Tópico 10.2 — Melhoria da qualidade e ciência da melhoria

A melhoria da qualidade dá às equipes da linha de frente uma forma disciplinada e guiada por dados de tornar o cuidado mensuravelmente melhor por meio de pequenos testes de mudança — e, quando vocês a ligam às suas ferramentas digitais, transformam painéis e automação em motores de aprendizado contínuo em vez de relatórios estáticos.

Por que isso importa na saúde e nos cuidados#

A melhoria da qualidade (QI) é a disciplina de melhoria dominante em todo o National Health Service (NHS) e em boa parte da saúde e dos cuidados do mundo. É ensinada nos hospitais, incorporada às reuniões rápidas no nível da enfermaria e defendida por órgãos nacionais. Se vocês lideram a entrega digital, não estão trabalhando ao lado da QI — estão trabalhando dentro de um sistema que já pensa em propósitos, medidas e testes de mudança. Ignorar essa linguagem isola a sua equipe; falá-la com fluência torna o seu trabalho digital legível a clínicos, gerentes e conselhos que já confiam nela.

A razão mais profunda importa mais. Na saúde e nos cuidados, a variação na forma como o trabalho é feito não é um problema cosmético. A variação injustificada significa que alguns pacientes esperam mais, alguns recebem cuidado inseguro e alguns são inteiramente excluídos. A ciência da melhoria existe precisamente porque boas intenções e esforço heroico não produzem resultados melhores de forma confiável — os sistemas é que produzem. Um serviço digital que corta minutos de um fluxo clínico, fecha uma lacuna de segurança ou remove uma etapa que desproporcionalmente exclui pessoas de baixa confiança digital está fazendo trabalho de melhoria, quer vocês o chamem assim ou não.

A QI também protege vocês de uma falha digital comum: entregar uma mudança e presumir que funcionou. A ciência da melhoria é construída em torno de uma única percepção humilhante — a maioria das mudanças não é melhoria, e não se consegue distinguir quais são sem medição ao longo do tempo. Adotar essa disciplina mantém a sua equipe honesta, mantém as suas alegações defensáveis perante conselhos e reguladores e mantém os seus usuários mais seguros. Este tópico mostra como conduzir a QI de forma adequada, como ela difere da entrega de projetos e da pesquisa e como fundi-la com as ferramentas digitais que vocês já possuem.

Conceitos centrais#

A gestão da qualidade na saúde e nos cuidados se vale de uma linhagem que vai da manufatura à beira do leito. A raiz intelectual é o trabalho de W. Edwards Deming, o estatístico que ensinou que a qualidade vem de entender e reduzir a variação nos sistemas, e não de exortar os indivíduos a se esforçarem mais. O pensamento de Deming, junto com o de Walter Shewhart, produziu o ciclo PDCA / Planejar-Fazer-Estudar-Agir (Plan-Do-Study-Act, PDSA) — o ciclo iterativo que está no cerne da QI moderna na saúde.

A maioria das equipes do NHS conduz o PDSA dentro do Modelo de Melhoria, um arcabouço popularizado pelo Institute for Healthcare Improvement (IHI) que pareia o ciclo com três perguntas: o que estamos tentando realizar? Como saberemos que uma mudança é uma melhoria? Que mudança podemos fazer que resultará em melhoria? A primeira pergunta é respondida com uma declaração de propósito (aim statement) (específica, mensurável, com prazo). A terceira é frequentemente mapeada com um diagrama de direcionadores, que liga o propósito aos direcionadores primários e secundários que vocês acreditam influenciá-lo e depois a ideias concretas de mudança.

A QI é um membro de uma família de abordagens de melhoria que compartilham a filosofia do processo de melhoria contínua. Dois irmãos que vocês encontrarão constantemente são o Lean, derivado do Sistema Toyota de Produção e focado em remover desperdício e melhorar o fluxo, e o Seis Sigma, que usa métodos estatísticos para reduzir defeitos e variação. Na saúde, esses são frequentemente combinados como "Lean Seis Sigma".

A medição para a melhoria se apoia em ver os dados ao longo do tempo e não em instantâneos. As duas ferramentas de trabalho são o gráfico de execução (run chart) — dados observados plotados em sequência temporal contra uma mediana — e o gráfico de controle, um gráfico de execução com limites derivados estatisticamente, que sustenta o controle estatístico de processo (SPC). O SPC permite distinguir a variação de causa comum (o ruído ordinário de um sistema estável) da variação de causa especial (um sinal de que algo genuinamente mudou). No NHS isso é ensinado como a abordagem "Making Data Count".

Nada disso funciona sem segurança psicológica: a crença compartilhada de que as pessoas podem levantar problemas, admitir que um teste falhou e desafiar o statu quo sem serem punidas. A melhoria é impossível onde a equipe esconde defeitos, e a segurança psicológica é a pré-condição de tudo o mais neste tópico.

Boas práticas#

1. Comecem com uma declaração de propósito, e não com uma solução. Antes de projetar qualquer coisa, escrevam o que estão tentando realizar, para quem, em quanto e até quando — por exemplo, "reduzir o tempo mediano do encaminhamento à primeira triagem digital de 9 dias para 3 dias até março". Um propósito numérico e com prazo força a clareza e dá algo frente ao que medir. As equipes que pulam essa etapa acabam debatendo funcionalidades em vez de resultados e jamais conseguem dizer se tiveram sucesso. Isso se liga diretamente ao Tópico 10.0 — Objetivos e resultados-chave (OKRs), mas notem que um propósito de QI é mais estreito e testável do que um objetivo típico.

2. Usem um diagrama de direcionadores para expor a sua teoria da mudança. Mapeiem o propósito até os direcionadores primários que mais o influenciam, depois até os secundários e depois até as ideias específicas de mudança. Isso torna as premissas visíveis e debatíveis e impede as equipes de apostar tudo numa única intervenção. Também ajuda a sequenciar os testes: vocês podem atacar primeiro o direcionador de maior alavancagem. Mantenham o diagrama na parede (física ou virtual) e revisem-no à medida que aprendem — é uma hipótese viva, e não um artefato pontual.

3. Conduzam ciclos PDSA pequenos e rápidos em vez de lançamentos em big bang. Testem uma mudança numa clínica, numa enfermaria ou numa coorte antes de escalar. Prevejam o que acontecerá, executem o teste, estudem os dados frente à previsão e decidam se adotam, adaptam ou abandonam. Pequenos testes reduzem o risco, trazem os problemas à tona cedo e constroem a evidência e a confiança de que vocês precisam para espalhar. Esse é um ritmo fundamentalmente diferente de um plano de projeto de escopo fixo e é onde as equipes digitais mais frequentemente precisam desaprender hábitos.

4. Meçam ao longo do tempo com gráficos de execução e SPC, e não com instantâneos de antes e depois. Um único par de números não consegue dizer se uma mudança causou uma melhoria ou se vocês captaram variação aleatória. Plotem a medida como um gráfico de execução ou de controle para ver tendências, deslocamentos e sinais de causa especial. Adotem as convenções "Making Data Count" do NHS para que os seus gráficos sejam consistentes e legíveis a outros. Essa disciplina também protege vocês de reivindicar crédito por ruído, o que erode a confiança perante conselhos e reguladores.

5. Equilibrem as suas medidas. Toda melhoria tem o potencial de piorar outra coisa. Ao lado da medida de resultado, acompanhem medidas de processo (a mudança está de fato acontecendo?) e medidas de equilíbrio (algo está se deteriorando como efeito colateral — segurança, carga de trabalho da equipe, equidade de acesso?). Uma ferramenta digital de triagem que acelera a vazão, mas exclui em silêncio quem não tem smartphone, não melhorou o cuidado. As medidas de equilíbrio são o seu sistema de alerta precoce para exatamente esse tipo de dano.

6. Deem às equipes da linha de frente permissão e capacidade genuínas para melhorar. A melhoria imposta de cima para baixo e executada por uma equipe central raramente pega. Invistam em treinamento de QI, coaching e tempo protegido para que as pessoas que fazem o trabalho possam conduzir os próprios testes. Construam a infraestrutura — um corpo docente de QI, uma função de medição, dados acessíveis — que o IHI e os hospitais maduros do NHS descrevem como a espinha dorsal de um programa em todo o hospital. O trabalho da sua equipe digital é muitas vezes remover o atrito de dados e de ferramentas que impede a melhoria na linha de frente.

7. Projetem para a difusão e a sustentabilidade desde o início. Um ganho pontual numa enfermaria que evapora em seis meses é um desfecho comum e desmoralizante. Planejem como uma mudança bem-sucedida será padronizada, incorporada ao fluxo de trabalho e monitorada para que se sustente — e como se espalhará a ambientes comparáveis sem simplesmente copiar e colar. As ferramentas digitais ajudam enormemente aqui: a automação e os padrões podem travar um processo melhorado de forma muito mais confiável do que um cartaz plastificado. É aqui que a QI encontra o Tópico 8.1 — Gestão de mudanças.

8. Fundam a QI com os seus dados e painéis digitais. A ciência da melhoria passa fome sem dados oportunos, e a maior parte da QI do NHS historicamente funcionou com amostras contadas à mão. Se a sua equipe consegue trazer à tona gráficos de execução e SPC quase em tempo real a partir dos sistemas existentes, vocês encurtam drasticamente o ciclo de aprendizado. Tratem painéis, pipelines de dados automatizados e análises de autosserviço como infraestrutura de melhoria, e não apenas como relatório. Esta é uma das contribuições mais claras e de maior valor que uma função digital pode dar à qualidade clínica.

Perguntas para discutir com a sua equipe#

1. Estamos conduzindo melhoria da qualidade, entrega de projeto ou pesquisa — e sabemos a diferença? Esses três modos são rotineiramente confundidos, e a confusão é cara. A entrega de projeto visa entregar um escopo definido no prazo e no orçamento; a pesquisa visa produzir conhecimento generalizável, com controles rigorosos e aprovação ética; a QI visa tornar melhor um sistema local por meio de pequenos testes iterativos de mudança. A medição para a melhoria é deliberadamente mais leve que a medição para a pesquisa — vocês querem apenas dados suficientes para guiar o ciclo seguinte, e não um estudo publicável. Aplicar rigor de grau de pesquisa a um teste de QI paralisa a equipe; aplicar a informalidade da QI a algo que é de fato pesquisa arrisca falhas éticas e de segurança. Conversem sobre onde cada uma das suas iniciativas atuais genuinamente se situa e se vocês têm a governança certa para cada uma. Errar nisso é uma razão frequente pela qual o trabalho digital de melhoria empaca ou atrai escrutínio injustificado.

2. Como saberemos que uma mudança é uma melhoria, e não ruído ou ilusão? Esta é a segunda pergunta do Modelo de Melhoria e é onde a maioria das equipes é mais fraca. Decidam agora quais são as suas medidas de resultado, de processo e de equilíbrio, com que frequência as coletarão e como as exibirão ao longo do tempo. Comprometam-se com gráficos de execução ou SPC antes de lançar, para não serem tentados a escolher a dedo uma comparação de antes e depois favorável depois. Discutam como seria um "sinal de causa especial" para cada medida e quem tem poder para chamá-lo. Sejam honestos sobre o corolário incômodo: vocês devem estar dispostos a ver que uma mudança em que investiram não funcionou. Liguem isto ao Tópico 1.3 — Decisões baseadas em evidências, porque a mesma honestidade intelectual sustenta ambos.

3. As nossas equipes da linha de frente de fato têm permissão, tempo e dados para melhorar — ou apenas pressão para entregar? A capacidade de melhoria não é um slogan; exige tempo protegido, coaching, segurança psicológica e dados acessíveis. Perguntem com franqueza se a equipe se sente segura para reportar que um teste falhou ou se espera culpa. Perguntem se os dados de que precisa chegam em dias e semanas e não em meses e se os seus sistemas digitais ajudam ou atrapalham. Considerem se a sua organização tem uma infraestrutura de QI genuína — um corpo docente, um método, uma função de medição — ou se a melhoria depende de alguns entusiastas. Discutam o que a sua equipe digital poderia remover do caminho da linha de frente: coleta manual de dados, planilhas frágeis, relatórios atrasados. A resposta costuma revelar mais sobre a sua cultura do que sobre a sua tecnologia e molda diretamente o que o Tópico 10.4 — Visibilidade para o CEO e a liderança sênior deve trazer ao conselho.

4. Quando uma mudança funciona, como a faremos se sustentar e se espalhar — e como saberemos que não reverteu em silêncio? O desfecho de QI mais desmoralizante é um ganho local genuíno que esmaece em meses depois que a atenção se desloca, e o segundo mais desmoralizante é um sucesso que nunca se espalha além da enfermaria que foi pioneira. Discutam concretamente como uma mudança comprovada será padronizada e incorporada — idealmente à própria ferramenta, por meio de padrões e automação, e não de um cartaz plastificado ou de uma boa vontade individual que decai. Decidam quem é dono da medida depois que o projeto de melhoria encerra e se o seu gráfico de execução ou SPC continuará rodando para que uma reversão apareça como um sinal de causa especial e não como uma surpresa um ano depois. Falem da difusão como um ato deliberado de adaptação, e não de copiar e colar: o que funcionou numa clínica precisa ser retestado, e não meramente implantado, em ambientes com equipe, pacientes e sistemas diferentes. Sejam honestos sobre se a sua organização de fato dota de recursos a sustentabilidade e a difusão ou trata "encerrado" como "concluído". É aqui que a QI encontra o Tópico 8.1 — Gestão de mudanças e onde os padrões digitais são a sua alavanca mais forte.

5. As nossas melhorias estão estreitando ou ampliando a iniquidade — e as nossas medidas de equilíbrio de fato a captariam? As melhorias digitais são especialmente propensas a elevar a média deixando alguns grupos para trás, porque as pessoas que uma nova rota online serve pior costumam ser as menos visíveis nos dados agregados. Decidam agora se desagregarão as suas medidas pelas dimensões que importam — idade, privação, língua, confiança digital, deficiência — em vez de reportar um único número principal que pode esconder dano. Discutam como é uma medida de equilíbrio de equidade para esta mudança específica e quem responde por agir quando ela se move na direção errada. Sejam francos sobre a concessão: manter uma rota por telefone ao lado de um formulário de autoencaminhamento custa dinheiro e equipe, e a pressão para desativar o canal "antigo" quando a adesão digital sobe é exatamente como a exclusão se insinua. Uma resposta honesta nomeia os grupos de maior risco para esta mudança, declara como detectaria o dano cedo e se compromete a manter aberta a via não digital até que os dados digam que é seguro mudar. Isso se liga diretamente aos deveres de equidade discutidos em outros pontos deste livro e às suas obrigações como serviço público.

6. Qual é a contribuição específica e de maior valor da nossa função digital para a melhoria aqui — e onde estamos construindo demais? É tentador para uma equipe digital responder a todo problema de qualidade com novo software, mas a maior contribuição é muitas vezes industrializar a medição: transformar amostras contadas à mão em gráficos de execução e SPC confiáveis e quase em tempo real, extraídos de sistemas vivos, de modo que o ciclo de aprendizado se encurte de meses para dias. Discutam onde a medição automatizada e os padrões sensatos genuinamente travam a melhoria, versus onde vocês estariam sobrecarregando de ornamentos um problema que uma simples mudança de processo já resolveu. Cuidado com reconstruir uma ferramenta — o formulário online do exemplo deste tópico — antes que o diagrama de direcionadores tenha mostrado que a ferramenta é de fato o gargalo. Perguntem se o seu esforço está removendo atrito do trabalho de melhoria da linha de frente ou acrescentando um artefato reluzente que ninguém pediu. A resposta honesta distingue o ou os dois movimentos que mensuravelmente aceleram o aprendizado das funcionalidades que apenas parecem progresso e mantém a escassa capacidade da sua equipe apontada para o direcionador de maior alavancagem.

Na prática: um exemplo de saúde e cuidados#

Um conselho de cuidados integrados (ICB) está preocupado com o seu serviço de fisioterapia comunitária. Os pacientes encaminhados da atenção primária esperam uma mediana de 21 dias pelo primeiro contato, as reclamações estão subindo e um novo formulário online de autoencaminhamento não ajudou de forma óbvia. O instinto da equipe digital é reconstruir o formulário. Em vez disso, o líder clínico do serviço e o gerente de produto digital decidem conduzir isso como um projeto de melhoria da qualidade.

Escrevem uma declaração de propósito: reduzir o tempo mediano do encaminhamento ao primeiro contato significativo de 21 dias para 7 dias em quatro meses, sem aumentar a taxa de não comparecimento nem reduzir o acesso de pacientes que não conseguem usar ferramentas online. Constroem um diagrama de direcionadores. Os direcionadores primários se revelam a qualidade do encaminhamento, a velocidade da triagem e a disponibilidade de consultas — e não, como se supunha de início, o próprio formulário. O maior gargalo é a triagem: os encaminhamentos ficam numa caixa de entrada compartilhada por dias antes de um clínico revê-los.

Começam pequeno. Num ciclo PDSA, um único fisioterapeuta testa a triagem no mesmo dia para os encaminhamentos de um consultório de clínica geral, usando uma simples lista de trabalho digital que a equipe monta em uma semana a partir de dados existentes. Prevê que o tempo de triagem cairá para menos de um dia; a fase de estudo confirma e revela uma surpresa — um terço dos encaminhamentos carece das informações necessárias para triar com segurança, forçando retrabalho. O ciclo seguinte testa um modelo estruturado de encaminhamento. O tempo todo, a equipe digital traz à tona um gráfico de execução dos tempos diários de triagem e um gráfico SPC da espera mediana, seguindo as convenções do "Making Data Count", para que todo o serviço veja o progresso quase em tempo real em vez de esperar por um relatório mensal.

De modo decisivo, acompanham uma medida de equilíbrio: a proporção de encaminhamentos que chegam por telefone versus pelo formulário online, desagregada por idade e privação do paciente. Quando o autoencaminhamento online sobe, notam que ele não está alcançando os pacientes mais velhos dos bairros mais carentes; mantêm, assim, a rota por telefone plenamente dotada de pessoal. No quarto mês, a espera mediana se estabiliza em seis dias — um deslocamento genuíno no gráfico de controle, e não um mês de sorte — e a melhoria se sustenta porque o modelo estruturado e a lista de trabalho de triagem são agora o fluxo de trabalho padrão, incorporados à ferramenta e não dependentes de boa vontade.

Perspectivas setoriais#

Startup#

Uma startup de tecnologia em saúde raramente tem um programa formal de QI, e não precisa de um — mas a disciplina central é diretamente aplicável e frequentemente negligenciada. O Modelo de Melhoria se mapeia naturalmente na experimentação de produto: uma declaração de propósito é uma hipótese, um ciclo PDSA é um ciclo construir-medir-aprender e as medidas de equilíbrio protegem contra a clássica falha de startup de otimizar uma métrica enquanto se prejudica em silêncio a segurança clínica ou a equidade. O risco principal é a velocidade sem medição ao longo do tempo — entregar depressa e declarar vitória com o ganho de uma única semana. Adotem cedo o pensamento de gráfico de execução; é barato e torna as suas alegações de resultado críveis perante os compradores do NHS e os parceiros clínicos de que vocês eventualmente precisarão. Tratem a segurança psicológica dentro da sua pequena equipe como um ativo competitivo: o relato honesto de testes que falharam é como vocês evitam construir a coisa errada em escala.

Pequena empresa#

Um pequeno prestador estabelecido — um consultório de clínica geral, uma farmácia comunitária, uma casa de repouso, um prestador de cuidados domiciliares ou uma clínica de unidade única — tem pacientes reais e operações contínuas, mas raramente alguma capacidade dedicada de QI ou de análises, e o caixa é apertado. A boa notícia é que o Modelo de Melhoria se reduz com honestidade: um gerente de consultório e um clínico conseguem escrever uma declaração de propósito, conduzir um pequeno ciclo PDSA e manter um simples gráfico de execução num quadro branco ou numa planilha sem comprar nada. A disciplina a proteger é a medição ao longo do tempo — resistam ao impulso de julgar uma mudança pelos números da semana passada e escolham duas ou três medidas (incluindo uma de equilíbrio, como o acesso de pacientes que não conseguem usar ferramentas online) que vocês de fato possam coletar dentro do dia de trabalho. Apoiem-se no que o seu sistema clínico existente já registra em vez de construir painéis sob medida que não conseguem manter e, onde uma abordagem nacional como o "Making Data Count" oferece convenções e modelos gratuitos, adotem-nos em vez de reinventá-los. A sua restrição não é a ambição, mas o tempo; mantenham, portanto, os testes genuinamente pequenos e deixem uma mudança comprovada virar o fluxo de trabalho permanente para que se sustente sem esforço contínuo.

Grande organização#

Um grande prestador ou fornecedor costuma ter uma infraestrutura de QI estabelecida — um corpo docente, coaches treinados, um método de melhoria e uma função de medição —, às vezes conduzindo centenas de projetos simultâneos. O risco da grande organização é o oposto do da startup: uma QI burocrática que vira um ritual de conformidade, com diagramas de direcionadores produzidos para a governança e não para testes genuínos de mudança. O movimento de maior valor da sua função digital é industrializar a medição para a melhoria — gráficos SPC automatizados, confiáveis e quase em tempo real, extraídos de sistemas vivos —, para que as equipes de melhoria parem de contar à mão e comecem a aprender mais depressa. Resistam ao hábito da grande organização de confundir um grande programa de transformação com melhoria; os dois exigem governanças diferentes, como deixa claro o Tópico 5.2 — Trabalho conduzido por programa. A sustentabilidade e a difusão são seus problemas mais difíceis em escala; invistam nelas deliberadamente em vez de supor que bons resultados locais se propagam por conta própria.

Governo#

Os órgãos nacionais e regionais — NHS England, ICBs, órgãos independentes — moldam a QI por meio de método, mandato e infraestrutura, e não conduzindo eles próprios os testes. O programa "Making Data Count" é um bom modelo: uma abordagem de SPC consistente e promovida nacionalmente que eleva a qualidade da conversa de melhoria em toda parte. O risco nesse nível é confundir a gestão de desempenho com melhoria — impor metas e classificar organizações por comparações de dois pontos, o que o pensamento do SPC especificamente adverte, porque confunde ruído com sinal. A melhor contribuição do governo é construir capacidade e método compartilhado de forma ampla, proteger a permissão da linha de frente para melhorar e resistir à tentação de transformar toda medida num julgamento. Quando vocês definem padrões digitais nacionais, incorporem convenções de medição para a melhoria para que a melhoria, e não apenas a garantia, se torne a postura padrão.

Modos de falha comuns#

• Solucionismo antes de um propósito. Pular para "vamos construir um novo aplicativo" sem um propósito específico e mensurável, de modo que o sucesso jamais pode ser julgado e o esforço se dispersa em funcionalidades que ninguém validou.
• Teatro de antes e depois. Alegar melhoria com dois pontos de dados quando um gráfico de execução revelaria variação ordinária. Esta é a forma isolada mais comum de as equipes enganarem a si mesmas e a seus conselhos.
• Sem medidas de equilíbrio. Melhorar a vazão enquanto se piora em silêncio a segurança, a carga de trabalho da equipe ou a equidade de acesso — um perigo particular para ferramentas digitais que excluem pessoas de baixa confiança digital.
• QI vestida de gestão de projetos. Conduzir um plano de escopo fixo e em big bang e chamá-lo de QI, sem testes genuínos de mudança, sem PDSA e sem disposição de adaptar ou abandonar.
• Confundir melhoria com pesquisa ou com gestão de desempenho. Aplicar rigor de grau de pesquisa que paralisa o aprendizado rápido, ou transformar os dados de melhoria em tabela de classificação que destrói a segurança psicológica.
• Ganhos pontuais que evaporam. Celebrar um sucesso local sem plano para padronizá-lo, incorporá-lo, sustentá-lo ou espalhá-lo, de modo que o sistema reverte em silêncio em meses.
• Controle central sem permissão da linha de frente. Impor a melhoria de cima enquanto se nega à equipe o tempo, a segurança e os dados para conduzir os próprios testes, garantindo uma conformidade superficial.
• Fome de dados. Conduzir a QI com dados manuais, atrasados e não confiáveis quando os seus sistemas digitais poderiam trazer à tona gráficos SPC oportunos, mantendo o ciclo de aprendizado muito mais lento que o necessário.

Modelo de maturidade#

Lista de verificação#

• Escrevemos uma declaração de propósito específica, mensurável e com prazo para esta melhoria.
• Temos um diagrama de direcionadores que torna explícita e revisável a nossa teoria da mudança.
• Definimos medidas de resultado, de processo e de equilíbrio, incluindo uma medida de equilíbrio de equidade.
• Estamos exibindo os dados ao longo do tempo como gráficos de execução ou SPC, seguindo o "Making Data Count".
• Estamos testando mudanças em pequenos ciclos PDSA antes de escalar, com uma previsão para cada teste.
• Temos claro se isto é melhoria, entrega de projeto ou pesquisa e governamos em conformidade.
• As equipes da linha de frente têm permissão, tempo protegido e segurança psicológica para conduzir os próprios testes.
• Nossos sistemas digitais fornecem dados oportunos e confiáveis ao trabalho de melhoria, e não contagens manuais atrasadas.
• Temos um plano para sustentar, padronizar e espalhar qualquer mudança que se prove uma melhoria.
• Reportamos a melhoria aos líderes usando o pensamento SPC, e não comparações de dois pontos.

Fontes-chave#

• NHS England — Making Data Count: recursos e treinamento de controle estatístico de processo para o NHS.
• Institute for Healthcare Improvement (IHI) — Modelo de Melhoria, PDSA e recursos de Science of Improvement.
• Langley, Moen, Nolan, Nolan, Norman & Provost — The Improvement Guide (2ª edição), o texto fundamental sobre o Modelo de Melhoria.
• The Health Foundation — Quality Improvement Made Simple e revisões de evidências correlatas sobre melhoria na saúde.
• W. Edwards Deming — Out of the Crisis e o Sistema de Conhecimento Profundo.
• Amy C. Edmondson — The Fearless Organization, sobre a segurança psicológica nas equipes.

Referências#

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