Emne 10.2 — Kvalitetsforbedring og forbedringsvidenskab

Kvalitetsforbedring giver frontlinjeteams en disciplineret, datadrevet måde at gøre plejen målbart bedre gennem små test af forandring — og når I forbinder den med jeres digitale værktøjer, forvandler I dashboards og automatisering til motorer for løbende læring frem for statisk rapportering.

Hvorfor det er vigtigt i sundhed og pleje#

Kvalitetsforbedring (QI) er den dominerende forbedringsdisciplin i hele National Health Service (NHS) og store dele af global sundhed og pleje. Den undervises på hospitaler, er indlejret i morgenmøder på afdelingsniveau og forfægtes af nationale organer. Hvis I leder digital levering, arbejder I ikke ved siden af QI — I arbejder inde i et system, der allerede tænker i mål, målinger og test af forandring. At ignorere det sprog isolerer jeres team; at tale det flydende gør jeres digitale arbejde læseligt for klinikere, ledere og bestyrelser, der allerede stoler på det.

Den dybere grund betyder mere. I sundhed og pleje er variation i, hvordan arbejde udføres, ikke et kosmetisk problem. Uberettiget variation betyder, at nogle patienter venter længere, nogle modtager usikker pleje, og nogle udelukkes helt. Forbedringsvidenskab findes netop fordi gode intentioner og heroisk indsats ikke pålideligt producerer bedre resultater — systemer gør. En digital tjeneste, der barberer minutter af en klinisk arbejdsgang, lukker et sikkerhedshul eller fjerner et trin, der uforholdsmæssigt udelukker mennesker med lav digital selvtillid, udfører forbedringsarbejde, uanset om I kalder det det.

QI beskytter jer også mod en almindelig digital fejl: at levere en ændring og antage, at den virkede. Forbedringsvidenskab er bygget omkring én ydmygende indsigt — de fleste ændringer er ikke forbedringer, og I kan ikke se hvilke uden måling over tid. At adoptere den disciplin holder jeres team ærligt, holder jeres påstande forsvarlige over for bestyrelser og regulatorer og holder jeres brugere sikrere. Dette emne viser, hvordan I kører QI ordentligt, hvordan det adskiller sig fra projektlevering og forskning, og hvordan I smelter det sammen med de digitale værktøjer, I allerede ejer.

Kernebegreber#

Kvalitetsstyring i sundhed og pleje trækker på en afstamning, der løber fra industri til sengekant. Den intellektuelle rod er W. Edwards Demings arbejde, statistikeren, der underviste i, at kvalitet kommer af at forstå og reducere variation i systemer, ikke af at formane enkeltpersoner til at prøve hårdere. Demings tænkning, sammen med Walter Shewharts, producerede PDCA / Plan-Do-Study-Act-cyklussen — den iterative Plan-Do-Study-Act-løkke, der sidder i hjertet af moderne QI i sundhedsvæsenet.

De fleste NHS-teams kører PDSA inde i Model for Improvement, et rammeværk populariseret af Institute for Healthcare Improvement (IHI), der parrer cyklussen med tre spørgsmål: Hvad forsøger vi at opnå? Hvordan vil vi vide, at en ændring er en forbedring? Hvilken ændring kan vi foretage, der vil resultere i forbedring? Det første spørgsmål besvares med en målformulering (aim statement) (specifik, målbar, tidsbundet). Det tredje kortlægges ofte med et driverdiagram, der kobler jeres mål til de primære og sekundære drivere, I tror påvirker det, og derefter til konkrete forandringsidéer.

QI er et medlem af en familie af forbedringstilgange, der deler løbende forbedrings-filosofien. To søskende, I vil møde konstant, er Lean, udledt af Toyota Production System og fokuseret på at fjerne spild og forbedre flow, og Six Sigma, der bruger statistiske metoder til at reducere fejl og variation. I sundhedsvæsenet blandes disse ofte som "Lean Six Sigma".

Måling til forbedring støtter sig til at se data over tid frem for i øjebliksbilleder. De to arbejdsheste er løbediagrammet — observerede data plottet i tidsrækkefølge mod en median — og kontroldiagrammet, et løbediagram med statistisk udledte grænser, der understøtter statistisk proceskontrol (SPC). SPC lader jer skelne fællesårsagsvariation (det almindelige støj i et stabilt system) fra særårsagsvariation (et signal om, at noget reelt har ændret sig). I NHS undervises dette som "Making Data Count"-tilgangen.

Intet af dette virker uden psykologisk tryghed: den fælles overbevisning om, at folk kan rejse problemer, indrømme at en test fejlede og udfordre status quo uden at blive straffet. Forbedring er umulig, hvor personalet skjuler fejl, og det er forudsætningen for alt andet i dette emne.

Bedste praksis#

1. Start med en målformulering, ikke en løsning. Før I designer noget, skriv ned, hvad I forsøger at opnå, for hvem, med hvor meget og inden hvornår — for eksempel "reducer mediantiden fra henvisning til første digitale triagering fra 9 dage til 3 dage inden marts". Et numerisk, tidsbundet mål tvinger klarhed og giver jer noget at måle mod. Teams, der springer dette trin over, ender med at debattere funktioner frem for resultater og kan aldrig se, om de lykkedes. Det knytter direkte til emne 10.0 — Mål og nøgleresultater (OKR’er), men bemærk at et QI-mål er snævrere og mere testbart end et typisk mål.

2. Brug et driverdiagram til at blotlægge jeres forandringsteori. Kortlæg jeres mål til de primære drivere, der mest påvirker det, derefter til sekundære drivere, derefter til specifikke forandringsidéer. Det gør jeres antagelser synlige og debatterbare og forhindrer teams i at satse alt på en enkelt intervention. Det hjælper også med at sekvensere test: I kan angribe den mest løftestangsrige driver først. Hold diagrammet på væggen (fysisk eller virtuelt), og revidér det, efterhånden som I lærer — det er en levende hypotese, ikke et engangsartefakt.

3. Kør små, hurtige PDSA-cyklusser frem for big bang-lanceringer. Test en ændring på én klinik, én afdeling eller én kohorte, før I skalerer. Forudsig hvad der vil ske, kør testen, studér dataene mod jeres forudsigelse, og beslut, om I vil adoptere, tilpasse eller opgive. Små test reducerer risiko, bringer problemer frem tidligt og bygger den evidens og tillid, I har brug for til at sprede. Det er en fundamentalt anden rytme end en fastomfangs-projektplan, og det er, hvor digitale teams oftest må aflære vaner.

4. Mål over tid med løbediagrammer og SPC, ikke før-og-efter-øjebliksbilleder. Et enkelt par tal kan ikke fortælle jer, om en ændring forårsagede en forbedring, eller om I fangede tilfældig variation. Plot jeres mål som et løbe- eller kontroldiagram, så I kan se tendenser, skift og særårsagssignaler. Tag NHS’ "Making Data Count"-konventioner i brug, så jeres diagrammer er konsistente og læselige for andre. Denne disciplin beskytter jer også mod at kræve æren for støj, hvilket eroderer tillid hos bestyrelser og regulatorer.

5. Balancér jeres mål. Enhver forbedring har potentialet til at gøre noget andet værre. Ved siden af jeres resultatmål, følg procesmål (sker ændringen faktisk?) og balancerende mål (forringes noget som bivirkning — sikkerhed, personalets arbejdsbyrde, lighed i adgang?). Et digitalt triageværktøj, der øger gennemløbet, men i det stille udelukker mennesker uden smartphones, har ikke forbedret plejen. Balancerende mål er jeres tidlige varslingssystem netop for den slags skade.

6. Giv frontlinjeteams ægte tilladelse og kapabilitet til at forbedre. Forbedring pålagt oppefra og udført af et centralt team sætter sig sjældent. Invester i QI-uddannelse, coaching og beskyttet tid, så de mennesker, der udfører arbejdet, kan køre deres egne test. Byg infrastrukturen — et QI-fakultet, en målefunktion, tilgængelige data — som IHI og modne NHS-hospitaler beskriver som rygraden i et hospitalsdækkende program. Jeres digitale teams opgave er ofte at fjerne den data- og værktøjsfriktion, der forhindrer frontlinjeforbedring.

7. Design til spredning og bæredygtighed fra start. En engangsgevinst på én afdeling, der fordamper på seks måneder, er et almindeligt og demoraliserende udfald. Planlæg, hvordan en vellykket ændring vil blive standardiseret, indlejret i arbejdsgangen og overvåget, så den holder — og hvordan den vil sprede sig til sammenlignelige settinger uden blot at blive kopieret. Digitale værktøjer hjælper enormt her: automatisering og standarder kan låse en forbedret proces fast langt mere pålideligt end en lamineret plakat. Her møder QI emne 8.1 — Forandringsledelse.

8. Smelt QI sammen med jeres digitale data og dashboards. Forbedringsvidenskab sulter uden rettidige data, og det meste NHS-QI har historisk kørt på manuelt optalte stikprøver. Hvis jeres team kan fremskaffe næsten-realtids løbe- og SPC-diagrammer fra eksisterende systemer, forkorter I læringsløkken dramatisk. Behandl dashboards, automatiserede datapipelines og selvbetjeningsanalyse som forbedringsinfrastruktur, ikke blot rapportering. Det er et af de klareste, mest værdifulde bidrag, en digital funktion kan yde til klinisk kvalitet.

Spørgsmål at drøfte med dit team#

1. Kører vi kvalitetsforbedring, projektlevering eller forskning — og kender vi forskellen? Disse tre tilstande forveksles rutinemæssigt, og forvirringen er dyr. Projektlevering sigter mod at levere et defineret omfang til tiden og inden for budgettet; forskning sigter mod at producere generaliserbar viden med rigorøse kontroller og etisk godkendelse; QI sigter mod at gøre et lokalt system bedre gennem iterative små test af forandring. Måling til forbedring er bevidst lettere end måling til forskning — I vil have netop nok data til at vejlede næste cyklus, ikke et publicerbart studie. At anvende forskningsstringens på en QI-test lammer teamet; at anvende QI-uformalitet på noget, der reelt er forskning, risikerer etiske og sikkerhedsmæssige svigt. Tal om, hvor hvert af jeres nuværende initiativer reelt sidder, og om I har den rette styring for hver. At tage fejl her er en hyppig grund til, at digitalt forbedringsarbejde går i stå eller trækker uberettiget granskning.

2. Hvordan vil vi vide, at en ændring er en forbedring, og ikke blot støj eller ønsketænkning? Dette er det andet spørgsmål i Model for Improvement, og det er, hvor de fleste teams er svagest. Beslut nu, hvad jeres resultat-, proces- og balancerende mål er, hvor ofte I vil indsamle dem, og hvordan I vil vise dem over tid. Forpligt jer til løbediagrammer eller SPC før lancering, så I ikke fristes til bagefter at plukke en gunstig før-og-efter-sammenligning. Drøft, hvordan et "særårsagssignal" ville se ud for hvert mål, og hvem der har beføjelse til at kalde det. Vær ærlige om den ubehagelige konsekvens: I skal være villige til at se, at en ændring, I investerede i, ikke virkede. Knyt dette til emne 1.3 — Evidensbaserede beslutninger, fordi den samme intellektuelle ærlighed ligger under begge.

3. Har vores frontlinjeteams faktisk tilladelse, tid og data til at forbedre — eller kun pres for at levere? Forbedringskapabilitet er ikke en slogan; den kræver beskyttet tid, coaching, psykologisk tryghed og tilgængelige data. Spørg åbent, om personalet føler sig trygt ved at rapportere, at en test fejlede, eller forventer skyld. Spørg, om de data, de har brug for, ankommer i dage og uger frem for måneder, og om jeres digitale systemer hjælper eller hindrer. Overvej, om jeres organisation har reel QI-infrastruktur — et fakultet, en metode, en målefunktion — eller om forbedring afhænger af nogle få entusiaster. Drøft, hvad jeres digitale team kunne fjerne fra frontlinjens vej: manuel dataindsamling, skrøbelige regneark, forsinkede rapporter. Svaret afslører som regel mere om jeres kultur end om jeres teknologi, og det former direkte, hvad emne 10.4 — Synlighed for direktionen og øvrige ledere bør bringe frem for bestyrelsen.

4. Når en ændring virker, hvordan får vi den til at holde og sprede sig — og hvordan ved vi, at den ikke i det stille er gledet tilbage? Det mest demoraliserende QI-udfald er en ægte lokal gevinst, der falmer inden for måneder, når opmærksomheden flytter sig, og det næstmest demoraliserende er en succes, der aldrig spreder sig ud over den afdeling, der pionerede den. Drøft konkret, hvordan en bevist ændring vil blive standardiseret og indlejret — ideelt i selve værktøjet, gennem standarder og automatisering, frem for en lamineret plakat eller individuel velvilje, der forfalder. Beslut, hvem der ejer målet, efter forbedringsprojektet lukker, og om jeres løbe- eller SPC-diagram vil blive ved med at køre, så en tilbagegang viser sig som et særårsagssignal frem for en overraskelse et år senere. Tal om spredning som en bevidst tilpasningshandling, ikke kopiér-og-indsæt: hvad der virkede på én klinik, skal gentestes, ikke blot udrulles, i settinger med andet personale, andre patienter og andre systemer. Vær ærlige om, hvorvidt jeres organisation faktisk ressourcesætter bæredygtighed og spredning eller behandler "lukket" som "færdig". Her møder QI emne 8.1 — Forandringsledelse, og her er digitale standarder jeres stærkeste løftestang.

5. Indsnævrer eller udvider vores forbedringer ulighed — og ville vores balancerende mål faktisk fange det? Digitale forbedringer er særligt tilbøjelige til at løfte gennemsnittet, mens de efterlader nogle grupper, fordi de mennesker, en ny onlinevej betjener dårligst, ofte er de mindst synlige i aggregerede data. Beslut nu, om I vil opdele jeres mål efter de dimensioner, der betyder noget — alder, afsavn, sprog, digital selvtillid, handicap — frem for at rapportere ét overskriftstal, der kan skjule skade. Drøft, hvordan et lighedsbalancerende mål ser ud for netop denne ændring, og hvem der er ansvarlig for at handle, når det bevæger sig i den forkerte retning. Vær åbne om afvejningen: at opretholde en telefonvej ved siden af en selvhenvisningsformular koster penge og personale, og presset for at nedlægge den "gamle" kanal, når digitalt optag stiger, er netop, hvordan udelukkelse sniger sig ind. Et ærligt svar nævner de grupper, der er mest i risiko for denne ændring, angiver hvordan I ville opdage skade tidligt og forpligter sig til at holde den ikke-digitale vej åben, til dataene siger, at det er sikkert at ændre. Det knytter direkte til de lighedspligter, der er drøftet andetsteds i denne bog, og til jeres forpligtelser som offentlig tjeneste.

6. Hvad er vores digitale funktions specifikke, mest værdifulde bidrag til forbedring her — og hvor overbygger vi? Det er fristende for et digitalt team at besvare ethvert kvalitetsproblem med ny software, men det største bidrag er ofte at industrialisere måling: at omsætte manuelt optalte stikprøver til pålidelige, næsten-realtids løbe- og SPC-diagrammer fra levende systemer, så læringsløkken forkortes fra måneder til dage. Drøft, hvor automatiseret måling og fornuftige standarder reelt låser forbedring fast, versus hvor I ville overpolere et problem, en simpel procesændring allerede løste. Vær på vagt over for at genbygge et værktøj — onlineformularen i dette emnes eksempel — før driverdiagrammet har vist, at værktøjet faktisk er flaskehalsen. Spørg, om jeres indsats fjerner friktion fra frontlinjens forbedringsarbejde eller tilføjer et skinnende artefakt, ingen bad om. Det ærlige svar skelner de ét eller to træk, der målbart fremskynder læring, fra de funktioner, der blot ser ud som fremskridt, og holder jeres teams knappe kapacitet rettet mod den mest løftestangsrige driver.

I praksis: et eksempel fra sundhed og pleje#

Et Integrated Care Board (ICB) er bekymret over sin kommunale fysioterapitjeneste. Patienter henvist fra primærsektoren venter en median på 21 dage på første kontakt, klagerne stiger, og en ny online selvhenvisningsformular har ikke tydeligt hjulpet. Det digitale teams instinkt er at genbygge formularen. I stedet beslutter tjenestens kliniske leder og den digitale produktansvarlige at køre dette som et kvalitetsforbedringsprojekt.

De skriver en målformulering: reducer mediantiden fra henvisning til første meningsfulde kontakt fra 21 dage til 7 dage inden for fire måneder, uden at øge raten af udeblevne aftaler eller reducere adgangen for patienter, der ikke kan bruge onlineværktøjer. De bygger et driverdiagram. De primære drivere viser sig at være henvisningskvalitet, triagehastighed og aftaletilgængelighed — ikke, som først antaget, selve formularen. Den største flaskehals er triagering: henvisninger sidder i en fælles indbakke i dage, før en kliniker gennemgår dem.

De starter småt. I én PDSA-cyklus afprøver en enkelt fysioterapeut samme-dag-triagering for én lægepraksis’ henvisninger ved hjælp af en simpel digital arbejdsliste, teamet stiller op på en uge ud fra eksisterende data. De forudsiger, at triagetiden falder til under en dag; studiefasen bekræfter det og afslører en overraskelse — en tredjedel af henvisningerne mangler den information, der skal til for at triagere sikkert, hvilket tvinger omarbejde. Den næste cyklus tester en struktureret henvisningsskabelon. Hele vejen igennem fremskaffer det digitale team et løbediagram over daglige triagetider og et SPC-diagram over medianventetiden efter "Making Data Count"-konventioner, så hele tjenesten kan se fremskridt næsten i realtid frem for at vente på en månedlig rapport.

Afgørende følger de et balancerende mål: andelen af henvisninger, der ankommer pr. telefon versus onlineformularen, opdelt efter patientens alder og afsavn. Da onlineselvhenvisning stiger, bemærker de, at den ikke når ældre patienter i de mest dårligt stillede kvarterer, så de holder telefonvejen fuldt bemandet. Ved måned fire sidder medianventetiden stabilt på seks dage — et ægte skift på kontroldiagrammet, ikke en heldig måned — og forbedringen holder, fordi den strukturerede skabelon og triagearbejdslisten nu er standardarbejdsgangen, indlejret i værktøjet frem for afhængig af velvilje.

Sektorperspektiver#

Startup#

En sundhedsteknologisk startup har sjældent et formelt QI-program og har ikke brug for et — men kernedisciplinen er direkte anvendelig og ofte forsømt. Model for Improvement kortlægges naturligt til produkteksperimentering: en målformulering er en hypotese, en PDSA-cyklus er en byg-mål-lær-løkke, og balancerende mål værner mod den klassiske startupfejl at optimere én metrik, mens man i det stille skader klinisk sikkerhed eller lighed. Hovedrisikoen er hastighed uden måling over tid — at levere hurtigt og erklære sejr på en enkelt uges løft. Adoptér løbediagramtænkning tidligt; den er billig, og den gør jeres resultatpåstande troværdige over for de NHS-købere og kliniske partnere, I til sidst får brug for. Behandl psykologisk tryghed i jeres lille team som et konkurrenceaktiv: ærlig rapportering af fejlslagne test er, hvordan I undgår at bygge det forkerte i skala.

Lille virksomhed#

En etableret lille udbyder — en lægepraksis, et lokalt apotek, et plejehjem, en hjemmeplejeudbyder eller en enkelt klinik — har reelle patienter og løbende drift, men sjældent nogen dedikeret QI- eller analysekapabilitet, og kontanter er knappe. Den gode nyhed er, at Model for Improvement skalerer ærligt ned: en praksisleder og en kliniker kan skrive én målformulering, køre en lille PDSA-cyklus og holde et simpelt løbediagram på en tavle eller i et regneark uden at købe noget. Den disciplin, der skal beskyttes, er måling over tid — modstå trangen til at bedømme en ændring på sidste uges tal, og vælg to eller tre mål (herunder et balancerende mål som adgang for patienter, der ikke kan bruge onlineværktøjer), I faktisk kan indsamle inden for arbejdsdagen. Læn jer op ad det, jeres eksisterende kliniske system allerede registrerer, frem for at bygge skræddersyede dashboards, I ikke kan vedligeholde, og hvor en national tilgang som "Making Data Count" tilbyder gratis konventioner og skabeloner, adoptér dem frem for at genopfinde. Jeres begrænsning er ikke ambition, men tid, så hold test reelt små, og lad en bevist ændring blive standardarbejdsgangen, så den holder uden vedvarende indsats.

Stor virksomhed#

En stor udbyder eller leverandør har som regel en etableret QI-infrastruktur — et fakultet, uddannede coaches, en forbedringsmetode og en målefunktion — undertiden med hundredvis af samtidige projekter. Virksomhedsrisikoen er det modsatte af startuppens: bureaukratisk QI, der bliver et complianceritual, med driverdiagrammer produceret til styring frem for ægte test af forandring. Jeres digitale funktions mest værdifulde træk er at industrialisere måling til forbedring — automatiserede, pålidelige, næsten-realtids SPC-diagrammer fra levende systemer — så forbedringsteams holder op med at tælle i hånden og begynder at lære hurtigere. Værn mod virksomhedsvanen at forveksle et stort transformationsprogram med forbedring; de to kræver forskellig styring, som emne 5.2 — Programledet arbejde gør klart. Bæredygtighed og spredning er jeres sværeste problemer i skala, så invester i dem bevidst frem for at antage, at gode lokale resultater udbreder sig af sig selv.

Myndighed#

Nationale og regionale organer — NHS England, ICB’er, selvstændige statslige organer — former QI gennem metode, påbud og infrastruktur frem for ved selv at køre test. "Making Data Count"-programmet er en god model: en nationalt fremmet, konsistent tilgang til SPC, der hæver kvaliteten af forbedringssamtalen overalt. Risikoen på dette niveau er at forveksle præstationsstyring med forbedring — at pålægge mål og rangere organisationer efter topunktssammenligninger, hvilket SPC-tænkning specifikt advarer imod, fordi det forveksler støj med signal. Statens bedste bidrag er at bygge kapabilitet og fælles metode bredt, beskytte frontlinjens tilladelse til at forbedre og modstå fristelsen til at gøre hvert mål til en dom. Når I fastsætter nationale digitale standarder, indlejr konventioner for måling til forbedring, så forbedring, ikke blot assurance, bliver standardholdningen.

Typiske fejlmønstre#

• Løsningsfokus før et mål. At springe til "lad os bygge en ny app" uden et specifikt, målbart mål, så succes aldrig kan bedømmes, og indsatsen spredes over funktioner, ingen validerede.
• Før-og-efter-teater. At påberåbe forbedring ud fra to datapunkter, når et løbediagram ville afsløre almindelig variation. Det er den enkelt mest almindelige måde, teams narrer sig selv og deres bestyrelser på.
• Ingen balancerende mål. At forbedre gennemløb, mens man i det stille forværrer sikkerhed, personalets arbejdsbyrde eller lighed i adgang — en særlig fare for digitale værktøjer, der udelukker mennesker med lav digital selvtillid.
• QI klædt ud som projektledelse. At køre en fastomfangs-big bang-plan og kalde det QI, uden ægte test af forandring, uden PDSA og uden villighed til at tilpasse eller opgive.
• At forveksle forbedring med forskning eller præstationsstyring. At anvende forskningsstringens, der lammer hurtig læring, eller at bruge forbedringsdata som en ranglistes våben, der ødelægger psykologisk tryghed.
• Engangsgevinster, der fordamper. At fejre en lokal succes uden plan for at standardisere, indlejre, opretholde eller sprede den, så systemet i det stille falder tilbage inden for måneder.
• Central kontrol uden frontlinjetilladelse. At påbyde forbedring oppefra, mens personalet nægtes tid, tryghed og data til at køre egne test, hvilket garanterer overfladisk compliance.
• Datasult. At køre QI på manuelle, forsinkede, ubetroede data, når jeres digitale systemer kunne fremskaffe rettidige SPC-diagrammer, og dermed holde læringsløkken langt langsommere end nødvendigt.

Modenhedsmodel#

Tjekliste#

• Vi har skrevet en specifik, målbar, tidsbundet målformulering for denne forbedring.
• Vi har et driverdiagram, der gør vores forandringsteori eksplicit og revisibel.
• Vi har defineret resultat-, proces- og balancerende mål, herunder et lighedsbalancerende mål.
• Vi viser data over tid som løbediagrammer eller SPC-diagrammer efter "Making Data Count".
• Vi tester ændringer i små PDSA-cyklusser før skalering, med en forudsigelse for hver test.
• Vi er klare på, om dette er forbedring, projektlevering eller forskning, og styrer derefter.
• Frontlinjeteams har tilladelse, beskyttet tid og psykologisk tryghed til at køre deres egne test.
• Vores digitale systemer leverer rettidige, betroede data til forbedringsarbejdet, ikke forsinkede manuelle optællinger.
• Vi har en plan for at opretholde, standardisere og sprede enhver ændring, der viser sig at være en forbedring.
• Vi rapporterer forbedring til ledere med SPC-tænkning, ikke topunktssammenligninger.

Centrale kilder#

• NHS England — Making Data Count: SPC-ressourcer og -uddannelse til NHS.
• Institute for Healthcare Improvement (IHI) — Model for Improvement, PDSA og Science of Improvement-ressourcer.
• Langley, Moen, Nolan, Nolan, Norman & Provost — The Improvement Guide (2. udgave), grundteksten om Model for Improvement.
• The Health Foundation — Quality Improvement Made Simple og beslægtede evidensgennemgange om forbedring i sundhed og pleje.
• W. Edwards Deming — Out of the Crisis og System of Profound Knowledge.
• Amy C. Edmondson — The Fearless Organization, om psykologisk tryghed i teams.

Referencer#

1. PDCA — Wikipedia — https://en.wikipedia.org/wiki/PDCA
2. W. Edwards Deming — Wikipedia — https://en.wikipedia.org/wiki/W._Edwards_Deming
3. Quality management — Wikipedia — https://en.wikipedia.org/wiki/Quality_management
4. Continual improvement process — Wikipedia — https://en.wikipedia.org/wiki/Continual_improvement_process
5. Lean manufacturing — Wikipedia — https://en.wikipedia.org/wiki/Lean_manufacturing
6. Six Sigma — Wikipedia — https://en.wikipedia.org/wiki/Six_Sigma
7. Run chart — Wikipedia — https://en.wikipedia.org/wiki/Run_chart
8. Control chart — Wikipedia — https://en.wikipedia.org/wiki/Control_chart
9. Statistical process control — Wikipedia — https://en.wikipedia.org/wiki/Statistical_process_control
10. Psychological safety — Wikipedia — https://en.wikipedia.org/wiki/Psychological_safety
11. Making Data Count — NHS England — https://www.england.nhs.uk/publication/making-data-count/
12. Science of Improvement — Institute for Healthcare Improvement — https://www.ihi.org/resources/how-to-improve
13. The Improvement Guide — Langley, Moen, Nolan, Nolan, Norman & Provost, Jossey-Bass — https://www.wiley.com/en-us/The+Improvement+Guide%3A+A+Practical+Approach+to+Enhancing+Organizational+Performance%2C+2nd+Edition-p-9780470192412
14. Quality Improvement Made Simple — The Health Foundation — https://www.health.org.uk/publications/quality-improvement-made-simple