Introduktion
På fødeafdelingerne i Herning og Holstebro besluttede læger og jordemødre at reducere risikoen for fødselslæsioner (analsfinkterruptur) hos de fødende kvinder. I løbet af indsatsen faldt forekomsten af læsioner fra ca. 7% til 3% [1].
Indsatsens omfattede implementering af allerede kendte og evidensbaserede tiltag til forebyggelse af fødselsskader snarere end udvikling af ny evidens på området, og projektet er et godt eksempel på og rummer alle de typiske elementer i et klassisk kvalitetsudviklingsprojekt:
Målsætning: Afdelingens læger og jordemødre besluttede i fællesskab, at stræbe mod en halvering af forekomsten af fødselslæsioner. Målsætningen blev anset for ambitiøs men realistisk.
Målinger: Man etablerede allerede inden projektstart løbende opsamling af nødvendige data til at opgøre ikke bare forekomsten af fødselslæsioner men også af, i hvor høj grad bestemte arbejdsgange og procedurer blev benyttet samt forekomsten af uønskede bivirkninger af de nye arbejdsgange.
Ændringer: Gennem litteraturstudier og dialog med andre fødeafdelinger besluttede man, hvilke ændringer i eksisterende procedurer og arbejdsgange, som ville være nødvendige for at skabe de ønskede forandringer og dermed bedre resultater.
Plan-Do-Study-Act: Undervejs i projektet planlage, afprøvede, evaluerede og tilpassede man løbende personalets ideer til implementering og fastholdelse af de nye arbejdsgange. Afprøvningerne handlede ikke om, hvad der skulle ændres men om, hvordan man rent praktisk kunne indpasse de nødvendige ændringer i eksisterende og nye arbejdsgange.
Ovenstående tre spørgsmål og PDSA-cyklussen udgør tilsammen forbedringsmodellen, som er en enkel og videnskabelig tilgang til kvalitetsudvikling. Forbedringsmodellen er særligt populær i sundhedsvæsenet – måske fordi den efterligner den kliniske beslutningsproces og gør aktiv brug af data i alle projektets faser [2].
På nogle afgørende punkter stiller vi særlige krav til data, som skal bruges til kvalitetsudvikling, i forhold til data til kontrol- eller forskningsformål.
Det gælder i særdeleshed for data til kvalitetsudvikling er, at de i høj grad stammer fra dynamiske processer, som foregår i tid og rum, og at vi kun i begrænset omfang har kontrol over de kræfter, som styrer processerne. Begrebet proces skal i denne sammenhæng forstås bredt som forbundne aktiviteter, som tilsammen frembringer et produkt eller en ydelse. En proces modtager input og afleverer output. I eksemplet kan forekomsten af fødselslæsioner opfattes som resultatet (output) en et kompliceret samspil mellem biologiske og anatomiske forhold og jordemoderpraksis ved forløsning af et barn (input).
For hurtigt at kunne identificere forandringer i de processer, vi arbejder med, er det nødvendigt at samle og analysere data hyppigt – dagligt, ugentligt eller, til nød, månedligt. Primitive før-efter-målinger er sjældent tilstrækkelige og kan være direkte misvisende. Det er også vigtigt at vide, at den enkelte værdi isoleret set sjældent har interesse. Det er det overordnede niveau og ikke mindst graden og typen af variation i data over tid, der er interessant.
Vi skelner mellem tilfældig og ikke-tilfældig variation i data over tid. Tilfældig variation er en del af alle processer og er altid til stede. En proces, som kun varierer tilfældigt, 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 forbedringer eller uønskede forværringer.
Det er ikke tilfældigt, at den gren af den statistiske videnskab, som er udviklet specifikt til kvalitetsudvikling kaldes statistisk processtyring (eng.: statistical process control, SPC). Kvalitetsudvikling forudsætter færdigheder i at styre processer. Og for at kunne styre processer må man forstå de kræfter, der driver dem. Det kan SPC hjælpe med.
SPC er denne bogs egentlige emne og optager bogens sidste del. Men vejen dertil går gennem kapitler om indsamling, behandling, beskrivelse og visualisering af data, som er vigtige forudsætninger, der – hvis de udføres godt – kan lette den efterfølgende SPC-analyse væsentligt, og – hvis de udføres dårligt – ligefrem kan føre til kvalitetsafvikling i stedet for kvalitetsudvikling.
Vi begynder blidt i næste kapitel med en introdukton til data og datatyper og lidt om, hvordan data kan omsættes til kvalitetsindikatorer.