7 Introduktion til statistisk processtyring
Statistisk processtyring (eng.: Statistical Process Control, SPC) er en gren af den statistiske videnskab som bruges inden for kvalitetsudvikling til at forbedre produkter og tjenesteydelser. For at kunne erkende forbedringer (eller forværringer) er det nødvendigt at kunne kvantificere den kvalitet, vi ønsker at forbedre. Det bruger vi indikatorer til. Som et tænkt eksempel kunne vi lade nogle patienter score deres eget behandlingsresultat på en visuel analog-skala fra -5 til 5, hvor værdier over 0 udtrykker en forbedring, og værdier under 0 udtrykker en forværring.
På grund af variation i utallige faktorer, som har betydning for resultatet, er indikatorværdien sjældent helt ens for to patienter. I nogle tilfælde kan forskelle i behandlingsresultater forklares ved særlige forhold, fx alternativ operationsteknik, konkurrerende sygdomme hos patienten eller defekt udstyr, forhold, som kan medvirke til at det går særligt godt eller skidt for en patient. Men i de fleste tilfælde er det ikke muligt entydigt at forklare de forskelle, vi observerer, med andet end naturlig variation.
Figur 7.1: Ændring i funktionsniveau efter operation
Figur 7.1 viser operationsresultatet fra 24 fiktive operationer. Prikkerne på kurven er afsat i den rækkefølge, patienterne blev opereret. Den vandrette streg markerer den mediane funktionsforbedring, som er 2, og selv om resultatet varierer fra patient til patient, ligger de fleste i nærheden af midtpunktet. Men patient nr. 20 skiller sig ud med en score på -2. En samvittighedsfuld kirurg vil straks spørge “hvorfor?”. Der kan være mange forklaringer, og langt fra alle handler om dårlig operationsteknik. Det væsentlige er at finde årsagen og så vidt muligt forhindre, at det sker igen.
Kvalitetsindikatorer knyttes ofte til kvalitetsstandarder, som udtrykker det ønskede eller forventede niveau for kvaliteten. Standarder kan være enkeltværdier, som udtrykker det lavest eller højest acceptable niveau, eller dobbeltværdier, som udtrykker et ønsket interval for en given indikator.
Det er en vigtigt overvejelse, som ofte glemmes, om en standard gælder enkeltmålinger eller aggregerede målinger. Hvis standarden gælder enkeltmålinger, tilstræber vi, at alle målinger ligger på den rigtige side af standarden. Hvis standarden gælder aggregerede målinger, er det tilstrækkeligt, at gennemsnittet eller medianen af alle målingerne ligger rigtigt. Hvis fx standarden for operationsresultatet fastsættes til 1.5, skal vi beslutte, om den kun er opfyldt, hvis alle patienter scorer over 1,5, eller om det er tilstrækkeligt, at den gennemsnitlige forbedring er over 1,5.
Det er også værd at overveje, om man skal stille krav til variationsbredden – altså, hvor meget må enkeltmålingerne afvige fra hinanden og fra gennemsnittet? De fleste vil nok foretrække så lidt variation som muligt så fx en Big Mac og en cola smager ens i Hangzhou og i Herning.
God kvalitet betyder derfor to ting: 1: at resultatet varierer mindst muligt og på en forudsigeligt måde, og 2: at resultatet lever op til de forventninger, der knyttes til det.
7.1 To slags variation
Hovedformålet med at analysere data over tid er at erkende væsentlige ændringer i de underliggende strukturer og processer, som skaber data, så vi kan handle fornuftigt.
Men selv om tallene ændrer sig, betyder det ikke nødvendigvis, at den underliggende proces har ændret sig. Og selv når processen ændrer sig, er det ikke altid, at tallene ændrer sig. I eksemplet vil de færreste være i tvivl om, at patient nr. 20 repræsenterer en afvigelse. Men ville vi også opfatte det som en afvigelse, hvis patient 20 havde scoret 0? Så hvordan skelner vi mellem tilfældige måleudsving og sikre forandringer?
Walther A. Shewhart, som grundlagde SPC, beskrev to slags variation: almindelig variation (common cause variation) og særlig variation (special cause variation) [10].
Almindelig variation
- kaldes også tilfældig variation eller støj,
- findes i alle processer,
- skyldes fænomener, som altid er til stede,
- karakteriserer en stabil og dermed forudsigelig proces.
Særlig variation
- kaldes også ikke-tilfældig variation eller signal,
- findes i nogle men ikke alle processer,
- skyldes fænomener, som ikke normalt er til stede i systemet,
- karakteriserer en ustabil og dermed uforudsigelig proces.
Evnen til at skelne de to typer variation fra hinanden er afgørende for valget af forbedringsstrategi. Er processen ustabil (= særlig variation), bør man søge at finde årsagen eller årsagerne til ustabiliteten og eliminere eller implementere disse alt efter, om afvigelserne går den forkerte eller rigtige vej. Målet er at stabilisere processen på det ønskede niveau.
Er processen derimod stabil (= almindelig variation), skal man spørge sig selv, om den er tilfredsstillende – opfylder den “kundens” (patientens, ledelsens, borgerens, samfundets osv.) behov og forventninger? Hvis det er tilfældet, er det vigtigt at beholde hænderne i lommen og undgå at pille ved processen, selv om målingerne tilfældigt går op og ned. Dette kaldes tampering og medfører øget variation. Er processen stabil men utilfredsstillende, er det nødvendigt med gennemgribende forandringer i de underliggende strukturer og arbejdsgange, som driver processen, for at flytte den til det ønskede niveau.
Tabel 7.1 viser de fire tilstande en proces kan befinde sig i og de tilhørende passende handlinger:
| Stabil proces | Ustabil proces | |
|---|---|---|
| Tilfredsstillende resultat | Alt i orden: kontrollér procesen | Procesproblemer: stabilisér procesen |
| Utilfredsstillende resultat | Produktproblemer: revidér procesen | Kaos: stabilisér og revidér procesen |
Om resultaterne er tilfredsstillende eller ej, må afgøres af mennesker, “kunderne” (patienterne, borgerne), som skal aftage produkterne. Men til at afgøre, om en proces er stabil eller ej kan vi få uvurderlig hjælp i Shewharts kontroldiagrammer, som er emnet for næste kapitel.