi anerkender, at data varierer, og at to målinger af det samme sjældent er ens
Nogle forskelle i data skyldes tilfældig variation. Andre forskelle skyldes grundlæggende forandringer i de strukturer og arbejdsgange, som har skabt data.
Det er lige så menneskeligt som forkert at tillægge enhver forskel i data selvstændig betydning. Hvis den gennemsnitlige ventetid på behandling på de ene sygehus er 12,7 og på det andet 14,3 dage, er det naturligt at fremhæve det første sygehus som det bedste. Men selv, hvis de to sygehuse var ens, hvad angår størrelse og patientsammensætning mv., er denne fortolkning meningsløs uden kendskab til den naturlige variation i data.
Kun hvis forskellen overstiger den naturlige, tilfældige variation, og kun hvis de to tal kommer af stabile processer, hvis niveau ikke har ændret sig væsentligt over længere tid, kan forskellen tillægges betydning. At sammenligne to måleværdier uden at forholde sig til datas naturlige variation, er lige så meningsløst, som at fremhæve den person, der kaster en mønt og får krone, for den, som får plat.
Vi præsenterer data, så det er tydeligt, hvilke forskelle, som må tilskrives tilfældig variation og hvilke forskelle, som kan tilskrives ikke-tilfældige forandringer
Datadrevne beslutninger forudsætter prædiktion, som igen forudsætter stabilitet. Kun processer, som alene udviser tilfældig variation, er stabile og dermed forudsigelige.
Derfor bør præsentation af data til kvalitetsudvikling begynde med, at data placeres i et kurvediagram, som viser datas udvikling over tid. Markante udsving og betydende tendenser er lette at identificere med det blotte øje. Objektive test for mindre tydelige tegn til ikke-tilfældig variation fås ved at placere data i serie- og/eller kontroldiagrammer.
Vi præsenterer data, så væsentlig information i grunddata bevares
Med ”væsentlig information” menes i denne sammenhæng først og fremmest den rækkefølge data er fremkommet i. Hvis fx sygeplejersken kalder lægen med følgende besked: ”patientens temperatur har været 37, 38, 39 og 40 grader”, vil lægen (forhåbentlig) tilse patienten. Hvis samme data blev præsenteret som ”temperaturen har været 38, 40, 39 og 37 grader”, er det ikke til at sige, hvordan lægen vil reagere. Sygeplejersken siger ikke noget forkert, men den information, der findes i målingernes rækkefølge er væk, hvilket gør prædiktion og dermed fornuftig beslutning umulig.
Kun når data kommer af en stabil proces, er rækkefølgen ligegyldig. Men for at afgøre, om processen er stabil, må man kende rækkefølgen.
Sygeplejersken i eksemplet kunne også vælge at præsentere et sammendrag af data: ”Patienten har en gennemsnitstemperatur på 38,5 grader.” Igen er oplysningen korrekt men uegnet som beslutningsgrundlag. Kun ved stabile processer er det meningsfuldt at aggregere data.
Vi præsenterer data uden at tilføre information, som ikke har belæg i grunddata
Kvalitetsdata bliver ofte præsenteret i form af trafiklys og rangordninger, som har til formål at gøre det let at overskue store datamængder og hurtigt udpege de ”gode”, de ”onde” og de ”grusomme”. Trafiklys og rangordninger kan være nyttige til netop dette formål, forudsat at man i analysen forholder sig til typen og størrelsen af variation i data.
Kun data, som kommer af stabile processer, lader sig meningsfuldt udtrykke i farvekoder. Og kun når forskelle mellem hver for sig stabile processer overstiger den tilfældige variation, er det meningsfuldt at rangordne data og erklære noget for bedre eller dårligere end noget andet.
Vi anerkender, at kvalitetsforbedring er undervejs, når data viser ikke-tilfældig variation i den ønskede retning som følge af bevidste og målrettede forandringer af strukturer og arbejdsgange
I en stabil proces vil i gennemsnit hver anden måling være ”bedre” eller ”dårligere” end den foregående, uden at dette kan tages til indtægt for, at processen som helhed er under forbedring eller forværring. Det er overordentlig udbredt i fx års- og kvartalsrapporter, at lade sådanne tilfældige udsving i data danne grundlag for håndfaste konklusioner og beslutninger om ændringer af strukturer og arbejdsgange. Denne praksis er skadelig og kaldes i fagsproget tampering. Konsekvenserne af tampering er øget variation og dermed dårligere kvalitet.
Kun når en proces som helhed viser ikke-tilfældig variation med en tydelig retning mod forbedring, kan man tillade sig at konkludere, at forbedring er undervejs. Og kun når denne forbedring sker i tidsmæssig relation til kendte, tilsigtede ændringer, kan forbedringen tilskrives disse.
Vi anerkender, at kvalitetsforbedring er opnået, når data viser tilfældig variation på et bedre niveau end tidligere
En anden udbredt kunstfejl er at tage en enkelt måling, som tilfældigt befinder sig på den ønskede side af en målsætning eller standard, til indtægt for, at målet nået. Den modsatte fejlslutning, at kvaliteten er utilfredsstillende blot fordi, en enkelt måling tilfældigvis befinder sig på den forkerte side, er lige så almindelig.
Et mål kan først siges at være opnået eller en standard overhold, når den stabile proces varierer tilfældigt på et tilfredsstillende gennemsnit og med en tilfredsstillende variationsbredde.
I den forbindelse er det vigtigt at være opmærksom på, at den tilfældige variationsbredde i indikatorer, som baserer sig på tælledata, alene afhænger af tællerens og en eventuel nævners størrelse. Et procenttal med 5 patienter i nævneren, vil helt naturligt svinge mere end et tal med 50 patienter i nævneren. Det er derfor i de fleste tilfælde nyttigt at benytte gennemsnitsniveauet over en længere stabil periode til at afgøre, om målet er nået og overholdt. Med data, som basere sig på måleværdier, fx ventetider, kan variationsbredden have selvstændig betydning, hvorfor det i disse tilfælde kan være nyttigt, også at inddrage denne i sin målformulering.