11 SPC-cases
11.1 Case: Forebyggelse af Clostridium difficile-infektioner hos indlagte patienter
På Amager-Hvidovre Hospital besluttede man i efteråret 2014 på udvalgte afdelinger at afprøve profylaktisk anvendelse af gærsvampen Saccharomyces boulardii (fås i kapselform i helsekostbutikker) mod Clostridium difficile-infektion hos patienter i antibiotisk behandling [16]. Interventionen er velbeskrevet, så formålet var ikke at bevise effekten men at implementere en ny praksis og reducere risikoen for hospitalserhvervet C. difficile-infektion.
Figur 11.1 viser det månedlige antal C. difficile-infektioner på hele hospitalet 24 måneder inden iværksættelse af interventionen.
Figur 11.1: C. diff.-infektioner før intervention
Der er 19 brugbare observationer, længste serie er på 3 datapunkter (øvre grænse = 7), og kurven krydser medianen 8 gange (nedre grænse = 6). Diagrammet viser tilfældig variation omkring 19 tilfælde om måneden.
Fordi der er tilfældig variation, kan vi låse medianen og forlænge den ud i fremtiden. Medianen repræsenterer det forventede fremtidige niveau, hvis intet ændrer sig.
Interventionen begyndte i oktober 2014, og det er tydeligt, at der efterfølgende sker et skift i processen mod færre infektioner (Figur 11.2). Skiftet signaleres af både en usædvanlig lang serie på 15 datapunkter (øvre grænse = 8) og usædvanligt få kryds på 8 (nedre grænse = 11).
Figur 11.2: C. diff.-infektioner før og under intervention
Når processen skifter i den ønskede retning som resultat af en bevidst indsats kan det være meningsfuldt at opdele diagrammet i to perioder før og efter interventionen (Figur 11.3).
Figur 11.3: Seriediagram opdelt efter periode
Fordi begger perioder kun indeholder almindelig variation, kan det være nyttigt at benytte et kontroldiagram til at vise den nye proces’ naturlige grænser (Figur 11.4).
Figur 11.4: Opdelt kontroldiagram
Kontroldiagrammet viser, at infektionsraten er faldet fra i gennemsnit 19 til 7 tilfælde om måneden efter interventionen, at den nye proces er stabil og dermed forudsigelig, og at vi i fremtiden kan forvente mellem 0 og 15 tilfælde om måneden.
Selv om det er meget fristende at konkludere, at interventionen har medført en forbedring, skal man være yderst påpasselig med den slags påstande. Alt, vi ved, er, at forekomsten af C. difficile-infektioner er faldet efter, vi ændrede praksis. Hvis vi ønsker at bevise en kausal sammenhæng mellem en intervention og et resultat, må vi på anden vis føre bevis for sammenhængen, fx ved at lave et godt gammeldags kontrolleret, randomiseret forsøg eller ved at inddrage Bradford Hills kriterier i argumentationen (se kapitlet om publicering).
Formålet med løbende kvalitetsforbedring er ikke at bevise årsagssammenhænge men at forbedre kvaliteten. Det gør vi i dette tilfælde ved at implementere kendt viden i form af S. boulardii til forebyggelse af C. difficile-infektioner.
11.2 Case: Tid til grad 2-sectio
På fødeafdelingen på Hospitalsenhed Vest (Herning og Holstebro) arbejder man bl.a. med forløbstider ved akutte kejsersnit. Efter hvert kejsersnit noterer jordemoderen fødselstidspunkt, tidspunkt for ordination af kejsersnit samt i hvilken grad kejsersnittet var akut (grad 1-3). For hver akuthedsgrad er der en tidsgrænse, som man tilstræber overholdt for mindst 90% af kejsersnittene. For grad 2-kejsersnit er grænsen 30 minutter.
Fordi grunddata registreres for hvert enkelt kejsersnit, er det muligt at tilpasse sine opgørelser til forskellige målgrupper.
Hospitals- og regionsledelsen ønsker måske blot at vide, om standarden bliver overholdt, og om overholdelsen er stabil. P-diagrammet i Figur 11.5 viser, at 90% af kejsersnittene sker inden for tidsrammen, og at processen er stabil.
Figur 11.5: P-diagram
Afdelingens læger og jordemødre ønsker måske at kende den gennemsnitlige tid fra ordination af kejsersnit til fødsel. Det viser Xbar-diagrammet i Figur 11.6, hvor hvert målepunkt angiver den gennemsnitlige tid til kejsersnit i hver måned. Alle målepunkter ligger inden for kontrolgrænserne og omkring en gennemsnitstid på 23 minutter.
Figur 11.6: Xbar-diagram
Data til P- og Xbar-diagrammerne fås ved at aggregere grunddata per måned.
Forbedringsteamet, hvis opgave det er at skabe robuste processer og arbejdsgange som sikrer den enkelte fødende højst mulig kvalitet, har brug for flere detaljer. Dem finder de i et I-diagram over individuelle forløbstider, hvor hvert målepunkt er forløbstiden for ét enkelt kejsersnit (Figur 11.7). I-diagrammet har (naturligvis) det samme gennemsnit på 23 minutter som Xbar-diagrammer men viser tillige, at processen er ustabil på individniveau, idet enkelte kejsersnit tager usædvanligt lang eller kort tid. I-diagrammet viser også, at den nuværende proces ikke tillader 100%-gennemførsel inden for tidsgrænsen. Det fremgår ved, at øverste kontrolgrænse på 36 minutter er over tidsgrænsen på 30 minutter, som er angivet med den vandrette grønne streg.
Figur 11.7: I-diagram
Hvert diagram har sine styrker og svagheder, og de tre diagrammer viser tre sider af de samme data og besvarer i virkeligheden forskellige spørgsmål. Til administratorer og til offentligheden kan vi sige, at det går godt, vi overholder standarden og holder et stabilt niveau. Til os selv kan vi sige, at der er plads til forbedring i form af stabilisering af individualle forløbstider. Hvis vi kan identificere årsagerne til de kejsersnit, som befinder sig uden for kontrolgrænserne og dermed skiller sig ud på den gode eller den dårlige måde, kan vi udover at stabilisere processen måske endda reducere den gennemsnitlige forløbstid.
Endelig kunne vagtplanlæggeren af hensyn til planlægning af den fremtidige bemanding i vagterne måske ønske at vide, om antallet af kejsersnit er stabilt og forudsigeligt fra måned til måned. Dette spørgsmål kan besvares med et C-diagram over det månedlige antal kejsersnit.
Figur 11.8: C-diagram
Figur 11.8 viser særlig variation i form af et skift med en usædvanligt lang serie på 9 datapunkter mod forventet højst 8 til sidst på kurven. Noget kunne altså tyde på, at der er begyndt at komme færre kejsersnit. Dette bør undersøges nærmere. Der kan være mange forklaringer. En forklaring kunne være, at faldet skyldes bevidste tiltag for at reducere hyppigheden af kejsersnit. Dette ville formentlig være en positiv udvikling. Det kunne også være, at man af den ene eller anden grund var begyndt at foretage flere elektrive kejsersnit og dermed færre akutte, eller at fødselstallet simpelthen var faldet. Jeg vil overlade det til fagfolk med godt lokalkendskab at afgøre, om skiftet er ønsket, uønsket eller ligegyldigt. Uanset hvad, vil det være fornuftigt at lede efter en forklaring.
11.3 Case: Sjældne kirurgiske infektioner
Vi kalder det sjældne hændelser, når det, vi tæller, sker så sjældent, at vi ikke kan samle nok data til, at SPC-diagrammet giver mening. Det viser sig ved, at selv måneds- eller kvartalsopgørelser (for) ofte indeholder nul defekte(r).
“Sjælden” er et relativt begreb. På hospitalsniveau er hospitalsinfektioner sjældent sjældne – en om dagen på Rigshospitalet. Men den lille afdeling eller den enkelte læge oplever måske kun en enkelt eller slet ingen hospitalsinfektioner på et helt år.
I Figur 11.9 er medianen nul fordi, mere end halvdelen af målepunkterne er nul. Derfor giver det ikke mening, at lede efter lange serier og få kryds – der er kun én serie og ingen kryds.
Figur 11.9: Seriediagram med mange 0-værdier
P-diagrammet i Figur 11.10 er mere brugbart, men tallene er stadig så små og kontrolgrænserne derfor så brede, at det ville tage lang tid for os at opdage hvis infektionshyppigheden skulle ændre sig markant. Der skal ske en mangedobling af infektionsrisikoen, før kurven krydser den øvre kontrolgrænse. Og, fordi nedre kontrolgrænse er censureret ved nul, skal der gå mange måneder uden infektioner, før vi opdager en reduktion i infektionsrisikoen.
Figur 11.10: P-diagram med mange 0-værdier
Når hændelser bliver så sjældne, at de ikke kan opgøres meningsfuldt i passende tidsintervaller på x-aksen, kan man i mange tilfælde slippe af sted med at omdefinere indikatoren – vende den om så at sige – så man i stedet for at tælle antal hændelser per tidsenhed tæller tiden mellem hændelser. På afdelingen kan man fx tælle antal dage mellem nyopståede infektioner eller andre uønskede hændelser. Kirurgen vil måske tælle antal operationer mellem postoperative komplikationer. Og medicineren kan tælle, hvor mange patienter, der overlever et AMI mellem hvert AMI-relateret dødsfald.
Til disse typer indikatorer findes såkaldte T- og G-diagrammer. T for tid mellem hændelser (fx dage mellem infektioner) og G for ikke-defekte enheder mellem defekte enheder (fx operationer mellem komplikationer) [17].
G-diagrammet i Figur 11.11 viser, at der mediant går 156 operationer mellem, der opstår en infektion, og at en forbedring (= færre infektioner) vil vise sig den dag, der går op mod 1000 operationer mellem infektioner.
Figur 11.11: G-diagram
Bemærk, at fordi G-diagrammet baserer sig på antagelser om, at data følger den geometriske sandsynlighedsfordeling, som er stærkt asymmetrisk, bruger man som regel medianen som midtlinje. På den måde kan man stadig applicere test for lange serier og få kryds, som i sagens natur forudsætter at data er nogenlunde symmetrisk fordelt om midtlinjen.
Man skal være opmærksom på, at G-diagrammet sjældent har nogen nedre kontrolgrænse og derfor er uegnet til at opdage forværringer, som viser sig ved, at kurven går nedad.
I virkeligheden supplerer P- og G-digrammet hinanden, og man kan med fordel vise dem sammen. Det er min erfaring, at det er hip som hap, hvilket af de to, som først signalerer, når processen skifter.