Tema 10.2 — Mejora de calidad y ciencia de la mejora

La mejora de calidad da a los equipos de primera línea una forma disciplinada y basada en datos de hacer que la atención sea medible mejor a través de pequeñas pruebas de cambio —y cuando la conectas a tus herramientas digitales, conviertes los paneles y la automatización en motores de aprendizaje continuo en lugar de reporte estático.

Por qué esto importa en la salud y la atención#

La mejora de calidad (QI) es la disciplina de mejora dominante a través del National Health Service (NHS) y gran parte de la salud y atención global. Se enseña en fideicomisos, se incorpora en las reuniones diarias a nivel de sala, y es defendida por organismos nacionales. Si lideras la entrega digital, no estás trabajando junto a QI —estás trabajando dentro de un sistema que ya piensa en objetivos, medidas, y pruebas de cambio. Ignorar ese lenguaje aísla a tu equipo; hablarlo con fluidez hace que tu trabajo digital sea legible para clínicos, gerentes, y juntas directivas que ya confían en él.

La razón más profunda importa más. En la salud y la atención, la variación en cómo se hace el trabajo no es un problema cosmético. La variación injustificada significa que algunos pacientes esperan más tiempo, algunos reciben atención insegura, y algunos son excluidos por completo. La ciencia de la mejora existe precisamente porque las buenas intenciones y el esfuerzo heroico no producen confiablemente mejores resultados —los sistemas sí. Un servicio digital que recorta minutos de un flujo de trabajo clínico, cierra una brecha de seguridad, o elimina un paso que excluye desproporcionadamente a personas con baja confianza digital está haciendo trabajo de mejora, lo llames así o no.

QI también te protege de un fallo digital común: enviar un cambio y asumir que funcionó. La ciencia de la mejora se construye alrededor de una única idea humillante —la mayoría de los cambios no son mejoras, y no puedes saber cuáles lo son sin medición a lo largo del tiempo. Adoptar esa disciplina mantiene a tu equipo honesto, mantiene tus afirmaciones defendibles ante juntas directivas y reguladores, y mantiene a tus usuarios más seguros. Este tema te muestra cómo ejecutar QI adecuadamente, cómo difiere de la entrega de proyectos y la investigación, y cómo fusionarlo con las herramientas digitales que ya posees.

Conceptos clave#

La gestión de calidad en la salud y la atención se basa en un linaje que va desde la manufactura hasta la cabecera del paciente. La raíz intelectual es el trabajo de W. Edwards Deming, el estadístico que enseñó que la calidad proviene de entender y reducir la variación en los sistemas, no de exhortar a los individuos a esforzarse más. El pensamiento de Deming, junto con el de Walter Shewhart, produjo el ciclo PDCA / Plan-Do-Study-Act —el bucle iterativo Planificar-Hacer-Estudiar-Actuar que se sitúa en el corazón de la QI sanitaria moderna.

La mayoría de los equipos del NHS ejecutan PDSA dentro del Modelo para la Mejora, un marco popularizado por el Institute for Healthcare Improvement (IHI) que empareja el ciclo con tres preguntas: ¿Qué estamos tratando de lograr? ¿Cómo sabremos que un cambio es una mejora? ¿Qué cambio podemos hacer que resulte en mejora? La primera pregunta se responde con una declaración de objetivo (específica, medible, con plazo definido). La tercera a menudo se mapea con un diagrama de impulsores, que vincula tu objetivo a los impulsores primarios y secundarios que crees que lo influyen, y luego a ideas de cambio concretas.

QI es un miembro de una familia de enfoques de mejora que comparten la filosofía del proceso de mejora continua. Dos hermanos que encontrarás constantemente son Lean, derivado del Sistema de Producción Toyota y enfocado en eliminar el desperdicio y mejorar el flujo, y Six Sigma, que usa métodos estadísticos para reducir defectos y variación. En la sanidad estos frecuentemente se combinan como "Lean Six Sigma".

La medición para la mejora depende de ver los datos a lo largo del tiempo en lugar de en instantáneas. Las dos herramientas de trabajo son el gráfico de ejecución —datos observados trazados en secuencia temporal contra una mediana— y el gráfico de control, un gráfico de ejecución con límites derivados estadísticamente, que sustenta el control estadístico de proceso (SPC). SPC te permite distinguir la variación de causa común (el ruido ordinario de un sistema estable) de la variación de causa especial (una señal de que algo ha cambiado genuinamente). En el NHS esto se enseña como el enfoque "Making Data Count".

Nada de esto funciona sin seguridad psicológica: la creencia compartida de que la gente puede plantear problemas, admitir que una prueba falló, y desafiar el statu quo sin ser castigada. La mejora es imposible donde el personal oculta defectos, y es la precondición para todo lo demás en este tema.

Buenas prácticas#

1. Comenzar con una declaración de objetivo, no una solución. Antes de diseñar nada, escribe qué estás tratando de lograr, para quién, en cuánto, y para cuándo —por ejemplo, "reducir el tiempo mediano desde la derivación hasta el primer triaje digital de 9 días a 3 días para marzo." Un objetivo numérico y con plazo definido fuerza la claridad y te da algo contra lo que medir. Los equipos que se saltan este paso terminan debatiendo funcionalidades en lugar de resultados, y nunca pueden saber si tuvieron éxito. Esto se conecta directamente al Tema 10.0 — Objetivos y resultados clave (OKR), pero nota que un objetivo de QI es más estrecho y más comprobable que un objetivo típico.

2. Usar un diagrama de impulsores para exponer tu teoría de cambio. Mapea tu objetivo a los impulsores primarios que más lo influyen, luego a impulsores secundarios, luego a ideas de cambio específicas. Esto hace tus suposiciones visibles y debatibles, y evita que los equipos apuesten todo a una única intervención. También te ayuda a secuenciar pruebas: puedes atacar primero el impulsor de mayor apalancamiento. Mantén el diagrama en la pared (física o virtual) y revísalo mientras aprendes —es una hipótesis viva, no un artefacto único.

3. Ejecutar ciclos PDSA pequeños y rápidos en lugar de lanzamientos de gran explosión. Prueba un cambio en una clínica, una sala, o un cohorte antes de escalar. Predice qué sucederá, ejecuta la prueba, estudia los datos contra tu predicción, y decide si adoptar, adaptar, o abandonar. Las pruebas pequeñas reducen el riesgo, sacan a la superficie problemas temprano, y construyen la evidencia y confianza que necesitas para difundir. Este es un ritmo fundamentalmente diferente de un plan de proyecto de alcance fijo, y es donde los equipos digitales más a menudo necesitan desaprender hábitos.

4. Medir a lo largo del tiempo con gráficos de ejecución y SPC, no instantáneas de antes y después. Un único par de números no puede decirte si un cambio causó una mejora o si capturaste variación aleatoria. Traza tu medida como un gráfico de ejecución o gráfico de control para que puedas ver tendencias, cambios, y señales de causa especial. Adopta las convenciones "Making Data Count" del NHS para que tus gráficos sean consistentes y legibles para otros. Esta disciplina también te protege de atribuirte el mérito del ruido, lo que erosiona la confianza con juntas directivas y reguladores.

5. Equilibrar tus medidas. Cada mejora tiene el potencial de empeorar otra cosa. Junto a tu medida de resultado, rastrea medidas de proceso (¿está realmente sucediendo el cambio?) y medidas de equilibrio (¿se está deteriorando algo como efecto secundario —seguridad, carga de trabajo del personal, equidad de acceso?). Una herramienta de triaje digital que acelera el rendimiento pero silenciosamente excluye a las personas sin smartphones no ha mejorado la atención. Las medidas de equilibrio son tu sistema de alerta temprana para exactamente este tipo de daño.

6. Dar a los equipos de primera línea permiso y capacidad genuinos para mejorar. La mejora que se ordena de arriba hacia abajo y se ejecuta por un equipo central rara vez perdura. Invierte en formación, entrenamiento, y tiempo protegido de QI para que la gente que hace el trabajo pueda ejecutar sus propias pruebas. Construye la infraestructura —una facultad de QI, una función de medición, datos accesibles— que el IHI y los fideicomisos maduros del NHS describen como la columna vertebral de un programa a nivel de fideicomiso. El trabajo de tu equipo digital a menudo es eliminar la fricción de datos y herramientas que impide la mejora de primera línea.

7. Diseñar para la difusión y sostenibilidad desde el principio. Una ganancia única en una sala que se evapora en seis meses es un resultado común y desmoralizador. Planifica cómo un cambio exitoso se estandarizará, se incorporará al flujo de trabajo, y se monitoreará para que perdure —y cómo se difundirá a entornos comparables sin simplemente copiar y pegar. Las herramientas digitales ayudan enormemente aquí: la automatización y los valores predeterminados pueden bloquear un proceso mejorado de forma mucho más confiable que un cartel plastificado. Aquí es donde QI se encuentra con el Tema 8.1 — Gestión del cambio.

8. Fusionar QI con tus datos y paneles digitales. La ciencia de la mejora se ve limitada sin datos oportunos, y la mayoría de la QI histórica del NHS se ejecutó sobre muestras contadas a mano. Si tu equipo puede sacar a la superficie gráficos de ejecución y gráficos SPC casi en tiempo real desde los sistemas existentes, acortas drásticamente el bucle de aprendizaje. Trata los paneles, las tuberías de datos automatizadas, y la analítica de autoservicio como infraestructura de mejora, no solo como reporte. Esta es una de las contribuciones más claras y de mayor valor que una función digital puede hacer a la calidad clínica.

Preguntas para debatir con tu equipo#

1. ¿Estamos ejecutando mejora de calidad, entrega de proyecto, o investigación —y sabemos la diferencia? Estos tres modos se confunden rutinariamente, y la confusión es costosa. La entrega de proyecto apunta a entregar un alcance definido a tiempo y dentro del presupuesto; la investigación apunta a producir conocimiento generalizable con controles rigurosos y aprobación ética; QI apunta a hacer un sistema local mejor a través de pequeñas pruebas iterativas de cambio. La medición para la mejora es deliberadamente más ligera que la medición para la investigación —quieres solo suficientes datos para guiar el próximo ciclo, no un estudio publicable. Aplicar rigor de nivel investigación a una prueba de QI paraliza al equipo; aplicar informalidad de QI a algo que realmente es investigación arriesga fallos éticos y de seguridad. Habla sobre dónde se sitúa genuinamente cada una de tus iniciativas actuales, y si tienes la gobernanza correcta para cada una. Equivocarse en esto es una razón frecuente por la que el trabajo de mejora digital se estanca o atrae escrutinio injustificado.

2. ¿Cómo sabremos que un cambio es una mejora, y no solo ruido o pensamiento ilusorio? Esta es la segunda pregunta del Modelo para la Mejora, y es donde la mayoría de los equipos son más débiles. Decide ahora cuáles son tus medidas de resultado, proceso, y equilibrio, con qué frecuencia las recopilarás, y cómo las mostrarás a lo largo del tiempo. Comprométete con gráficos de ejecución o SPC antes de lanzar, para que no te sientas tentado a seleccionar selectivamente una comparación favorable de antes y después después del hecho. Discute cómo se vería una "señal de causa especial" para cada medida, y quién está facultado para llamarla. Sé honesto sobre el corolario incómodo: debes estar dispuesto a ver que un cambio en el que invertiste no funcionó. Conecta esto con el Tema 1.3 — Decisiones basadas en evidencia, porque la misma honestidad intelectual sustenta ambos.

3. ¿Nuestros equipos de primera línea realmente tienen permiso, tiempo, y datos para mejorar —o solo presión para entregar? La capacidad de mejora no es un eslogan; requiere tiempo protegido, entrenamiento, seguridad psicológica, y datos accesibles. Pregunta con franqueza si el personal se siente seguro reportando que una prueba falló, o si espera culpa. Pregunta si los datos que necesitan llegan en días y semanas en lugar de meses, y si tus sistemas digitales ayudan u obstaculizan. Considera si tu organización tiene infraestructura genuina de QI —una facultad, un método, una función de medición— o si la mejora depende de unos pocos entusiastas. Discute qué podría eliminar tu equipo digital del camino de la primera línea: recopilación manual de datos, hojas de cálculo frágiles, informes retrasados. La respuesta usualmente revela más sobre tu cultura que sobre tu tecnología, y da forma directamente a lo que el Tema 10.4 — Visibilidad para el CEO y líderes senior debería mostrar a la junta directiva.

4. Cuando un cambio funciona, ¿cómo haremos que perdure y se difunda —y cómo sabremos que no ha revertido silenciosamente? El resultado de QI más desmoralizador es una ganancia local genuina que se desvanece en meses una vez que la atención se mueve a otra parte, y el segundo más desmoralizador es un éxito que nunca se difunde más allá de la sala que lo pionereó. Discute concretamente cómo un cambio probado se estandarizará y se incorporará —idealmente en la propia herramienta, a través de valores predeterminados y automatización, en lugar de un cartel plastificado o buena voluntad individual que decae. Decide quién es propietario de la medida después de que el proyecto de mejora se cierre, y si tu gráfico de ejecución o gráfico SPC seguirá funcionando para que una reversión aparezca como una señal de causa especial en lugar de una sorpresa un año después. Habla sobre la difusión como un acto deliberado de adaptación, no de copiar y pegar: lo que funcionó en una clínica debe volver a probarse, no simplemente implementarse, en entornos con diferente personal, pacientes, y sistemas. Sé honesto sobre si tu organización realmente proporciona recursos para la sostenibilidad y la difusión, o trata "cerrado" como "hecho". Aquí es donde QI se encuentra con el Tema 8.1 — Gestión del cambio, y donde los valores predeterminados digitales son tu palanca más fuerte.

5. ¿Nuestras mejoras están reduciendo o ampliando la desigualdad —y nuestras medidas de equilibrio realmente la detectarían? Las mejoras digitales son especialmente propensas a elevar el promedio mientras dejan atrás a algunos grupos, porque las personas a las que una nueva ruta en línea sirve peor a menudo son las menos visibles en los datos agregados. Decide ahora si desagregarás tus medidas por las dimensiones que importan —edad, privación, idioma, confianza digital, discapacidad— en lugar de reportar una única cifra titular que puede ocultar el daño. Discute cómo se ve una medida de equilibrio de equidad para este cambio específico, y quién es responsable de actuar cuando se mueve en la dirección equivocada. Sé franco sobre la compensación: mantener una ruta telefónica junto a un formulario de autoderivación cuesta dinero y personal, y la presión para desmantelar el canal "antiguo" una vez que la adopción digital sube es exactamente cómo se cuela la exclusión. Una respuesta honesta nombra los grupos con mayor riesgo para este cambio, declara cómo detectarías el daño temprano, y se compromete a mantener abierta la vía no digital hasta que los datos digan que es seguro cambiar. Esto se conecta directamente con los deberes de equidad discutidos en otras partes de este libro y con tus obligaciones como servicio público.

6. ¿Cuál es la contribución específica y de mayor valor de nuestra función digital a la mejora aquí —y dónde estamos sobreconstruyendo? Es tentador para un equipo digital responder a cada problema de calidad con nuevo software, pero la mayor contribución a menudo es industrializar la medición: convertir muestras contadas a mano en gráficos de ejecución y SPC confiables y casi en tiempo real extraídos de sistemas en vivo, para que el bucle de aprendizaje se acorte de meses a días. Discute dónde la medición automatizada y los valores predeterminados sensatos genuinamente bloquean la mejora, versus dónde estarías sobredorando un problema que un simple cambio de proceso ya resolvió. Ten cuidado de reconstruir una herramienta —el formulario en línea del ejemplo de este tema— antes de que el diagrama de impulsores haya mostrado que la herramienta es realmente el cuello de botella. Pregunta si tu esfuerzo está eliminando fricción del trabajo de mejora de la primera línea o añadiendo un artefacto llamativo que nadie pidió. La respuesta honesta distingue los uno o dos movimientos que aceleran mediblemente el aprendizaje de las funcionalidades que solo parecen progreso, y mantiene la escasa capacidad de tu equipo apuntando al impulsor de mayor apalancamiento.

En la práctica: un ejemplo de salud y atención#

Una junta de atención integrada (ICB) está preocupada por su servicio de fisioterapia comunitaria. Los pacientes derivados desde atención primaria esperan una mediana de 21 días para el primer contacto, las quejas están aumentando, y un nuevo formulario de autoderivación en línea no ha ayudado obviamente. El instinto del equipo digital es reconstruir el formulario. En cambio, el director clínico del servicio y el gerente de producto digital deciden ejecutar esto como un proyecto de mejora de calidad.

Escriben una declaración de objetivo: reducir el tiempo mediano desde la derivación hasta el primer contacto significativo de 21 días a 7 días dentro de cuatro meses, sin aumentar la tasa de no presentación ni reducir el acceso para pacientes que no pueden usar herramientas en línea. Construyen un diagrama de impulsores. Los impulsores primarios resultan ser la calidad de la derivación, la velocidad de triaje, y la disponibilidad de citas —no, como se asumió inicialmente, el formulario en sí. El mayor cuello de botella es el triaje: las derivaciones permanecen en una bandeja de entrada compartida durante días antes de que un clínico las revise.

Comienzan pequeño. En un ciclo PDSA, un único fisioterapeuta prueba el triaje el mismo día para las derivaciones de una consulta de médico de cabecera, usando una lista de trabajo digital simple que el equipo monta en una semana a partir de datos existentes. Predicen que el tiempo de triaje caerá a menos de un día; la fase de estudio lo confirma, y revela una sorpresa —un tercio de las derivaciones carecen de la información necesaria para triar de forma segura, forzando retrabajo. El siguiente ciclo prueba una plantilla de derivación estructurada. A lo largo, el equipo digital saca a la superficie un gráfico de ejecución de los tiempos de triaje diarios y un gráfico SPC de la espera mediana, siguiendo las convenciones "Making Data Count", para que todo el servicio pueda ver el progreso casi en tiempo real en lugar de esperar un informe mensual.

Crucialmente, rastrean una medida de equilibrio: la proporción de derivaciones que llegan por teléfono versus el formulario en línea, desagregada por edad del paciente y privación. Cuando la autoderivación en línea sube, notan que no está llegando a pacientes mayores en los vecindarios más desfavorecidos, así que mantienen la ruta telefónica completamente dotada de personal. Para el mes cuatro la espera mediana se sitúa estable en seis días —un cambio genuino en el gráfico de control, no un mes afortunado— y la mejora perdura porque la plantilla estructurada y la lista de trabajo de triaje son ahora el flujo de trabajo predeterminado, incorporado en la herramienta en lugar de depender de la buena voluntad.

Perspectivas sectoriales#

Startup#

Una startup de salud digital rara vez tiene un programa formal de QI, y no necesita uno —pero la disciplina central es directamente aplicable y a menudo descuidada. El Modelo para la Mejora se mapea naturalmente sobre la experimentación de producto: una declaración de objetivo es una hipótesis, un ciclo PDSA es un bucle de construir-medir-aprender, y las medidas de equilibrio protegen contra el fallo clásico de startup de optimizar una métrica mientras silenciosamente daña la seguridad clínica o la equidad. El riesgo principal es la velocidad sin medición a lo largo del tiempo —enviar rápido y declarar victoria sobre el aumento de una sola semana. Adopta el pensamiento de gráfico de ejecución temprano; es barato y hace que tus afirmaciones de resultado sean creíbles para los compradores del NHS y socios clínicos que eventualmente necesitarás. Trata la seguridad psicológica dentro de tu pequeño equipo como un activo competitivo: el reporte honesto de pruebas fallidas es cómo evitas construir la cosa equivocada a escala.

Pequeña empresa#

Un proveedor pequeño y establecido —una consulta de médico de cabecera, una farmacia comunitaria, una residencia de cuidados, un proveedor de atención domiciliaria, o una clínica de un solo emplazamiento— tiene pacientes reales y operaciones continuas pero rara vez alguna capacidad dedicada de QI o analítica, y el efectivo es escaso. La buena noticia es que el Modelo para la Mejora escala hacia abajo honestamente: un gerente de consulta y un clínico pueden escribir una declaración de objetivo, ejecutar un pequeño ciclo PDSA, y mantener un gráfico de ejecución simple en una pizarra o hoja de cálculo sin comprar nada. La disciplina a proteger es la medición a lo largo del tiempo —resiste el impulso de juzgar un cambio por los números de la semana pasada, y elige dos o tres medidas (incluyendo una medida de equilibrio como el acceso para pacientes que no pueden usar herramientas en línea) que realmente puedas recopilar dentro de la jornada laboral. Apóyate en lo que tu sistema clínico existente ya registra en lugar de construir paneles a medida que no puedes mantener, y donde un enfoque nacional como "Making Data Count" ofrece convenciones y plantillas gratuitas, adóptalas en lugar de reinventar. Tu restricción no es la ambición sino el tiempo, así que mantén las pruebas genuinamente pequeñas y deja que un cambio probado se convierta en el flujo de trabajo permanente para que perdure sin esfuerzo continuo.

Gran organización#

Un gran proveedor o proveedor de tecnología usualmente tiene una infraestructura de QI establecida —una facultad, entrenadores capacitados, un método de mejora, y una función de medición— a veces ejecutando cientos de proyectos concurrentes. El riesgo de la gran organización es el opuesto al de la startup: QI burocrática que se convierte en un ritual de cumplimiento, con diagramas de impulsores producidos para la gobernanza en lugar de pruebas genuinas de cambio. El movimiento de mayor valor de tu función digital es industrializar la medición para la mejora —gráficos SPC automatizados, confiables, y casi en tiempo real extraídos de sistemas en vivo— para que los equipos de mejora dejen de contar a mano y comiencen a aprender más rápido. Cuídate del hábito empresarial de confundir un gran programa de transformación con mejora; los dos necesitan gobernanza diferente, como aclara el Tema 5.2 — Trabajo liderado por programa. La sostenibilidad y difusión son tus problemas más difíciles a escala, así que invierte en ellos deliberadamente en lugar de asumir que los buenos resultados locales se propagan por sí solos.

Gobierno#

Los organismos nacionales y regionales —NHS England, ICB, organismos independientes— dan forma a QI a través del método, mandato, e infraestructura en lugar de ejecutar pruebas ellos mismos. El programa "Making Data Count" es un buen modelo: un enfoque promovido nacionalmente y consistente hacia SPC que eleva la calidad de la conversación de mejora en todas partes. El riesgo en este nivel es confundir la gestión del rendimiento con la mejora —imponer objetivos y clasificar organizaciones mediante comparaciones de dos puntos, contra lo que el pensamiento SPC específicamente advierte porque confunde el ruido con la señal. La mejor contribución del gobierno es construir capacidad y método compartido ampliamente, proteger el permiso de la primera línea para mejorar, y resistir la tentación de convertir cada medida en un juicio. Cuando establezcas estándares digitales nacionales, incorpora las convenciones de medición para la mejora para que la mejora, no solo el aseguramiento, se convierta en la postura predeterminada.

Modos de fallo comunes#

• Solucionismo antes de un objetivo. Saltar a "construyamos una nueva aplicación" sin un objetivo específico y medible, para que el éxito nunca pueda juzgarse y el esfuerzo se disperse entre funcionalidades que nadie validó.
• Teatro de antes y después. Afirmar mejora a partir de dos puntos de datos cuando un gráfico de ejecución revelaría variación ordinaria. Esta es la forma individual más común en que los equipos se engañan a sí mismos y a sus juntas directivas.
• Sin medidas de equilibrio. Mejorar el rendimiento mientras silenciosamente empeora la seguridad, la carga de trabajo del personal, o la equidad de acceso —un peligro particular para herramientas digitales que excluyen a personas con baja confianza digital.
• QI disfrazada de gestión de proyectos. Ejecutar un plan de gran explosión de alcance fijo y llamarlo QI, sin pruebas genuinas de cambio, sin PDSA, y sin disposición a adaptar o abandonar.
• Confundir la mejora con la investigación o la gestión del rendimiento. Aplicar rigor de nivel investigación que paraliza el aprendizaje rápido, o convertir en arma los datos de mejora como una tabla de clasificación que destruye la seguridad psicológica.
• Ganancias únicas que se evaporan. Celebrar un éxito local sin plan para estandarizarlo, incorporarlo, sostenerlo, o difundirlo, así que el sistema revierte silenciosamente dentro de meses.
• Control central sin permiso de primera línea. Ordenar la mejora desde arriba mientras se niega al personal el tiempo, la seguridad, y los datos para ejecutar sus propias pruebas, garantizando un cumplimiento superficial.
• Hambruna de datos. Ejecutar QI sobre datos manuales, retrasados, y no confiables cuando tus sistemas digitales podrían sacar a la superficie gráficos SPC oportunos, manteniendo el bucle de aprendizaje mucho más lento de lo que necesita ser.

Modelo de madurez#

Lista de verificación#

• Hemos escrito una declaración de objetivo específica, medible, y con plazo definido para esta mejora.
• Tenemos un diagrama de impulsores que hace explícita y revisable nuestra teoría de cambio.
• Hemos definido medidas de resultado, proceso, y equilibrio, incluyendo una medida de equilibrio de equidad.
• Estamos mostrando datos a lo largo del tiempo como gráficos de ejecución o gráficos SPC, siguiendo "Making Data Count".
• Estamos probando cambios en pequeños ciclos PDSA antes de escalar, con una predicción para cada prueba.
• Tenemos claro si esto es mejora, entrega de proyecto, o investigación, y se gobierna en consecuencia.
• Los equipos de primera línea tienen permiso, tiempo protegido, y seguridad psicológica para ejecutar sus propias pruebas.
• Nuestros sistemas digitales suministran datos oportunos y confiables al trabajo de mejora, no conteos manuales retrasados.
• Tenemos un plan para sostener, estandarizar, y difundir cualquier cambio que resulte ser una mejora.
• Reportamos la mejora a los líderes usando pensamiento SPC, no comparaciones de dos puntos.

Fuentes clave#

• NHS England — Making Data Count: recursos de control estadístico de proceso y formación para el NHS.
• Institute for Healthcare Improvement (IHI) — Modelo para la Mejora, PDSA, y recursos de la Science of Improvement.
• Langley, Moen, Nolan, Nolan, Norman & Provost — The Improvement Guide (2ª edición), el texto fundacional sobre el Modelo para la Mejora.
• The Health Foundation — Quality Improvement Made Simple y revisiones de evidencia relacionadas sobre la mejora en la sanidad.
• W. Edwards Deming — Out of the Crisis y el System of Profound Knowledge.
• Amy C. Edmondson — The Fearless Organization, sobre la seguridad psicológica en equipos.

Referencias#

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