1 Data og indikatorer

Data er i sig selv sjældent interessante. Her er fx nogle data:

{58; M; nej; 182; blå; 0,1}

Først når vi betegner de enkelte dataelementer og udstyrer dem med enheder og sætter dem i sammenhæng, bliver data til information. Eksemplet kunne fx beskrive en 58-årig mand, som ikke ryger, er 182 cm høj, har blå øjne og vejer 0,1 ton. Når informationen danner grundlag for beslutning om konkrete handlinger, bliver information til viden. Data → Information → Viden.

Måske manden skulle spise lidt mindre og bevæge sig lidt mere. Til gengæld behøver han ikke holde op med at ryge.

Data kan groft opdeles i kategoriske og numeriske data:

1.1 Kategoriske data

Kategoriske data kaldes også for tælledata og beskriver data, som i udgangspunktet ikke kan placeres på en tallinje, fx {syg; rask}, {ryger; eks-ryger; aldrig-ryger}, {rød; grøn; blå}, {New York; London; Tølløse; Tokyo} osv.

Hvis der eksisterer en naturlig rangorden mellem kategorierne, kaldes data for ordinale, fx {lidt; mere; meget} eller sygdomsstadie {I; II; III} osv. Hvis ikke der findes en naturlig rangorden mellem kategorierne, kaldes data for nominale.

Hvis der kun findes to kategorier, fx {ja; nej}, {rask; syg} eller {sand; falsk}, kaldes data for binære, boolske eller logiske.

Kategoriske data kan tælles og dermed gøres numeriske og præsenteres som antal, andele (procenter) og rater, fx antal infektioner, procent patienter, som overlever mindst et år efter operation eller antal tryksår per 1000 sengedage.

1.2 Numeriske data

Numeriske data er data, som naturligt hører hjemme på en tallinje, og som man kan regne med.

Heltal – også kaldet diskrete tal – bruges om fænomener, som kun kan antage hele værdier, fx antal fødsler eller dødsfald. Heltal er udelelige. Fx giver det ikke mening at tale om halve eller kvarte fødsler og dødsfald.

Kommatal – også kaldet kontinuerte tal – er tal, som kan placeres hvor som helst på tallinjen – også imellem heltallene. Alt, hvad der kan måles og vejes og opgives med decimaler er kommatal, fx puls, blodtryk, højde, vægt, længde, koncentration, alder osv.

Dato-tidsangivelser er også numeriske. Computersystemer lagrer typisk datoer som heltal og dato-tid som kommatal, som angiver afstanden, fx i dage, til et givet udgangstidspunkt.

Man kan kende numeriske data på, at man kan regne med dem, fx at lægge sammen og trække fra. Dette gælder som nævnt også dato-tidsangivelser, hvor differencen mellem to tidspunkter kan angive fx alder eller ventetid til operation.

Dette gælder i sagens natur ikke for kategoriske data. Selv om fx post-, telefon, og cpr-numre præsenterer sig som tal, giver det ikke mening at lægge dem sammen eller trække dem fra hinanden.

I nogle tilfælde kan det give mening at oversætte ordinale data, fx patienttilfredshed på en fempunkt-skala eller eksamenskarakterer, til numeriske værdier, som meningsfuldt kan indgå i regneoperationer.

Tilsvarende kan numeriske data reduceres til kategoriske data ved at inddele dem i intervaller, fx alder i 10-års aldersgrupper eller kropsmasseindeks (BMI) i klasserne undervægtigtig, normalvægtig, overvægtig og fed. En hyppigt benyttet transformation af numeriske til kategoriske data er dikotomisering, hvor et tal oversættes til en logisk variabel afhængig af, om tallet befinder sig på den ene eller anden side af en grænseværdi. Dette ses fx ved ventetider, hvor man opdeler patientforløb i dem, som behandles til tiden og dem, der behandles for sent i forhold til en fastsat tidsgrænse. Tilsvarende kan parakliniske værdier klassificeres som enten normale eller abnorme.

1.3 Fra data til indikatorer

En indikator er en målbar variabel, der siger noget om kvaliteten af strukturer, processer eller produkter. En indikator er derfor 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. Ofte er det også nyttigt at udvikle en eller to såkaldte ulempeindikatorer, som belyser eventuelle utilsigtede og uønskede bivirkninger af indsatsen.

Er målet fx at reducere forekomsten af tryksår hos indlagte patienter, har man naturligvis brug for at tælle forekomsten af tryksår. Men det er mindst lige så vigtigt samtidig at opgøre, i hvilken grad de konkrete handlinger, man har indført mod tryksår, udføres i dagligdagen. Hvis man ønsker bedre resultater, må man forbedre sine processer.

Forekomsten af tryksår kan opgøres på mange måder: antal tryksår, antal patienter med tryksår, antal tryksår per 1.000 sengedage, procent patienter med tryksår, dage mellem nye tryksår osv. Hvilken type indikator, der egner sig bedst må man afgøre i det konkrete tilfælde. Hvis man samler data klogt, er det let sidenhen at opgøre data på forskellige måder. Mere om dette senere.

En indsats mod tryksår kunne fx omfatte, at 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 i henhold til instruks.
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. Dette er emnet for de næste to kapitler.

1.4 Data kort sagt

Data i sig selv er uinteressante. Men når data omsættes til kvalitetsindikatorer, som bruges til at træffe gode beslutninger, kan de være med til at gøre verden til et bedre sted at leve.

Data findes groft sagt i to former, kategoriske og numeriske data, som tjener det samme formål, men som skal behandles og analyseres forskelligt, før de kan blive til meningsfulde kvalitetsindikatorer.

Næste kapitel handler om, hvordan man med mindst muligt besvær og størst mulig fleksibilitet indsamler data.