Onderwerp 10.2 — Kwaliteitsverbetering en verbeterwetenschap

Kwaliteitsverbetering geeft teams op de werkvloer een gedisciplineerde, datagestuurde manier om zorg meetbaar beter te maken door kleine testen van verandering — en wanneer u haar verbindt met uw digitale instrumenten, maakt u van dashboards en automatisering motoren van voortdurend leren in plaats van statische rapportage.

Waarom dit ertoe doet in gezondheid en zorg#

Kwaliteitsverbetering (quality improvement, QI) is de dominante verbeterdiscipline in de National Health Service (NHS) en een groot deel van de mondiale gezondheid en zorg. Zij wordt onderwezen in ziekenhuizen, ingebed in overleggen op afdelingsniveau en bepleit door nationale organen. Als u de digitale levering leidt, werkt u niet naast QI — u werkt binnen een stelsel dat al denkt in doelen, maten en testen van verandering. Die taal negeren isoleert uw team; haar vloeiend spreken maakt uw digitale werk leesbaar voor clinici, managers en besturen die haar al vertrouwen.

De diepere reden telt zwaarder. In gezondheid en zorg is variatie in hoe werk wordt gedaan geen cosmetisch probleem. Ongerechtvaardigde variatie betekent dat sommige patiënten langer wachten, sommige onveilige zorg krijgen en sommige helemaal worden uitgesloten. Verbeterwetenschap bestaat juist omdat goede bedoelingen en heldhaftige inspanning niet betrouwbaar betere uitkomsten opleveren — systemen doen dat. Een digitale dienst die minuten schaaft van een klinische werkstroom, een veiligheidslek sluit of een stap verwijdert die mensen met weinig digitaal zelfvertrouwen onevenredig uitsluit, doet verbeterwerk, of u het nu zo noemt of niet.

QI beschermt u ook tegen een veelvoorkomend digitaal falen: een wijziging opleveren en aannemen dat zij werkte. Verbeterwetenschap is gebouwd rond één nederig makend inzicht — de meeste wijzigingen zijn geen verbeteringen, en u kunt niet zien welke zonder meting in de tijd. Die discipline overnemen houdt uw team eerlijk, houdt uw beweringen verdedigbaar tegenover besturen en toezichthouders en houdt uw gebruikers veiliger. Dit onderwerp laat zien hoe u QI behoorlijk uitvoert, hoe zij verschilt van projectlevering en onderzoek en hoe u haar versmelt met de digitale instrumenten die u al bezit.

Kernbegrippen#

Kwaliteitsmanagement in gezondheid en zorg put uit een lijn die loopt van de maakindustrie naar het bed. De intellectuele wortel is het werk van W. Edwards Deming, de statisticus die leerde dat kwaliteit voortkomt uit het begrijpen en verminderen van variatie in systemen, niet uit het aansporen van individuen harder te proberen. Het denken van Deming bracht, samen met dat van Walter Shewhart, de PDCA / Plan-Do-Study-Act-cyclus voort — de iteratieve lus Plan-Do-Study-Act (plannen-doen-bestuderen-handelen) die in het hart van moderne QI in de gezondheidszorg zit.

De meeste teams in de NHS draaien PDSA binnen het Model for Improvement, een kader dat door het Institute for Healthcare Improvement (IHI) populair is gemaakt en dat de cyclus koppelt aan drie vragen: Wat proberen wij te bereiken? Hoe weten wij dat een wijziging een verbetering is? Welke wijziging kunnen wij aanbrengen die tot verbetering leidt? De eerste vraag wordt beantwoord met een doelformulering (specifiek, meetbaar, tijdgebonden). De derde wordt vaak in kaart gebracht met een drijvendiagram (driver diagram), dat uw doel verbindt met de primaire en secundaire drijvers waarvan u gelooft dat ze het beïnvloeden, en vervolgens met concrete ideeën voor wijziging.

QI is een van een familie van verbeteraanpakken die de filosofie van het continu verbeterproces delen. Twee broers en zussen die u voortdurend zult tegenkomen zijn Lean, afgeleid van het Toyota Production System en gericht op het wegnemen van verspilling en het verbeteren van doorstroming, en Six Sigma, dat statistische methoden gebruikt om gebreken en variatie te verminderen. In de gezondheidszorg worden deze vaak gemengd tot “Lean Six Sigma”.

Meten voor verbetering steunt op data in de tijd zien in plaats van in momentopnamen. De twee werkpaarden zijn de verloopgrafiek — waargenomen data uitgezet in tijdsvolgorde tegen een mediaan — en de regelkaart, een verloopgrafiek met statistisch afgeleide grenzen, die ten grondslag ligt aan statistische procesbeheersing (SPC). SPC laat u variatie door gemeenschappelijke oorzaak (de gewone ruis van een stabiel systeem) onderscheiden van variatie door bijzondere oorzaak (een signaal dat er werkelijk iets is veranderd). In de NHS wordt dit onderwezen als de aanpak “Making Data Count”.

Niets hiervan werkt zonder psychologische veiligheid: de gedeelde overtuiging dat mensen problemen kunnen aankaarten, kunnen toegeven dat een test mislukte en de status quo kunnen uitdagen zonder gestraft te worden. Verbetering is onmogelijk waar personeel gebreken verbergt, en zij is de voorwaarde voor al het andere in dit onderwerp.

Beste praktijken#

1. Begin met een doelformulering, niet met een oplossing. Schrijf voordat u iets ontwerpt op wat u probeert te bereiken, voor wie, met hoeveel en tegen wanneer — bijvoorbeeld “verlaag de mediane tijd van verwijzing tot de eerste digitale triage van 9 dagen naar 3 dagen vóór maart.” Een numeriek, tijdgebonden doel dwingt tot helderheid en geeft u iets om tegen te meten. Teams die deze stap overslaan debatteren uiteindelijk over functies in plaats van uitkomsten en kunnen nooit zien of ze slaagden. Dit sluit rechtstreeks aan op Onderwerp 10.0 — Doelstellingen en kernresultaten (OKR’s), maar let op dat een doel voor QI smaller en beter toetsbaar is dan een gewone doelstelling.

2. Gebruik een drijvendiagram om uw veranderingstheorie bloot te leggen. Breng uw doel in kaart naar de primaire drijvers die het het sterkst beïnvloeden, dan naar secundaire drijvers en dan naar specifieke ideeën voor wijziging. Dit maakt uw aannames zichtbaar en bespreekbaar en weerhoudt teams ervan alles in te zetten op één interventie. Het helpt u ook de testen te ordenen: u kunt eerst de drijver met de grootste hefboom aanpakken. Houd het diagram aan de muur (fysiek of virtueel) en herzie het naarmate u leert — het is een levende hypothese, geen eenmalig artefact.

3. Draai kleine, snelle PDSA-cycli in plaats van lanceringen in één keer. Test een wijziging op één kliniek, één afdeling of één cohort voordat u opschaalt. Voorspel wat er zal gebeuren, voer de test uit, bestudeer de data tegen uw voorspelling en besluit of u overneemt, aanpast of laat vallen. Kleine testen verminderen risico, brengen problemen vroeg aan het licht en bouwen het bewijs en het vertrouwen op dat u nodig hebt om te verspreiden. Dit is een fundamenteel ander ritme dan een projectplan met vaste reikwijdte, en het is waar digitale teams gewoonten het vaakst moeten afleren.

4. Meet in de tijd met verloopgrafieken en SPC, niet met momentopnamen van voor en na. Een enkel paar getallen kan u niet vertellen of een wijziging een verbetering veroorzaakte of dat u toevallige variatie ving. Zet uw maat uit als verloopgrafiek of regelkaart zodat u trends, verschuivingen en signalen van bijzondere oorzaak kunt zien. Neem de conventies van “Making Data Count” van de NHS over zodat uw grafieken consistent zijn en voor anderen leesbaar. Deze discipline beschermt u er ook tegen de eer op te eisen voor ruis, wat het vertrouwen van besturen en toezichthouders uitholt.

5. Balanceer uw maten. Elke verbetering kan iets anders slechter maken. Volg naast uw uitkomstmaat procesmaten (gebeurt de wijziging werkelijk?) en balanceringsmaten (verslechtert er iets als neveneffect — veiligheid, werkdruk van personeel, billijkheid van toegang?). Een instrument voor digitale triage dat de doorvoer versnelt maar stilletjes mensen zonder smartphone uitsluit, heeft de zorg niet verbeterd. Balanceringsmaten zijn uw vroegwaarschuwingssysteem voor precies dit soort schade.

6. Geef teams op de werkvloer echte toestemming en vaardigheid om te verbeteren. Verbetering die van bovenaf wordt opgelegd en door een centraal team wordt uitgevoerd beklijft zelden. Investeer in training, coaching en beschermde tijd voor QI zodat de mensen die het werk doen hun eigen testen kunnen uitvoeren. Bouw de infrastructuur — een QI-faculteit, een meetfunctie, toegankelijke data — die het IHI en volwassen NHS-ziekenhuizen beschrijven als de ruggengraat van een programma voor het hele ziekenhuis. De taak van uw digitale team is vaak de wrijving van data en instrumenten weg te nemen die verbetering op de werkvloer tegenhoudt.

7. Ontwerp vanaf het begin voor verspreiding en duurzaamheid. Een eenmalige winst op één afdeling die over zes maanden verdampt is een veelvoorkomende en demoraliserende uitkomst. Plan hoe een geslaagde wijziging wordt gestandaardiseerd, in de werkstroom ingebed en gemonitord zodat zij standhoudt — en hoe zij zich naar vergelijkbare omgevingen verspreidt zonder simpelweg te kopiëren en plakken. Digitale instrumenten helpen hier enorm: automatisering en standaardwaarden kunnen een verbeterd proces veel betrouwbaarder vastleggen dan een gelamineerde poster. Hier ontmoet QI Onderwerp 8.1 — Verandermanagement.

8. Verbind QI met uw digitale data en dashboards. Verbeterwetenschap verhongert zonder tijdige data, en de meeste QI in de NHS draaide van oudsher op met de hand getelde steekproeven. Als uw team bijna-realtime verloopgrafieken en SPC-grafieken uit bestaande systemen kan ontsluiten, verkort u de leerlus drastisch. Behandel dashboards, geautomatiseerde datapijplijnen en zelfbediende analyse als verbeterinfrastructuur, niet alleen als rapportage. Dit is een van de duidelijkste, waardevolste bijdragen die een digitale functie kan leveren aan klinische kwaliteit.

Vragen om met uw team te bespreken#

1. Voeren wij kwaliteitsverbetering, projectlevering of onderzoek uit — en kennen wij het verschil? Deze drie vormen worden routinematig verward, en de verwarring is duur. Projectlevering mikt op het leveren van een omschreven reikwijdte op tijd en binnen budget; onderzoek mikt op het voortbrengen van generaliseerbare kennis met strenge controles en ethische goedkeuring; QI mikt op het beter maken van een lokaal systeem door iteratieve kleine testen van verandering. Meten voor verbetering is bewust lichter dan meten voor onderzoek — u wilt net genoeg data om de volgende cyclus te sturen, geen publiceerbare studie. Strengheid op onderzoeksniveau op een QI-test toepassen verlamt het team; de informaliteit van QI toepassen op iets dat werkelijk onderzoek is riskeert ethische en veiligheidsfalen. Bespreek waar elk van uw huidige initiatieven werkelijk zit en of u het juiste bestuur voor elk hebt. Dit verkeerd doen is een frequente reden dat digitaal verbeterwerk stokt of ongerechtvaardigde toetsing trekt.

2. Hoe weten wij dat een wijziging een verbetering is, en geen ruis of wensdenken? Dit is de tweede vraag van het Model for Improvement, en het is waar de meeste teams het zwakst zijn. Besluit nu wat uw uitkomst-, proces- en balanceringsmaten zijn, hoe vaak u ze verzamelt en hoe u ze in de tijd toont. Verbind u ertoe vóór de lancering verloopgrafieken of SPC te gebruiken, zodat u niet in de verleiding komt achteraf een gunstige vergelijking van voor en na uit te kiezen. Bespreek hoe een “signaal van bijzondere oorzaak” eruit zou zien voor elke maat en wie bevoegd is het uit te roepen. Wees eerlijk over het ongemakkelijke gevolg: u moet bereid zijn te zien dat een wijziging waarin u investeerde niet werkte. Verbind dit met Onderwerp 1.3 — Op bewijs gebaseerde besluitvorming, want dezelfde intellectuele eerlijkheid ligt onder beide.

3. Hebben onze teams op de werkvloer werkelijk toestemming, tijd en data om te verbeteren — of alleen druk om te leveren? Vaardigheid voor verbetering is geen slogan; zij vereist beschermde tijd, coaching, psychologische veiligheid en toegankelijke data. Vraag openhartig of personeel zich veilig voelt te melden dat een test mislukte, of schuld verwacht. Vraag of de data die zij nodig hebben in dagen en weken aankomen in plaats van maanden en of uw digitale systemen helpen of hinderen. Overweeg of uw organisatie echte QI-infrastructuur heeft — een faculteit, een methode, een meetfunctie — of dat verbetering afhangt van enkele enthousiastelingen. Bespreek wat uw digitale team uit het pad van de werkvloer kan verwijderen: handmatige dataverzameling, broze spreadsheets, vertraagde rapporten. Het antwoord onthult gewoonlijk meer over uw cultuur dan over uw technologie, en het bepaalt rechtstreeks wat Onderwerp 10.4 — Zichtbaarheid voor de CEO en senior leiders aan het bestuur moet laten zien.

4. Wanneer een wijziging werkt, hoe laten wij haar standhouden en verspreiden — en hoe weten wij dat zij niet stilletjes is teruggevallen? De meest demoraliserende uitkomst van QI is een echte lokale winst die binnen maanden vervaagt zodra de aandacht verschuift, en de op één na meest demoraliserende is een succes dat zich nooit verder verspreidt dan de afdeling die het pionierde. Bespreek concreet hoe een bewezen wijziging wordt gestandaardiseerd en ingebed — bij voorkeur in de instrumenten zelf, via standaardwaarden en automatisering, in plaats van een gelamineerde poster of individuele goodwill die vervaagt. Besluit wie de maat bezit nadat het verbeterproject sluit en of uw verloopgrafiek of SPC-grafiek blijft draaien zodat een terugval verschijnt als signaal van bijzondere oorzaak in plaats van als verrassing een jaar later. Praat over verspreiding als bewuste daad van aanpassing, niet kopiëren en plakken: wat in één kliniek werkte moet opnieuw worden getest, niet louter uitgerold, in omgevingen met ander personeel, andere patiënten en andere systemen. Wees eerlijk over de vraag of uw organisatie duurzaamheid en verspreiding werkelijk van middelen voorziet, of “gesloten” behandelt als “klaar”. Hier ontmoet QI Onderwerp 8.1 — Verandermanagement, en hier zijn digitale standaardwaarden uw sterkste hefboom.

5. Verkleinen of vergroten onze verbeteringen ongelijkheid — en zouden onze balanceringsmaten dat werkelijk opmerken? Digitale verbeteringen zijn bijzonder geneigd het gemiddelde op te tillen en sommige groepen achter te laten, omdat de mensen die een nieuwe online route het slechtst dient vaak het minst zichtbaar zijn in totale data. Besluit nu of u uw maten uitsplitst naar de dimensies die ertoe doen — leeftijd, achterstand, taal, digitaal zelfvertrouwen, beperking — in plaats van één kop-cijfer te rapporteren dat schade kan verbergen. Bespreek hoe een balanceringsmaat voor billijkheid eruitziet voor deze specifieke wijziging en wie verantwoordelijk is voor handelen wanneer hij de verkeerde kant op beweegt. Wees openhartig over de afweging: een telefoonroute handhaven naast een formulier voor zelfverwijzing kost geld en personeel, en de druk om het “oude” kanaal uit te faseren zodra het digitale gebruik stijgt is precies hoe uitsluiting binnensluipt. Een eerlijk antwoord noemt de groepen die voor deze wijziging het meeste risico lopen, stelt hoe u schade vroeg zou opsporen en verbindt zich ertoe het niet-digitale pad open te houden totdat de data zeggen dat het veilig is om te veranderen. Dit sluit rechtstreeks aan op de plichten rond billijkheid die elders in dit boek worden besproken en op uw verplichtingen als publieke dienst.

6. Wat is de specifieke, meest waardevolle bijdrage van onze digitale functie aan verbetering hier — en waar bouwen wij te veel? Het is verleidelijk voor een digitaal team elk kwaliteitsprobleem met nieuwe software te beantwoorden, maar de grootste bijdrage is vaak het industrialiseren van meten: met de hand getelde steekproeven omzetten in betrouwbare, bijna-realtime verloopgrafieken en SPC-grafieken uit live systemen, zodat de leerlus van maanden naar dagen krimpt. Bespreek waar geautomatiseerd meten en verstandige standaardwaarden verbetering werkelijk vastleggen, tegenover waar u een probleem zou vergulden dat een eenvoudige procesverandering al oploste. Wees op uw hoede om een instrument opnieuw te bouwen — het online formulier in het voorbeeld van dit onderwerp — voordat het drijvendiagram heeft getoond dat het instrument werkelijk het knelpunt is. Vraag of uw inspanning wrijving wegneemt uit het verbeterwerk van de werkvloer of een glimmend artefact toevoegt waar niemand om vroeg. Het eerlijke antwoord onderscheidt de een of twee zetten die het leren meetbaar versnellen van de functies die slechts op vooruitgang lijken, en houdt de schaarse capaciteit van uw team gericht op de drijver met de grootste hefboom.

In de praktijk: een voorbeeld uit gezondheid en zorg#

Een integrated care board (ICB) maakt zich zorgen over zijn dienst voor gemeenschapsfysiotherapie. Patiënten die uit de eerstelijnszorg worden verwezen wachten mediaan 21 dagen op het eerste contact, de klachten stijgen en een nieuw online formulier voor zelfverwijzing heeft niet duidelijk geholpen. Het instinct van het digitale team is het formulier opnieuw te bouwen. In plaats daarvan besluiten de klinisch leider van de dienst en de digitale productmanager dit als project voor kwaliteitsverbetering uit te voeren.

Zij schrijven een doelformulering: verlaag de mediane tijd van verwijzing tot eerste betekenisvolle contact van 21 dagen naar 7 dagen binnen vier maanden, zonder het percentage niet-verschenen afspraken te verhogen of de toegang te verminderen voor patiënten die online instrumenten niet kunnen gebruiken. Zij bouwen een drijvendiagram. De primaire drijvers blijken kwaliteit van de verwijzing, snelheid van triage en beschikbaarheid van afspraken — niet, zoals aanvankelijk aangenomen, het formulier zelf. Het grootste knelpunt is triage: verwijzingen blijven dagenlang in een gedeelde inbox liggen voordat een clinicus ze bekijkt.

Zij beginnen klein. In één PDSA-cyclus test één fysiotherapeut triage op dezelfde dag voor de verwijzingen van één huisartsenpraktijk, met een eenvoudige digitale werklijst die het team in een week opzet uit bestaande data. Zij voorspellen dat de triagetijd onder een dag zal dalen; de fase van bestuderen bevestigt het en onthult een verrassing — een derde van de verwijzingen mist de informatie die nodig is om veilig te triëren, wat herwerking afdwingt. De volgende cyclus test een gestructureerd verwijssjabloon. Gedurende het hele traject toont het digitale team een verloopgrafiek van dagelijkse triagetijden en een SPC-grafiek van de mediane wachttijd, volgens de conventies van “Making Data Count”, zodat de hele dienst de voortgang in bijna-realtime kan zien in plaats van op een maandelijks rapport te wachten.

Cruciaal is dat zij een balanceringsmaat volgen: het aandeel verwijzingen dat telefonisch aankomt versus via het online formulier, uitgesplitst naar leeftijd en achterstand van de patiënt. Wanneer zelfverwijzing online stijgt, merken zij dat zij oudere patiënten in de meest achtergestelde wijken niet bereikt, dus houden zij de telefoonroute volledig bemand. Na vier maanden ligt de mediane wachttijd stabiel op zes dagen — een echte verschuiving op de regelkaart, geen gelukkige maand — en de verbetering houdt stand omdat het gestructureerde sjabloon en de werklijst voor triage nu de standaardwerkstroom zijn, ingebed in de instrumenten en niet afhankelijk van goodwill.

Sectorperspectieven#

Startup#

Een startup in health-tech heeft zelden een formeel QI-programma en heeft er geen nodig — maar de kerndiscipline is direct toepasbaar en wordt vaak verwaarloosd. Het Model for Improvement past van nature op productexperimenten: een doelformulering is een hypothese, een PDSA-cyclus is een lus van bouwen-meten-leren, en balanceringsmaten beschermen tegen het klassieke falen van startups om één maat te optimaliseren terwijl klinische veiligheid of billijkheid stilletjes wordt geschaad. Het grootste risico is snelheid zonder meting in de tijd — snel opleveren en de overwinning uitroepen op de verbetering van één week. Neem vroeg het denken in verloopgrafieken over; het is goedkoop en het maakt uw beweringen over uitkomsten geloofwaardig voor de kopers in de NHS en klinische partners die u uiteindelijk nodig zult hebben. Behandel psychologische veiligheid binnen uw kleine team als concurrentievoordeel: eerlijk rapporteren over mislukte testen is hoe u voorkomt dat u het verkeerde op schaal bouwt.

Klein bedrijf#

Een gevestigde kleine aanbieder — een huisartsenpraktijk, een gemeenschapsapotheek, een verzorgingshuis, een thuiszorgaanbieder of een kliniek met één vestiging — heeft echte patiënten en lopende werkzaamheden maar zelden eigen vermogen voor QI of analyse, en geld is krap. Het goede nieuws is dat het Model for Improvement eerlijk naar beneden schaalt: een praktijkmanager en een clinicus kunnen één doelformulering schrijven, een kleine PDSA-cyclus uitvoeren en een eenvoudige verloopgrafiek bijhouden op een whiteboard of in een spreadsheet zonder iets te kopen. De discipline om te beschermen is meten in de tijd — weersta de drang een wijziging te beoordelen op de cijfers van vorige week en kies twee of drie maten (inclusief een balanceringsmaat zoals toegang voor patiënten die online instrumenten niet kunnen gebruiken) die u werkelijk binnen de werkdag kunt verzamelen. Leun op wat uw bestaande klinische systeem al vastlegt in plaats van dashboards op maat te bouwen die u niet kunt onderhouden, en neem, waar een nationale aanpak als “Making Data Count” gratis conventies en sjablonen biedt, die over in plaats van het wiel opnieuw uit te vinden. Uw beperking is niet ambitie maar tijd, dus houd testen werkelijk klein en laat een bewezen wijziging de vaste werkstroom worden zodat zij standhoudt zonder doorlopende inspanning.

Grote onderneming#

Een grote aanbieder of leverancier heeft gewoonlijk een gevestigde QI-infrastructuur — een faculteit, getrainde coaches, een verbetermethode en een meetfunctie — soms met honderden gelijktijdige projecten. Het risico voor de grote onderneming is het tegenovergestelde van dat van de startup: bureaucratische QI die een ritueel van naleving wordt, met drijvendiagrammen geproduceerd voor bestuur en niet voor echte testen van verandering. De waardevolste zet van uw digitale functie is meten voor verbetering te industrialiseren — geautomatiseerde, betrouwbare, bijna-realtime SPC-grafieken uit live systemen — zodat verbeterteams ophouden met de hand te tellen en sneller beginnen te leren. Wees op uw hoede voor de gewoonte van de grote onderneming om een groot transformatieprogramma te verwarren met verbetering; de twee vragen een ander bestuur, zoals Onderwerp 5.2 — Programmagestuurd werken duidelijk maakt. Duurzaamheid en verspreiding zijn uw moeilijkste problemen op schaal, dus investeer er bewust in in plaats van aan te nemen dat goede lokale resultaten zich vanzelf voortplanten.

Overheid#

Nationale en regionale organen — NHS England, ICB’s, organisaties op afstand van de overheid — geven QI vorm via methode, mandaat en infrastructuur en niet door zelf testen uit te voeren. Het programma “Making Data Count” is een goed model: een landelijk bevorderde, consistente aanpak van SPC die de kwaliteit van het gesprek over verbetering overal verhoogt. Het risico op dit niveau is prestatiemanagement te verwarren met verbetering — streefcijfers opleggen en organisaties rangschikken op vergelijkingen van twee punten, waartegen het denken in SPC juist waarschuwt omdat het ruis voor signaal aanziet. De beste bijdrage van de overheid is brede vaardigheid en gedeelde methode op te bouwen, de toestemming van de werkvloer om te verbeteren te beschermen en de verleiding te weerstaan van elke maat een oordeel te maken. Wanneer u nationale digitale normen vaststelt, verwerk dan conventies voor meten voor verbetering zodat verbetering, en niet alleen borging, de standaardhouding wordt.

Veelvoorkomende faalpatronen#

• Oplossingen bedenken vóór een doel. Direct springen naar “laten we een nieuwe app bouwen” zonder specifiek, meetbaar doel, zodat succes nooit kan worden beoordeeld en inspanning zich verspreidt over functies die niemand valideerde.
• Toneel van voor en na. Verbetering claimen op basis van twee datapunten terwijl een verloopgrafiek gewone variatie zou onthullen. Dit is de meest voorkomende manier waarop teams zichzelf en hun besturen voor de gek houden.
• Geen balanceringsmaten. De doorvoer verbeteren terwijl veiligheid, werkdruk van personeel of billijkheid van toegang stilletjes verslechtert — een bijzonder gevaar voor digitale instrumenten die mensen met weinig digitaal zelfvertrouwen uitsluiten.
• QI vermomd als projectmanagement. Een plan met vaste reikwijdte in één keer uitvoeren en het QI noemen, zonder echte testen van verandering, zonder PDSA en zonder bereidheid aan te passen of te laten vallen.
• Verbetering verwarren met onderzoek of prestatiemanagement. Strengheid op onderzoeksniveau toepassen die snel leren verlamt, of verbeterdata als ranglijst misbruiken, wat psychologische veiligheid vernietigt.
• Eenmalige winsten die verdampen. Een lokaal succes vieren zonder plan om het te standaardiseren, in te bedden, vol te houden of te verspreiden, zodat het systeem binnen maanden stilletjes terugvalt.
• Centrale beheersing zonder toestemming van de werkvloer. Verbetering van bovenaf opleggen terwijl personeel de tijd, veiligheid en data wordt ontzegd om eigen testen uit te voeren, wat oppervlakkige naleving garandeert.
• Honger naar data. QI draaien op handmatige, vertraagde, onbetrouwbare data terwijl uw digitale systemen tijdige SPC-grafieken zouden kunnen ontsluiten, waardoor de leerlus veel trager blijft dan nodig.

Volwassenheidsmodel#

Checklist#

• Wij hebben voor deze verbetering een specifieke, meetbare, tijdgebonden doelformulering geschreven.
• Wij hebben een drijvendiagram dat onze veranderingstheorie expliciet en herzienbaar maakt.
• Wij hebben uitkomst-, proces- en balanceringsmaten gedefinieerd, inclusief een balanceringsmaat voor billijkheid.
• Wij tonen data in de tijd als verloopgrafieken of SPC-grafieken, volgens “Making Data Count”.
• Wij testen wijzigingen in kleine PDSA-cycli voordat wij opschalen, met een voorspelling bij elke test.
• Wij zijn duidelijk of dit verbetering, projectlevering of onderzoek is en worden dienovereenkomstig bestuurd.
• Teams op de werkvloer hebben toestemming, beschermde tijd en psychologische veiligheid om eigen testen uit te voeren.
• Onze digitale systemen leveren tijdige, betrouwbare data aan het verbeterwerk, geen vertraagde handmatige tellingen.
• Wij hebben een plan om elke wijziging die een verbetering blijkt te zijn vol te houden, te standaardiseren en te verspreiden.
• Wij rapporteren verbetering aan leiders met denken in SPC, niet met vergelijkingen van twee punten.

Belangrijkste bronnen#

• NHS England — Making Data Count: bronnen en training voor statistische procesbeheersing voor de NHS.
• Institute for Healthcare Improvement (IHI) — Model for Improvement, PDSA en de bronnen van Science of Improvement.
• Langley, Moen, Nolan, Nolan, Norman & Provost — The Improvement Guide (2e druk), de fundamentele tekst over het Model for Improvement.
• The Health Foundation — Quality Improvement Made Simple en gerelateerde overzichten van bewijs over verbetering in de gezondheidszorg.
• W. Edwards Deming — Out of the Crisis en het System of Profound Knowledge.
• Amy C. Edmondson — The Fearless Organization, over psychologische veiligheid in teams.

Referenties#

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