Att vårda en process mäta, räkna, rita Ett seminarium av Föreningen industriell statistik och SFK-StaM Den 7 November, 212 Uppföljning av vårdprocesser med sällsynta händelser Alexander Chakhunashvili, PhD Skaraborgs sjukhus och Center for Healthcare Improvement/Chalmers Sammanfattning Det genereras stora mängder data i olika hälso- och sjukvårdssystem. Mycket av det är diskretdata. I en del processer händer saker mer frekvent där användning av konventionella c-chart/u chart och p-chart/np-chart är fördelaktigt, medan i andra processer dröjer det ett bra tag till det händer någonting. Hur följer vi upp processer med sådana sällsynta händelser? Syftet med denna presentation är att visa några tillämplingar av styrdiagram (t. ex. g-chart och t-chart) framtagna i syfte för att övervaka processer med sällsynta händelser. 1
Agenda Kort om Skaraborgs sjukhus Statistisk processtyrning i hälso- och sjukvården (spridning via Six Sigma) Behov för uppföljning Processer med sällsynta händelser (rare events) g-chart och t-chart som populära val Illustration genom exempel Referenser Falköping Lidköping Mariestad Skövde 2
Ett 3-tal specialiteter Specialistsjukvård av hög kvalitet inom ett 3-tal olika specialiteter Fyra områden BK K MP SiL Barn- och kvinnosjukvård Kirurgi Medicin/Psykiatri Sjukhuset i Lidköping Vi tillgodoser behovet av specialiserad vård för regionens invånare - i vårt närområde (ca 26 ) Mer fakta om Skarabors sjukhus (211) Antal anställda ca 4 5 Antal vårdplatser... 741 Vårdtillfällen i sluten vård...ca 41 Antal besök i öppen vård..ca 354 4 Antal födda barn...2 377 Antal operationer...2 5 3
Exempel 1 Uppföljning av uretärskador på Kvinnokliniken, Skaraborgs sjukhus Skövde Bakgrund Ett FoU/förbättringsprojekt utfört av ST-läkare Åse Frisk på Kvinnokliniken, Skaraborgs sjukhus En rekommendation från Svensk Förening för Obstetrik och Gynekologi (SFOG-28) är att se över orsakerna till uretärskador vid en incidens* på mer än,5% En retrospektiv studie genom registerdata/journalgranskning (24-28) En uppföljningsstudie 2 år senare *Incidens definieras här som andelen nya fall av sjukdomen inom en viss population under en viss period. 4
Syfte Att kartlägga incidensen av uretärskador inom gynekologisk kirurgi på Skaraborgs sjukhus Skövde 24-28 för att se om vi ligger under eller över den rekommenderade gränsen samt identifiera lokala orsaker till uretärskador med förhoppning att kunna påverka dessa och, om möjligt, minska antalet uretärskador framöver. Resultat Incidensen totalt:,43% (8/1882) Incidens av uretärskador i de olika registersträngarna i Gynop-registret på Skaraborgs sjukhus - Skövde under åren 24-28 5
Hur följa upp detta? Uppföljning månadsvis MånadÅr Ant skador jan-4 1 feb-4 mar-4 apr-4 maj-4 jun-4 jul-4 aug-4... feb-11 mar-11 Antal skador 1,2 1,,8,6,4,2, jan-4 mar-4 jun-4 sep-4 dec-4 mar-5 Antal skador (uppföljning månadsvis) jun-5 sep-5 dec-5 mar-6 jun-6 sep-6 dec-6 mar-7 jun-7 sep-7 dec-7 MånadÅr mar-8 jun-8 sep-8 dec-8 mar-9 jun-9 sep-9 dec-9 mar-1 jun-1 sep-1 dec-1 mar-11 UCL=1,125 _ C=,114 LCL= apr-11 Diagrammet säger väl inte särskilt mycket 6
Uppföljning årsvis År Antal skador 24 1 25 26 2 27 2 28 3 29 2 21 211 Antal skador 5 4 3 2 1 Antal skador (uppföljning årsvis) UCL=4,64 _ C=1,25 LCL= 24 25 26 27 28 År 29 21 211 Kanske något bättre, men varför vänta ett helt år? Skadenr Datum t y MR y-hat S Ö-2s S Ö-3s S U-2s S U-3s Sö-2s Sö CL Su Su-2s Sk1 24-4-28 Sk2 26-6-22 785, 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 6,37 Sk3 26-12-4 165, 4,13 2,23838 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk4 27-6-28 26, 4,39,262446 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk5 27-7-31 33, 2,64 1,75443 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk6 28-5-6 28, 4,78 2,14197 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk7 28-7-3 58, 3,9 1,693438 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk8 28-11-6 126, 3,83,742464 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk9 29-4-7 152, 4,4,24852 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Sk1 29-11-4 211, 4,42,38489 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 UD* 211-4-7 519, 5,68 1,255157 4,34 6,44 7,49 2,23 1,18 816, 146,64 196,55 1,82 18,3 Tid mellan uretärskador (antal dagar) 2 175 15 125 1 75 5 25 t-chart (övervakning av incidens av uretärskador) Önskvärd riktning t Sö CL Su Styrgränserna på styrdiagrammet är plus/minus 3 sigma gränser. Sk1 Sk2 Sk3 Sk4 Sk5 Sk6 Sk7 Sk8 Sk9 Sk1 UD* Skada nr UD=Undersöknings dag 7
Exempel 2.1 Uppföljning av hjärtstopp på MAVA och KAVA Bakgrund Ett FoU/förbättringsprojekt utfört av ST-läkare Jana Bjarby på Kardiologkliniken, Skaraborgs sjukhus En retrospektiv studie (journalgranskning) på inneliggande patienter på Skaraborgs sjukhus i Skövde som fick oväntat hjärtstopp under 28 Hypotesen har varit att direkt kontakt med läkare vid sviktande vitalparameter minskar mortaliteten Eftersom antalet patienter som hade dokumenterade vitalparametrar vid hjärtstopp var relativt lågt kunde vi inte påvisa att sambandet var statistiskt signifikant Vi bestämde dock att fortsätta övervaka processen med hjälp av ett styrdiagram 8
Syfte Syftet med uppföljningen är att övervaka processen långsiktigt avseende hjärtstopp. Vi följer även upp tillståndsförsämring hos inneliggande patienter och mortalitet på MAVA (Medicinsk Akut Vårds Avdelning) och KAVA (Kirurgisk Akut Vårds Avdelning) Den sistnämnda uppföljningen gäller inte bara patienter med hjärtstopp utan alla övriga tillstånd. Hjärtstopp Datum t y MR y-hat S Ö-2s S Ö-3s S U-2s S U-3s Sö-2s Sö CL Su Su-2s HjS1 21-1-8 HjS2 21-3-29 8, 3,38 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS3 21-7-6 99, 3,58,258 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS4 21-8-9 34, 2,66,92 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS5 21-8-17 8, 1,78,881 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS6 21-8-24 7, 1,72,649 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS7 21-9-1 17, 2,2,4797 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS8 211-8-18 342, 5,5 2,8584 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 HjS9 212-1-12 147, 4, 1,565 3,5 4,68 5,5 1,41,59 259,61 463,72 55,14,15 3,43 91,75,9238 4,83 244,5 Hjärtstopp på MAVA 5 45 Antal dagar mellan hjärtstopp 4 35 3 25 2 15 1 Önskvärd riktning t Sö CL Su 5 HjS1 HjS2 HjS3 HjS4 HjS5 HjS6 HjS7 HjS8 HjS9 Hjärtstopp nr 9
Hjärtstopp Datum t y MR y-hat S Ö-2s S Ö-3s S U-2s S U-3s Sö-2s Sö CL Su Su-2s HjS1 21-7-27 HjS2 21-8-12 16, 2,16 3,24 5,49 6,62,98, 46,57 92,5 68,54,,93 HjS3 21-1-2 51, 2,98,822 3,24 5,49 6,62,98, 46,57 92,5 68,54,,93 HjS4 21-11-2 31, 2,6,3848 3,24 5,49 6,62,98, 46,57 92,5 68,54,,93 HjS5 211-11-18 381, 5,21 2,6135 3,24 5,49 6,62,98, 46,57 92,5 68,54,,93 119,75 1,2728 32,67 381, Hjärtstopp på KAVA 1 9 Antal dagar mellan hjärtstopp 8 7 6 5 4 3 2 Önskvärd riktning t Sö CL Su 1 HjS1 HjS2 HjS3 HjS4 HjS5 Hjärtstopp nr Exempel 2.2 Uppföljning av avlidna patienter på MAVA och KAVA 1
Avlidna på MAVA (21-212) 7, 12 Antal dagar mellan dödsfall 6, 5, 4, 3, 2, 1,, C Chart of Antal - MAVA Avl 1 Avl 6 Avl 11 Avl 16 Avl 21 Avl 26 Avl 31 Avl 36 Avl 41 Avl 46 Avl 51 Avl 56 Avl 61 Avl 66 UCL=11,8 Fall nr 14 Önskvärd riktning Avl 71 Avl 76 Avl 81 Avl 86 Avl 91 Avl 97 Avl 12 Avl 17 Avl 112 Avl 117 Avl 122 C Chart of Antal by År - MAVA 21 211 212 t Sö CL Su 1 12 UCL=12,26 Antal dödsfall 8 6 4 _ C=4,63 Antal dödsfall 1 8 6 4 _ C=5,33 2 2 LCL= LCL= jan-1 feb-1 mar-1 apr-1 maj-1 jun-1 jul-1 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 feb-11 mar-11 apr-11 maj-11 Månad och År jun-11 jul-11 aug-11 sep-11 okt-11 nov-11 dec-11 jan-12 feb-12 mar-12 jan-1 feb-1 mar-1 apr-1 maj-1 jun-1 jul-1 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 feb-11 mar-11 apr-11 maj-11 jun-11 jul-11 Månad och År aug-11 sep-11 okt-11 nov-11 dec-11 jan-12 feb-12 mar-12 Avlidna på KAVA (21-212) 12, Antal dagar mellan dödsfall 1, 8, 6, 4, 2,, C Chart of Antal - KAVA Avl 1 Avl 6 Avl 11 Avl 16 Avl 21 Avl 26 Avl 31 Avl 36 Avl 41 Fall nr Önskvärd riktning Avl 46 Avl 51 Avl 56 Avl 61 Avl 66 Avl 71 Avl 76 t Sö CL Su C Chart of Antal by År - KAVA Antal dödsfall 9 8 7 6 5 4 3 UCL=8,58 _ C=2,926 Antal dödsfall 9 8 7 6 5 4 3 21 211 212 UCL=8,196 _ C=3 2 2 1 1 LCL= LCL= jan-1 feb-1 mar-1 feb-11 mar-11 Skaraborgs Månad Sjukhus och År apr-1 maj-1 jun-1 jul-1 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 apr-11 maj-11 jun-11 jul-11 aug-11 sep-11 okt-11 nov-11 dec-11 jan-12 feb-12 mar-12 jan-1 feb-1 mar-1 apr-1 maj-1 jun-1 jul-1 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 feb-11 mar-11 apr-11 maj-11 jun-11 jul-11 Månad och År aug-11 sep-11 okt-11 nov-11 dec-11 jan-12 feb-12 mar-12 11
Exempel 2.3 Uppföljning av patienter som flyttas från MAVA och KAVA pga försämrat tillstånd Från MAVA/KAVA till IVA pga försämrat tillstånd 6 12 11 Antal dagar mellan överföringar 5 4 3 2 1 FT1 FT5 FT9 FT13 Antal inskrivningar per månad (MAVA+KAVA) FT17 FT21 FT25 FT29 FT33 FT37 FT41 FT45 FT49 FT53 FT57 FT61 FT65 FT69 UCL=11,58 Fall nr 6 Önskvärd riktning FT73 FT77 FT81 FT85 FT89 FT93 FT97 FT11 FT15 FT19 FT113 FT117 FT121 FT125 FT129 FT133 t Sö CL Su MAVA och KAVA 1 5 Sample Count 9 8 7 6 5 4 3 _ C=4,93 Antal inskrivningar 4 3 2 1 2 1 jan-1 feb-1 mar-1 apr-1 maj-1 jun-1 jul-11 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 feb-11 mar-11 apr-11 maj-11 ÅrMånad jun-11 jul-1 aug-11 sep-11 okt-11 nov-11 dec-11 jan-12 feb-12 mar-12 LCL= jan-1 feb-1 mar-1 apr-1 maj-1 jun-1 MånadÅr jul-1 aug-1 sep-1 okt-1 nov-1 dec-1 jan-11 feb-11 mar-11 apr-11 maj-11 jun-11 jul-11 aug-11 sep-11 okt-11 nov-11 dec-11 MAVA KAVA Medel-MAVA Medel-KAVA jan-12 feb-12 mar-12 12
Exempel 3 Uppföljning av hjärtoperationsutfall på Miami Children s Hospital Realtidsövervakning på Miami Children s Hospital 13
En skärm-dunk Kan vi säga något om processen? Uppföljning mha ett g-chart g-chart 225 # of death-free cases between 2 175 15 125 1 75 5 25 1 2 3 4 5 6 7 8 9 1 1112 13 1415 16 1718 19 221 22 2324 25 2627 28 293 31 3233 Death case # # of death-free cases between UCL CL LCL 34 3536 37 3839 4 4142 43 4445 46 4748 49 551 52 5354 55 5657 58 596 14
Ett EWMA diagram EWMA chart,6,5,4,3 EWMA,2 EWMA UCL,1, 1 72 143 214 285 356 427 498 569 64 711 782 853 924 995 166 1137 128 1279 135 1421 1492 1563 1634 175 1776 1847 1918 1989 26 2131 222 2273 2344 2415 2486 2557 2628 2699 277 2841 -,1 -,2 Surgery # EWMA modell (Bernoulli process) Z i λ λ = Ui + ( 1 ) Zi 1 U i X i E( X i ) = σ ( X ) i E( X i ) = p 1 pˆ = n n X i i= 1 σ ( ) = p (1 p) X i λ UCL = + L λ =, 2 2 λ 15
Vad kan man lära sig av dessa exempel? g-chart och t-chart är bra på att visualisera data (mycket bättre än tick mark graph i alla fall), men det är inte helt lätt att använda diagrammen operativt. Undre styrgränsen (LCL) är ofta lika med noll eller ligger ganska nära noll, vilket försvårar tolkningen. Man kan tänka sig tillämpa olika varningssignaler, liksom de som tagits fram av Western Electric (1956). I så fall, hur kommer dessa varningssignaler (eller rättare sagt regler kring dessa) att se ut? Kan vara bra att fundera över syftet med uppföljning/övervakning: är det att detektera systematiska förändringar i processen (hitta urskiljbara orsaker till variation) eller kontrollera/verifiera om en intervention har gett önskvärd effekt? Ett EWMA eller CUSUM diagram kan vara bra komplement till g-chart eller/och t-chart. Fördelen med EWMA/CUSUM är att de är mer operativa (lätt att upprätta, har en tydlig övre styrgräns mm). Man får dock fundera kring diagramparametrar såsom L (styrgränsbredd) och λ (viktfaktor) för att sätta upp styrgränserna på en rimlig nivå och därmed erhålla en bra balans mellan Typ I och Typ II fel. Hur fungerar g-chart och t-chart? Lite teori bakom dessa styrdiagram 16
g-chart g står för geometric eftersom den geometriska fördelningen används som en underliggande modell. Tillämpas på diskreta data Den plottade storheten är antalet felfria fall mellan händelserna Det kan vara ett bra alternativ till p-chart, np-chart, c- chart eller u-chart när händelserna inte inträffar särskilt ofta Fungerar bra både när man vill upptäcka förändringar i en process och om man vill se om en förändring/intervention i processen har lett till en förbättring. Arbetsgång inklusive beräkning av styrgränser g = antalet felfria fall mellan händelserna (infektion, skada vid operation, hjärtinfarkt mm) CL = gˆ (medelvärdet av g) UCL = ĝ + 3 UCL = ĝ 3 ĝ (ĝ + 1) ĝ (ĝ + 1) För en snabb visuell analys är UCL ca 4 gånger CL Om LCL<, då finns det inte någon undre styrgräns för det mätetalet 17
t-chart t står för tid (time) om händelsefrekvensen kan beskrivas mha en Poisson modell då kommer t = tid mellan händelserna att vara Exponentiellt fördelad. Eftersom Exponentiellfördelning är en sned fördelning (och därmed försvårar tolkning av styrdiagrammet om vi plottar tiderna direkt på det) kan det vara bra att transformera den till en symetrisk Weibullfördelning. Tillämpas på kontinuerlig data (tider i form av dagar, timmar, minuter mm) Den plottade storheten är tid mellan händelserna Det kan vara ett bra alternativ till p-chart, np-chart, c-chart eller u- chart. Arbetsgång inklusive beräkning av styrgränser t = tid mellan händelserna Transformera t värdena till y = t Beräkna MR av y CL = ŷ (medelvärdet av y) UCL = ŷ + 2,66* MR LCL = ŷ - 2,66* MR,2777 Transformera styrgränserna tillbaka till tidsskala t = y Plotta originala t värdena med transformerade styrgränser och CL. LCL <, då finns det inte någon undre styrgräns för det mätetalet 3,6 18
Val av styrdiagram Alternativa val när händelserna inträffar sällan Kontinuerliga mätningar t-chart (tid mellan händelserna) Diskreta mätningar g-chart Antal felfria fall mellan händelserna Source: Montgomery 21 Referenser Kaminsky, F. C., Benneyan, J. C., Davis, R. D., & Burke, R. J. (1992). Statistical Control Charts Based on a Geometric Distribution. Journal of Quality Technology, 24:63-69. Benneyan, J. C., Lloyd, R. C. & Plsek, P. E. (23). Statistical Process Control as a Tool for Reseach and Healthcare Improvement. Quality and Safety in Health Care 12:458-464. Benneyan, J. C. (1998). Statistical Quality Control Methods in Infection Control and Hospital Epidemiology, Part II: Chart Use, Statistical Properties, and Research Issues. Infection Control and Hospital Epidemiology, 19:265-283. Benneyan, J. C. Design and Use of g-type of Control Charts for Industry and Healthcare: SPC Charts for Hospital Infections and Adverse Events. Available at http://www1.coe.neu.edu/~benneyan/papers/g_chart_overview/ Robert Lloyd, Tanya Verrall & Dylan Williams (29). Simplifying the Selection and Use of Statistical Process Control Methods. A tutorial session from International Forum on Quality and Safety in Health Care, Berlin ~ March 29, 29. Montgomery, D. C. (29). Introduction to Statistical Quality Control, Wiley, 6th Edition. Chakhunashvili, A. & Bergman, B. (26). An EWMA Solution to Detect Shifts in a Bernoulli Process in an Out-of-control Environment. Quality and Reliability Engineering International. 22:419-428. 19