Skip to main content

Kontrolkort - et nyttigt, grafisk redskab til analyse af processers variation over tid

Overlæge Stig Ejdrup Andersen & overlæge Johan Kjærgaard Bispebjerg Hospital, Klinisk Farmakologisk Enhed

6. mar. 2009
9 min.


Kontrolkort er en for sundhedsvæsenet ny, grafisk metode til at analysere processers stokastiske variation over tid. Der er tale om redskaber, der tillader skelnen mellem den naturlige (tilfældige) variation og den variation, der er betinget af specielle årsager. Dermed er kontrolkort simple, brugervenlige redskaber til støtte for databaserede forbedringer af rutiner og kliniske arbejdsgange. Denne artikel beskriver de almindeligste kontrolkort og de vigtigste fortolkningsregler.

På de fleste hospitaler registreres indikatorer som antal stikuheld, ventetider, indlæggelsestider, genindlæggelsesprocent og mortalitet over tid. Data præsenteres i histogrammer og tabeller, og ofte sammenlignes seneste periode med den forrige. Men topunktssammenligninger tillader ikke at afgøre, om det er den ene eller anden periode, som er problematisk. Er indikatorværdierne fra de to perioder forskellige, kan det ikke afgøres, om forskellen skyldes en reel ændring eller blot tilfældig variation.

Naturlig eller speciel variation?

Indikatorer kan imidlertid analyseres grafisk med metoder, der er udviklet til statistisk proceskontrol (SPC). Udgangspunktet for metoderne er, at alt arbejde er serier af forbundne processer, der inddrager mennesker, maskiner, metoder, materialer, målinger og miljø, og som altid varierer [1]. Følgelig skal forbedringer opnås gennem analyse og reduktion af procesvariation [2]. Statistisk proceskontrol er udviklet i industrien, men har de vist sig nyttig i sundhedssektoren [3-5].

Allerede 1920'erne konstruerede Walter A. Shewhart de første kontrolkort som et grafisk redskab til at overvåge og forbedre processer [6]. Kontrolkorts væsentligste styrke er, at det - i modsætning til Students t-test, ANOVA og andre konventionelle statistiske metoder - viser et dynamisk billede af processen og muliggør skelnen mellem naturlig (tilfældig) og speciel variation (engelsk: common cause og special cause variation ) [1]. Naturlig variation er stabil, forudsigelig og indbygget i processen. Speciel variation skyldes derimod udefrakommende faktorer og afvigelser fra den regelmæssige proces. Det er herunder væsentligt, at speciel variation også kan være følgen af, at intervention har haft den tiltænkte effekt.

Elementerne i et kontrolkort

Kontrolkort er grafer, som afbilder data over tid (Figur 1 ). Der er udviklet mange forskellige typer. Alle er baseret på statistisk teori, men alligevel er de lette at fremstille og fortolke. De fleste har samme format med tidsperioden (dage, måneder, kvartaler) på abscissen og indikatorværdien på ordinaten. Det kan f.eks. være procenten af patienter med postoperative infektioner, ventetid i dage eller antal fald pr. 100 sengedage. Data for hver periode plottes som forbundne punkter, og tre horisontale linjer, kaldet centerlinjen (CL) samt øvre og nedre kontrolgrænse (UCL og LCL), definerer henholdsvis den centrale tendens og grænserne for processens naturlige, indbyggede variation. Kontrolgrænserne beregnes på baggrund af datas sandsynlighedsfordeling, f.eks. normal-, binomial- eller Poissonfordelingen. Traditionelt og empirisk vælges kontrolgrænser, der ligger tre standardafvigelser (tre sigma) fra centrallinjen, hvorved der opnås en rimelig balance mellem risiko for type I- og II-fejl [3]. Således vil 99,73% af alle normalfordelte datapunkter fra en proces i statistisk kontrol falde imellem kontrolgrænserne.

Kontrolkort inddeles i seks zoner, tre på hver side af CL, som betegnes A, B og C. C-zonerne ligger tættest på CL, mens A-zonerne er tættest på UCL henholdsvis LCL.

Forskellige kontrolkort - samme fortolkningsregler

De forskellige kontrolkort fortolkes efter samme principper. Som ved konventionel hypotesetestning fortolkes datapunkter uden for kontrolgrænserne som signifikant afvigende, og de er en indikation af, at processen ikke er stabil, men udviser speciel variation. Speciel variation viser sig også som særlige kurveforløb. Det gælder, når to af tre successive datapunkter på samme side af CL falder uden for zone B, når fire af fem successive datapunkter på samme side af CL falder uden for zone C, eller når otte successive datapunkter falder på samme side af CL [3]. Også syv konsekutivt stigende eller faldende datapunkter (seks hvis kontrolkortet har mindre end 21 datapunkter), 14 successive datapunkter, som skiftevis stiger og falder i et savtakmønster, samt 15 konsekutive datapunkter i C-zonerne tyder på speciel variation [3].

Kontrolkort kan relativt let konstrueres i et regneark eller et statistikprogram. Formler findes i standardværker om SPC [4, 5]. Ideelt kræves 20-30 uafhængige datapunkter [4, 7], som hver kan indeholde en eller flere observationer, f.eks. data fra ti journaler eller fra det antal patienter, der blev opereret i perioden. Færre end ca. 20 datapunkter øger risikoen for at overse speciel variation (type II-fejl), mens risikoen for at finde speciel variation, som skyldes tilfældigheder (type I-fejl), øges ved mere end ca. 30 datapunkter [8].



Valg af kontrolkort

Der eksisterer adskillige typer kontrolkort, men relativt få kan dække de fleste behov. Valget afgøres af den indikator, som skal analyseres (Tabel 1 ). Indikatorer, der er baseret på kontinuerte data, kan afbildes på tre forskellige kontrolkort, kaldet XbarS, XbarR og XmR (eller IR), der hver især består af to grafer. Diskrete data kan afbildes på fire forskellige kontrolkort, kaldet p, np, c eller u, som hver især består af en enkelt graf.

XbarS forudsætter mere end ti observationer pr. datapunkt og viser middelværdier og spredninger i hver sin graf. Begge er nødvendige, fordi både middelværdi og spredning kan komme ud af statistisk kontrol. Yderligere forudsætter beregningen af kontrolgrænserne for middelværdierne, at spredningen er i kontrol. XbarR vælges ved to til ti observationer pr. datapunkt, mens XmR kun kræver en enkelt observation pr. datapunkt. XbarR-kortet viser middelværdier samt spændvidder, mens XmR-kortet viser de observerede værdier og den bevægelige spændvidde (engelsk: moving range ), der er den numeriske forskel mellem to konsekutive datapunkter.

Til binomialt fordelte data vælges p eller np kontrolkort, som afbilder proportioner henholdsvis antal hændelser. Disse kort vælges til dikotome udfald, som kun kan indtræffe en gang pr. patient, f.eks. død, journaler med korrekt udfyldte CAVE-felter eller rettidigt afsendte epikri ser. Er stikprøvestørrelsen konstant fra måling til måling, vælges np-kort, ellers vælges p-kort.

Sjældne hændelser, som kan indtræffe mere end en gang pr. patient, kan afbildes på c eller u-kort, som er baseret på Poissonfordelingen. F.eks. kan stikuheld vises på et u-kort som antal stikuheld pr. 1.000 arbejdstimer, eller på et c-kort som antallet af stikuheld. Tilsvarende kan faldepisoder afbildes på et u-kort som antal fald pr. 100 sengedage, eller på et c-kort som antal fald. C-kort vælges, hvis antallet af arbejdstimer henholdsvis sengedage er konstant fra måling til måling, ellers vælges et u-kort.

Endelig kan meget sjældne hændelser afbildes på en særlig type kontrolkort, antal imellem eller g-kort [9]. Her afbildes f.eks. antal anæstesier imellem to dødsfald under anæstesi eller antal dage mellem to selvmord under indlæggelse.

To slags variation - to forbedringsstrategier

Kontrolkort beskriver entydigt, hvad en proces er i stand til at yde set i lyset af dens design og funktion [6]. Kortenes skelneevne giver mange anvendelsesmuligheder bl.a.: 1) grafisk analyse af stabiliteten og forudsigeligheden i en proces, 2) grafisk analyse og elimination af speciel variation i en statistisk ustabil proces, 3) grafisk analyse og reduktion af naturlig variation i en stabil proces, 4) evaluering af forbedringstiltag og 5) overvågning af stabile, optimerede processer mhp. hurtig bestemmelse af speciel variation, hvis den skulle indtræffe.

Forbedringsstrategier planlægges på baggrund af den grafiske analyse. Det første trin er at indkredse og eliminere årsager til de procesafvigelser, som giver speciel variation. Når processen er stabil og forudsigelig, kan mere fundamentale procesændringer iværksættes for at ændre niveauet eller mindske den naturlige variation [3]. Denne fremgangsmåde falder i tråd med udbredte kvalitetsstrategier, så som plan-do-study-act (PDSA).

Figur 1 viser data fra et psykiatrisk hospital, hvor et program for at nedbringe antipsykotisk polyfarmaci blev introduceret. For at monitorere effekten registreredes patienternes behandling med antipsykotiske lægemidler på udskrivelsestidspunktet. I Figur 1A sammenlignes det gennemsnitlige antal antipsykotiske lægemidler pr. patient før og efter introduktionen af programmet. Sammenligningen bygger på to tilfældige stikprøver med hver 75 patienter og Students t-test viser, at der ikke er statistisk forskel (p = 0,70). Da interventionen tilsyneladende har været virkningsløs, ville det næste logiske trin være at gøre en ekstra indsats for at forbedre processen og reducere brugen af antipsykotiske lægemidler. Dette vil imidlertid næppe have den ønskede virkning, for en grafisk analyse ved brug af et XbarS-kontrolkort (Figur 1B), der er tegnet på baggrund af 25 stikprøver med hver ti patienter, som er indsamlet over seks måneder, viser, at processen ikke er stabil. Den udviser speciel variation. Derfor bør det første tiltag være at indkredse og fjerne procesafvigelserne, før nye forbedringstiltag planlægges og sættes i værk [3]. Årsagerne til speciel variation kan søges i personalesammensætning og kvalifikationer, ændrede arbejdsmåder, apparaturfejl, ændret patientsammensætning, nye målemetoder og ændret arbejdsmiljø [1].

Kontrolkort er simple, brugervenlige redskaber til støtte for databaserede beslutninger. Metoden forudsætter, at data indsamles systematisk og planlagt [1, 3]. Hyppig indsamling af mindre stikprøver frem for en halvårlig indsamling af en større datamængder er ofte nødvendig [3]. Kontrolkortanalyser er ofte hurtigere at gennemføre og kræver en mindre datamængde end traditionel statistisk analyse [10]. Endvidere muliggør kontrolkort, at komplekse, flerstrengede interventioner analyseres under omstændigheder, som let kan generaliseres til den daglige klinik. Kontrolkort kan ikke erstatte kontrollerede kliniske undersøgelser. De bør især foretrækkes ved undersøgelser af veldefinerede, ikkekomplekse interventioner, og hvor der er risiko for, at effekten af konfoundere overstiger interventionseffekten [10].


Stig Ejdrup Andersen , Klinisk Farmakologisk Enhed, Bispebjerg Hospital, DK-2400 København NV. E-mail: Sea01@bbh.regionh.dk

Antaget: 23. september 2008

Interessekonflikter: Ingen




Summary

Summary Control charts - a useful graphical tool for the analysis of process variation over time Ugeskr Læger 2009;171(11):895-898 Most hospital work can be seen as linked processes. Designed to examine process performance, control charts allow distinction between two types of variation. While processes that exhibit special cause variation are unstable and should be improved by eliminating special causes, processes exhibiting only common cause variation are predictable and should be improved by fundamental redesign. Control charts are also key tools to monitor such intended changes. This paper provides an overview of the most common types of control charts and the most important interpretation rules.

Referencer

  1. Balestracci D. Data "sanity": Statistical thinking applied to everyday data. Special Publication 1998. Minnesota: Statistics Division, American Society for Quality, 1998.
  2. Britz G, Emerling D, Hare L et al. Statistical thinking. Special Publication 1996. Minnesota: Statistics Division, American Society for Quality, 1996.
  3. Carey RG, Lloyd RC. Measuring quality improvement in healthcare. Milwaukee, Wisconsin: American Society for Quality, 2001.
  4. Amin SG. Control charts 101: a guide to health care applications. Qual Manag Health Care 2001;9:1-27.
  5. Hart MK, Hart RF. Statistical process control for health care. Pacific Grove, CA, USA: Wadsworth Group, 2002.
  6. Benneyan JC, Lloyd RC, Plsek PE. Statistical process control as a tool for research and healthcare improvement. Qual Saf Health Care 2003;12:458-64.
  7. Benneyan JC. Use and interpretation of statistical quality control charts. Int J Qual Health Care 1998;10:69-73.
  8. Carey RG. How do you know that your care is improving? Part II: Using control charts to learn from your data. J Ambul Care Manage 2002;25:78-88.
  9. Benneyan JC. Number-between g-type statistical quality control charts for monitoring adverse events. Health Care Manag Sci 2001;4:305-18.
  10. Diaz M, Neuhauser D. Pasteur and parachutes: when statistical process control is better than a randomized controlled trial. Qual Saf Health Care 2005;14:140-3.