Tabeller som den nedenfor diskuteres hyppigt på danske sygehus. Tabellen viser, hvor god sygehuset er til at leve op til nogle fastlagte standarder, i dette tilfælde, hvor stor en del af patienterne med bestemte sygdomme som modtager behandling inden for de tidsgrænser, Sundhedsstyrelsen har fastsat. Sygehuset har besluttet, at det er tilfredsstillende, hvis mindst 75% af forløbene er inden for grænsen, og at 60% eller færre er utilfredsstillende – grøn, gul, rød.

Forløbstider i tabel

Man kan mene meget om tabellens design – mørk tekst på mørk baggrund og hele seks datakolonner med overskrifter i tre niveauer til at præsentere budskabet – men det er brugen af grøn, gul og rød som markør for ugens målopfyldelse, der udgør det egentlige problem.

Hensigten er ellers god nok. Farvekoderne skal hjælpe os til at skelne det særlige fra det almindelige. Medmindre man tilhører de 5-8% af befolkningen som er rød-grøn farveblinde, drages ens blik mod de røde prikker, som markerer utilfredsstillende målopfyldelse. Og når en uge går i rødt, får vi en ubændig trang til at gøre noget – noget andet end, hvis ugen var grøn eller gul.

Desværre er grøn-gul-rød-strategien ikke bare nytteløs, den er potentielt skadelig. W. Edwards Deming kaldte fænomenet tampering1. Det er, når man løbende skifter strategi på baggrund af tilfældige måleudsving i en ellers stabil proces. I praksis medfører tampering større variation og dermed dårligere kvalitet. Det svarer til at gå på slankekur på dage, hvor vægten tilfældigvis er “for høj” og spise igennem på dage, hvor vægten er “passende”.

Med mit kendskab til det danske sundhedsvæsen foregår tampering mange steder ved, at medarbejdere med ansvar for ugens røde tal, skal forklare deres dårlige målopfyldelse og præsentere en plan for genopretning. Resultatet er, at strategierne bogstaveligt talt skifter, som vinden blæser. Hver uge sin strategi. Heldigvis – turde man næsten sige – er det danske sundhedsvæsen så forandringsresistent, at de skiftende strategier sjældent når at udøve deres skadevirkning, før fokus og strategi igen skifter. Desværre betyder det også, at sundhedsvæsenet snyder sig selv for ellers oplagte muligheder for forbedring.

Der findes nemlig et konstruktivt alternativ til grøn-gul-rød-strategien. Det kaldes statistisk processtyring eller SPC (statistical process control) og forudsætte, at man lærer sig at skelne mellem almindelig og tilfældig variation og udnytter denne viden i virksomme langtidsstrategier, som med udgangspunkt i variationstypen søger først at stabilisere processen og dernæst at forbedre niveauet.

Almindelig variation

Særlig variation

Det er vigtigt at understrege, at hverken almindelig eller særlig variation i sig selv er godt eller skidt. En stabil proces kan fungere på utilfredsstillende lavt niveau; og en ustabil proces kan være det midlertidige resultat af tilsigtede forbedringer. Men evnen til at skelne det almindelige fra det særlige er afgørende for valget af forbedringsstrategi2.

Første skridt er at identificere og om muligt eliminere årsager til uønsket særlig variation. Næste skridt er at minimere den almindelige variation og at hæve niveauet. Dette kan kun lade sig gøre ved at optimere de nødvendige strukturer og arbejdsgange – ikke ved ris og ros givet på baggrund af tilfældige måleudsving.

Kontroldiagrammet til undsætning

Først placerer vi vores data i et kontroldiagram.

Hvis du ikke kan se figuren herunder, trænger du måske til en tidssvarende browser, fx Firefox eller Chrome.

Kontroldiagrammet indeholder samme information som tabellen ovenfor plus en hel del mere.

Kontroldiagrammets kurve viser data over tid. Den midterste vandrette linje viser gennemsnittet. De to kurver øverst og nederst kaldes kontrolgrænser og repræsenterer grænserne for den almindelige variation, der, som nævnt, altid forekommer og er en naturlig del af alle processer. Kontrolgrænserne beregnes ud fra den faktiske variation i den pågældende proces og er altså ikke noget, man selv bestemmer. Kontrolgrænser har således intet med hverken sikkerhedsgrænser eller specifikationsgrænser at gøre.

Fortolkningen af kontroldiagrammet er enkel. Hvis et eller flere datapunkter falder uden for kontrolgrænserne, tyder det på særlig variation, dvs. variation ud over den almindelige variation. Særlig variation repræsenterer forhold, som ikke er til stede i hele processen, fx udefrakommende påvirkninger af enkelte datapunkter eller vedvarende ændringer, som får processen til at flytte sig.

Kontroldiagrammet ovenfor viser særlig variation, idet et enkelt datapunkt ligger under den nedre kontrolgrænse. Det betyder, at behandlingstiderne varierer mere end, hvad der kan forklares ved tilfældigheder. Eller sagt på en anden måde: Der er flere konkurrerende processer på spil.

Bemærk også, at kontrolgrænserne bliver meget brede til sidst. Det skyldes, at de to sidste målepunkter kun indeholder få patienter (6 og 1). Usikkerheden bliver derfor stor. De to sidste målepunkter, som i tabellen fremstår med hhv. rød og grøn, er altså blot tilfældige måleudsving.

Næste skridt er at søge årsagerne til den særlige variation. Denne opgave kan kun løses af personer med kendskab til processen. Statistiske analyser kan hjælpe os men ikke løse opgaven alene.

Der kan være mange forklaringer på den særlige variation. Men med vores kendskab til sundhedsvæsenet kunne vi mistænke, at (en del af) årsagen skal findes i ferieperioden i ugerne 30-34 som synes at udgøre en afgrænset periode, som ligger særligt lavt på kurven.

Lad os se, hvad der sker, hvis vi opdeler processen i tre perioder før, under og efter sommerferien.

Nu forsvandt den særlige variation. Tilbage står tre tidsperioder med almindelige variation og hver deres gennemsnitsniveau. Det er nu tydeligt, at ferieperioden udgør noget særligt. I denne periode er behandlingstiderne under indflydelse af andre kræfter end uden for ferieperioden.

En nærliggende forklaring på afvigelsen kunne være, at nogle patienter ikke ønsker eller ikke har mulighed for at komme til behandling så hurtigt, som de ellers ville have gjort af den simple årsag, at de var på ferie, da diagnosen blev stillet eller indkaldelsen kom. Blot få dages forlængelse af et udredningsforløb kan bevirke, at behandlingstiden ikke kan overholdes.

Det er en smal sag at undersøge, om vores hypotese holder vand; og der kan i øvrigt være mange andre forklaringer. Men uanset, hvilke forklaringer vi når frem til, udgør ferieperioden noget særligt, og vi kan forvente, at samme fænomen vil dukke op til næste sommer. Det har vi nu mulighed for at forberede os på ved enten ved at udvikle strategier, som skal minimere forsinkelser af behandlingsforløb i ferieperioder, eller ved at acceptere, at der i disse perioder (efter patienternes eget ønske) går lidt længere tid end ellers.

Nu har vi håndteret den særlige variation. Så mangler vi at gøre noget ved den almindelige variation og at hæve det generelle kvalitetsniveau, så flere patienter kan blive behandlet til tiden.

For at løse den opgave, må vi studere behandlingsforløbene i den sidste, stabile periode nærmere. Formålet er at opnå kendskab til, hvilke strukturer og arbejdsgange, der har størst indflydelse på behandlingstiden, og som vi kan optimere.

Der indgår flere forskellige sygdomme og behandlinger i indikatoren. Det vil derfor være et fornuftigt første skridt at foretage en individuel analyse af hvert område. Den viden, som kommer ud af disse analyser, kan vi benytte til at prioritere og målrette indsatsen. Og hvis vi fortsætter med at følge data i et eller flere kontroldiagrammer, vil vi hurtigt opdage, om vores indsats virker ved at der opstår særlig variation i den ønskede retning.

Fortsætter vi derimod med at gøre, som vi plejer – grøn-gul-rød – kan vi være temmelig sikre på, at det går, som det plejer.

  1. W Edwards Deming (1975). On Probability As a Basis For Action. The American Statistician; 29(4)↩

  2. J Anhøj (2015). Kompendium i kvalitetsudvikling – Rammer og redskaber. Munksgaard, København↩