Ämne 10.2 — Kvalitetsutveckling och förbättringsvetenskap

Kvalitetsutveckling ger frontlinjeteam ett disciplinerat, datadrivet sätt att göra vården mätbart bättre genom små förändringsprov — och när ni kopplar det till era digitala verktyg förvandlar ni instrumentpaneler och automatisering till motorer för kontinuerligt lärande snarare än statisk rapportering.

Varför detta är viktigt inom hälsa och vård#

Kvalitetsutveckling (quality improvement, QI) är den dominerande förbättringsdisciplinen över National Health Service (NHS) och stora delar av global hälsa och vård. Den lärs ut på sjukhus, är inbäddad i morgonmöten på avdelningsnivå och förfäktas av nationella organ. Om ni leder digital leverans arbetar ni inte vid sidan av QI — ni arbetar inom ett system som redan tänker i mål, mått och förändringsprov. Att ignorera det språket isolerar ert team; att tala det flytande gör ert digitala arbete läsbart för kliniker, chefer och styrelser som redan litar på det.

Det djupare skälet spelar större roll. Inom hälsa och vård är variation i hur arbete utförs inget kosmetiskt problem. Omotiverad variation innebär att vissa patienter väntar längre, vissa får osäker vård och vissa utesluts helt. Förbättringsvetenskap finns just därför att goda avsikter och hjältemodiga insatser inte pålitligt ger bättre utfall — system gör det. En digital tjänst som skär minuter från ett kliniskt arbetsflöde, stänger ett säkerhetsglapp eller tar bort ett steg som oproportionerligt utesluter personer med lågt digitalt självförtroende gör förbättringsarbete, oavsett om ni kallar det så.

QI skyddar er också från ett vanligt digitalt misslyckande: att leverera en förändring och anta att den fungerade. Förbättringsvetenskap är byggd kring en enda ödmjukande insikt — de flesta förändringar är inte förbättringar, och ni kan inte avgöra vilka som är det utan mätning över tid. Att anta den disciplinen håller ert team ärligt, håller era påståenden försvarbara inför styrelser och tillsynsmyndigheter och håller era användare tryggare. Detta ämne visar hur ni kör QI ordentligt, hur det skiljer sig från projektleverans och forskning och hur ni sammansmälter det med de digitala verktyg ni redan äger.

Grundläggande begrepp#

Kvalitetsledning (quality management) inom hälsa och vård bygger på en härstamning som löper från tillverkning till sjukbädden. Den intellektuella roten är arbetet av W. Edwards Deming, statistikern som lärde ut att kvalitet kommer av att förstå och minska variation i system, inte av att uppmana individer att anstränga sig mer. Demings tänkande, tillsammans med Walter Shewharts, gav PDCA / Plan-Do-Study-Act-cykeln — den iterativa slingan planera-göra-studera-agera som ligger i hjärtat av modern QI inom sjukvården.

De flesta NHS-team kör PDSA inom Model for Improvement, ett ramverk populariserat av Institute for Healthcare Improvement (IHI) som parar cykeln med tre frågor: Vad försöker vi åstadkomma? Hur ska vi veta att en förändring är en förbättring? Vilken förändring kan vi göra som kommer att resultera i förbättring? Den första frågan besvaras med ett målformulering (aim statement) (specifikt, mätbart, tidsatt). Den tredje kartläggs ofta med ett drivkraftsdiagram (driver diagram), som länkar ert mål till de primära och sekundära drivkrafter ni tror påverkar det och sedan till konkreta förändringsidéer.

QI är en medlem av en familj av förbättringsansatser som delar filosofin i processen för ständig förbättring. Två syskon ni ständigt kommer att möta är Lean, härlett från Toyota Production System och inriktat på att avlägsna slöseri och förbättra flöde, och Six Sigma, som använder statistiska metoder för att minska defekter och variation. Inom sjukvården blandas dessa ofta som ”Lean Six Sigma”.

Mätning för förbättring beror på att se data över tid snarare än i ögonblicksbilder. De två arbetshästverktygen är körschemat (run chart) — observerade data plottade i tidsföljd mot en median — och kontrolldiagrammet (control chart), ett körschema med statistiskt härledda gränser, som underbygger statistisk processtyrning (SPC). SPC låter er skilja gemensamorsaksvariation (det vanliga bruset i ett stabilt system) från särskild-orsak-variation (en signal om att något genuint har ändrats). Inom NHS lärs detta ut som ansatsen ”Making Data Count”.

Inget av detta fungerar utan psykologisk trygghet: den delade tron att människor kan lyfta problem, erkänna att ett prov misslyckades och utmana nuläget utan att bli straffade. Förbättring är omöjlig där personal döljer defekter, och den är förutsättningen för allt annat i detta ämne.

Bästa praxis#

1. Börja med en målformulering, inte en lösning. Innan ni utformar något, skriv ned vad ni försöker åstadkomma, för vem, med hur mycket och när — till exempel ”minska mediantiden från remiss till första digitala triagering från 9 dagar till 3 dagar till mars.” Ett numeriskt, tidsatt mål tvingar fram tydlighet och ger er något att mäta mot. Team som hoppar över detta steg hamnar i att debattera funktioner i stället för utfall och kan aldrig avgöra om de lyckades. Detta kopplar direkt till Ämne 10.0 — Mål och nyckelresultat (OKR), men notera att en QI-målformulering är snävare och mer prövbar än ett typiskt mål.

2. Använd ett drivkraftsdiagram för att blotta er förändringsteori. Kartlägg ert mål till de primära drivkrafter som mest påverkar det, sedan till sekundära drivkrafter, sedan till specifika förändringsidéer. Det gör era antaganden synliga och debatterbara, och det hindrar team från att satsa allt på en enda insats. Det hjälper också er att sekvensera prov: ni kan angripa drivkraften med störst hävstång först. Håll diagrammet på väggen (fysisk eller virtuell) och revidera det allteftersom ni lär er — det är en levande hypotes, inte en engångsartefakt.

3. Kör små, snabba PDSA-cykler i stället för stora smällar vid lansering. Testa en förändring på en mottagning, en avdelning eller en kohort innan ni skalar upp. Förutsäg vad som kommer att hända, kör provet, studera datan mot er förutsägelse och besluta om ni ska anta, anpassa eller överge. Små prov minskar risk, lyfter problem tidigt och bygger den evidens och det självförtroende ni behöver för att sprida. Detta är en fundamentalt annan rytm än en fastomfattad projektplan, och det är där digitala team oftast behöver lära om vanor.

4. Mät över tid med körscheman och SPC, inte ögonblicksbilder före och efter. Ett enda par tal kan inte säga om en förändring orsakade en förbättring eller om ni fångade slumpmässig variation. Plotta ert mått som ett körschema eller kontrolldiagram så att ni kan se trender, skiften och särskild-orsak-signaler. Anta NHS-konventionerna i ”Making Data Count” så att era diagram är konsekventa och läsbara för andra. Disciplinen skyddar er också från att ta åt sig äran för brus, vilket urholkar förtroendet hos styrelser och tillsynsmyndigheter.

5. Balansera era mått. Varje förbättring har potential att göra något annat sämre. Vid sidan av ert utfallsmått, följ processmått (sker förändringen faktiskt?) och balanserande mått (försämras något som bieffekt — säkerhet, personalens arbetsbörda, jämlikhet i tillgång?). Ett digitalt triageringsverktyg som ökar genomströmningen men i tysthet utesluter personer utan smartphone har inte förbättrat vården. Balanserande mått är ert tidiga varningssystem för just denna sorts skada.

6. Ge frontlinjeteam genuin tillåtelse och förmåga att förbättra. Förbättring som påbjuds uppifrån och utförs av ett centralt team fastnar sällan. Investera i QI-utbildning, coachning och skyddad tid så att de som gör arbetet kan köra sina egna prov. Bygg den infrastruktur — en QI-fakultet, en mätfunktion, tillgängliga data — som IHI och mogna NHS-sjukhus beskriver som ryggraden i ett sjukhusomfattande program. Ert digitala teams uppgift är ofta att ta bort den data- och verktygsfriktion som hindrar förbättring i frontlinjen.

7. Utforma för spridning och varaktighet från början. En engångsvinst på en avdelning som förångas på sex månader är ett vanligt och demoraliserande utfall. Planera hur en lyckad förändring ska standardiseras, bäddas in i arbetsflödet och övervakas så att den håller — och hur den ska spridas till jämförbara miljöer utan att helt enkelt kopieras. Digitala verktyg hjälper enormt här: automatisering och standardval kan låsa in en förbättrad process långt mer pålitligt än en laminerad affisch. Det är här QI möter Ämne 8.1 — Förändringsledning.

8. Sammansmält QI med era digitala data och instrumentpaneler. Förbättringsvetenskap svälter utan aktuella data, och det mesta av NHS QI har historiskt körts på handräknade stickprov. Om ert team kan lyfta fram körscheman och SPC-diagram i nära realtid ur befintliga system förkortar ni lärandeslingan dramatiskt. Behandla instrumentpaneler, automatiserade datapipelines och självbetjäningsanalys som förbättringsinfrastruktur, inte bara rapportering. Detta är ett av de tydligaste, mest värdefulla bidrag en digital funktion kan ge klinisk kvalitet.

Frågor att diskutera med ditt team#

1. Kör vi kvalitetsutveckling, projektleverans eller forskning — och känner vi till skillnaden? Dessa tre lägen blandas rutinmässigt ihop, och sammanblandningen är dyr. Projektleverans syftar till att leverera en definierad omfattning i tid och inom budget; forskning syftar till att producera generaliserbar kunskap med rigorösa kontroller och etikgodkännande; QI syftar till att göra ett lokalt system bättre genom iterativa små förändringsprov. Mätning för förbättring är avsiktligt lättare än mätning för forskning — ni vill ha precis tillräckligt med data för att vägleda nästa cykel, inte en publicerbar studie. Att tillämpa forskningsmässig stringens på ett QI-prov förlamar teamet; att tillämpa QI-informalitet på något som egentligen är forskning riskerar etiska och säkerhetsmässiga misslyckanden. Gå igenom var vart och ett av era nuvarande initiativ genuint hör hemma, och om ni har rätt styrning för vart och ett. Att få detta fel är en vanlig orsak till att digitalt förbättringsarbete stannar eller drar till sig obefogad granskning.

2. Hur ska vi veta att en förändring är en förbättring, och inte brus eller önsketänkande? Detta är den andra frågan i Model for Improvement, och det är där de flesta team är svagast. Besluta nu vilka era utfalls-, process- och balanserande mått är, hur ofta ni ska samla in dem och hur ni ska visa dem över tid. Förbind er till körscheman eller SPC före lansering, så att ni inte frestas plocka en gynnsam jämförelse före och efter efteråt. Diskutera hur en ”särskild-orsak-signal” skulle se ut för varje mått, och vem som har befogenhet att utlysa den. Var ärliga om den obekväma följdsatsen: ni måste vara villiga att se att en förändring ni investerade i inte fungerade. Länka detta till Ämne 1.3 — Evidensdrivna beslut, eftersom samma intellektuella ärlighet ligger under båda.

3. Har våra frontlinjeteam faktiskt tillåtelse, tid och data för att förbättra — eller bara tryck att leverera? Förbättringsförmåga är ingen slogan; den kräver skyddad tid, coachning, psykologisk trygghet och tillgängliga data. Fråga uppriktigt om personal känner sig trygg med att rapportera att ett prov misslyckades, eller om de förväntar sig skuld. Fråga om de data de behöver anländer på dagar och veckor snarare än månader, och om era digitala system hjälper eller stjälper. Beakta om er organisation har genuin QI-infrastruktur — en fakultet, en metod, en mätfunktion — eller om förbättring beror på några entusiaster. Diskutera vad ert digitala team skulle kunna ta bort ur frontlinjens väg: manuell datainsamling, sköra kalkylblad, försenade rapporter. Svaret avslöjar vanligen mer om er kultur än er teknik, och det formar direkt vad Ämne 10.4 — Insyn för vd och högre chefer bör lyfta till styrelsen.

4. När en förändring fungerar, hur ska vi få den att hålla och spridas — och hur ska vi veta att den inte i tysthet har återgått? Det mest demoraliserande QI-utfallet är en genuin lokal vinst som bleknar inom månader när uppmärksamheten går vidare, och det näst mest demoraliserande är en framgång som aldrig sprids bortom avdelningen som var pionjär. Diskutera konkret hur en beprövad förändring ska standardiseras och bäddas in — helst i själva verktygen, genom standardval och automatisering, snarare än en laminerad affisch eller individuell välvilja som förfaller. Besluta vem som äger måttet efter att förbättringsprojektet stängts, och om ert körschema eller SPC-diagram kommer att fortsätta köra så att en återgång syns som en särskild-orsak-signal snarare än en överraskning ett år senare. Tala om spridning som en medveten handling av anpassning, inte kopiera-klistra: det som fungerade på en mottagning måste testas på nytt, inte bara rullas ut, i miljöer med annan personal, andra patienter och andra system. Var ärliga om huruvida er organisation faktiskt resurssätter varaktighet och spridning, eller behandlar ”stängd” som ”klar”. Det är här QI möter Ämne 8.1 — Förändringsledning, och där digitala standardval är er starkaste hävstång.

5. Smalnar eller vidgar våra förbättringar ojämlikheten — och skulle våra balanserande mått faktiskt fånga det? Digitala förbättringar är särskilt benägna att lyfta genomsnittet medan vissa grupper lämnas efter, eftersom de människor en ny onlineväg tjänar sämst ofta är de minst synliga i aggregerade data. Besluta nu om ni ska dela upp era mått efter de dimensioner som spelar roll — ålder, fattigdom, språk, digitalt självförtroende, funktionsnedsättning — i stället för att rapportera en enda rubriksiffra som kan dölja skada. Diskutera hur ett jämlikhetsbalanserande mått ser ut för just denna förändring, och vem som är ansvarig för att agera när det rör sig åt fel håll. Var uppriktiga om avvägningen: att behålla en telefonväg vid sidan av ett självremissformulär kostar pengar och personal, och trycket att avveckla den ”gamla” kanalen när det digitala upptaget stiger är exakt hur utestängning smyger sig in. Ett ärligt svar namnger de grupper som löper störst risk för denna förändring, anger hur ni skulle upptäcka skada tidigt och förbinder sig till att hålla den icke-digitala vägen öppen tills datan säger att det är säkert att ändra. Detta kopplar direkt till de jämlikhetsplikter som diskuteras på annat håll i denna bok och till era skyldigheter som offentlig tjänst.

6. Vad är vår digitala funktions specifika, mest värdefulla bidrag till förbättring här — och var överbygger vi? Det är frestande för ett digitalt team att svara på varje kvalitetsproblem med ny programvara, men det största bidraget är ofta att industrialisera mätning: att förvandla handräknade stickprov till pålitliga körscheman och SPC-diagram i nära realtid ur levande system, så att lärandeslingan förkortas från månader till dagar. Diskutera var automatiserad mätning och förnuftiga standardval genuint låser in förbättring, kontra var ni skulle förgylla ett problem som en enkel processförändring redan löste. Se upp för att bygga om ett verktyg — onlineformuläret i detta ämnes exempel — innan drivkraftsdiagrammet har visat att verktyget faktiskt är flaskhalsen. Fråga om er insats tar bort friktion ur frontlinjens förbättringsarbete eller lägger till en glänsande artefakt ingen bad om. Det ärliga svaret skiljer de ett eller två drag som mätbart påskyndar lärande från funktioner som bara ser ut som framsteg, och håller ert teams knappa kapacitet riktad mot drivkraften med störst hävstång.

I praktiken: ett exempel från hälsa och vård#

En integrerad vårdstyrelse (ICB) är bekymrad över sin fysioterapitjänst i närsamhället. Patienter remitterade från primärvården väntar en median på 21 dagar på första kontakt, klagomålen ökar och ett nytt onlineformulär för självremiss har inte uppenbart hjälpt. Det digitala teamets instinkt är att bygga om formuläret. I stället beslutar tjänstens kliniska ledare och den digitala produktchefen att driva detta som ett kvalitetsutvecklingsprojekt.

De skriver en målformulering: minska mediantiden från remiss till första meningsfulla kontakt från 21 dagar till 7 dagar inom fyra månader, utan att öka andelen uteblivna besök eller minska tillgången för patienter som inte kan använda onlineverktyg. De bygger ett drivkraftsdiagram. De primära drivkrafterna visar sig vara remissens kvalitet, triageringens snabbhet och tillgången på tider — inte, som först antogs, själva formuläret. Den största flaskhalsen är triageringen: remisser ligger i en delad inkorg i dagar innan en kliniker granskar dem.

De börjar smått. I en PDSA-cykel prövar en enda fysioterapeut triagering samma dag för en allmänläkarmottagnings remisser, med en enkel digital arbetslista teamet sätter upp på en vecka ur befintliga data. De förutsäger att triageringstiden faller till under en dag; studiefasen bekräftar det och avslöjar en överraskning — en tredjedel av remisserna saknar den information som behövs för att triagera tryggt, vilket tvingar fram omarbete. Nästa cykel prövar en strukturerad remissmall. Hela tiden lyfter det digitala teamet fram ett körschema över dagliga triageringstider och ett SPC-diagram över medianväntan, enligt konventionerna i ”Making Data Count”, så att hela tjänsten kan se framsteg i nära realtid i stället för att vänta på en månadsrapport.

Avgörande är att de följer ett balanserande mått: andelen remisser som anländer per telefon kontra onlineformuläret, uppdelat efter patientens ålder och fattigdom. När onlineremisserna ökar märker de att de inte når äldre patienter i de mest utsatta stadsdelarna, så de behåller telefonvägen fullt bemannad. Vid månad fyra ligger medianväntan stabilt på sex dagar — ett genuint skifte på kontrolldiagrammet, inte en lyckosam månad — och förbättringen håller eftersom den strukturerade mallen och triageringsarbetslistan nu är standardarbetsflödet, inbäddade i verktygen snarare än beroende av välvilja.

Sektorperspektiv#

Startup-företag#

Ett hälsotekniskt startup-företag har sällan ett formellt QI-program, och behöver inte ett — men kärndisciplinen är direkt tillämplig och ofta försummad. Model for Improvement kartläggs naturligt på produktexperiment: en målformulering är en hypotes, en PDSA-cykel är en bygg-mät-lär-slinga och balanserande mått skyddar mot det klassiska startup-misslyckandet att optimera ett mått medan man i tysthet skadar klinisk säkerhet eller jämlikhet. Den främsta risken är hastighet utan mätning över tid — att leverera snabbt och förklara seger på en enda veckas lyft. Anta körschematänkande tidigt; det är billigt och gör era utfallspåståenden trovärdiga för de NHS-köpare och kliniska partner ni så småningom behöver. Behandla psykologisk trygghet inom ert lilla team som en konkurrensfördel: ärlig rapportering av misslyckade prov är hur ni undviker att bygga fel sak i stor skala.

Småföretag#

En etablerad liten vårdgivare — en läkarpraktik, ett närapotek, ett vårdhem, en hemtjänstutförare eller en klinik på en enda ort — har verkliga patienter och pågående verksamhet men sällan någon dedikerad QI- eller analysförmåga, och kassan är knapp. Den goda nyheten är att Model for Improvement skalar ned ärligt: en praktikchef och en kliniker kan skriva en målformulering, köra en liten PDSA-cykel och föra ett enkelt körschema på en whiteboard eller i ett kalkylblad utan att köpa något. Disciplinen att skydda är mätning över tid — motstå frestelsen att bedöma en förändring på förra veckans tal, och välj två eller tre mått (inklusive ett balanserande mått såsom tillgång för patienter som inte kan använda onlineverktyg) ni faktiskt kan samla in under arbetsdagen. Luta er mot det ert befintliga kliniska system redan registrerar i stället för att bygga skräddarsydda instrumentpaneler ni inte kan underhålla, och där en nationell ansats såsom ”Making Data Count” erbjuder gratis konventioner och mallar, anta dem i stället för att uppfinna på nytt. Er begränsning är inte ambition utan tid, så håll proven genuint små och låt en beprövad förändring bli det stående arbetsflödet så att den håller utan pågående insats.

Storföretag#

En stor vårdgivare eller leverantör har vanligen en etablerad QI-infrastruktur — en fakultet, utbildade coacher, en förbättringsmetod och en mätfunktion — ibland uppgående till hundratals samtidiga projekt. Storföretagets risk är motsatsen till startup-företagets: byråkratisk QI som blir en efterlevnadsritual, med drivkraftsdiagram producerade för styrningen snarare än genuina förändringsprov. Ert digitala teams mest värdefulla drag är att industrialisera mätning för förbättring — automatiserade, pålitliga SPC-diagram i nära realtid ur levande system — så att förbättringsteam slutar handräkna och börjar lära snabbare. Se upp för storföretagets vana att förväxla ett stort transformationsprogram med förbättring; de två behöver olika styrning, vilket Ämne 5.2 — Programledt arbete gör tydligt. Varaktighet och spridning är era svåraste problem i skala, så investera i dem medvetet i stället för att anta att goda lokala resultat sprider sig av sig själva.

Staten#

Nationella och regionala organ — NHS England, ICB, organ på armlängds avstånd — formar QI genom metod, mandat och infrastruktur snarare än genom att själva köra prov. Programmet ”Making Data Count” är en bra modell: en nationellt främjad, konsekvent ansats till SPC som höjer kvaliteten på förbättringssamtalet överallt. Risken på denna nivå är att förväxla prestationsstyrning med förbättring — att påföra mål och rangordna organisationer efter tvåpunktsjämförelser, vilket SPC-tänkandet specifikt varnar för eftersom det misstar brus för signal. Statens bästa bidrag är att bygga förmåga och gemensam metod brett, skydda frontlinjens tillåtelse att förbättra och motstå frestelsen att förvandla varje mått till en bedömning. När ni sätter nationella digitala standarder, bädda in konventioner för mätning för förbättring så att förbättring, inte bara kvalitetssäkring, blir den förvalda hållningen.

Vanliga felmönster#

• Lösningsfokus före ett mål. Att hoppa till ”låt oss bygga en ny app” utan ett specifikt, mätbart mål, så att framgång aldrig kan bedömas och insatsen sprids över funktioner ingen validerat.
• Teater med före och efter. Att hävda förbättring utifrån två datapunkter när ett körschema skulle avslöja vanlig variation. Detta är det enskilt vanligaste sättet för team att lura sig själva och sina styrelser.
• Inga balanserande mått. Att förbättra genomströmningen medan man i tysthet försämrar säkerhet, personalens arbetsbörda eller jämlikhet i tillgång — en särskild fara för digitala verktyg som utesluter personer med lågt digitalt självförtroende.
• QI utklädd till projektledning. Att köra en fastomfattad plan med stor smäll och kalla den QI, utan genuina förändringsprov, utan PDSA och utan vilja att anpassa eller överge.
• Att förväxla förbättring med forskning eller prestationsstyrning. Att tillämpa forskningsmässig stringens som förlamar snabbt lärande, eller göra förbättringsdata till ett vapen som rankinglista och därmed förstöra psykologisk trygghet.
• Engångsvinster som förångas. Att fira en lokal framgång utan plan för att standardisera, bädda in, upprätthålla eller sprida den, så att systemet i tysthet återgår inom månader.
• Central kontroll utan tillåtelse i frontlinjen. Att påbjuda förbättring uppifrån medan personalen nekas tid, trygghet och data för att köra sina egna prov, vilket garanterar ytlig efterlevnad.
• Datasvält. Att köra QI på manuella, försenade, obetrodda data när era digitala system kunde lyfta fram aktuella SPC-diagram, vilket håller lärandeslingan långt långsammare än den behöver vara.

Mognadsmodell#

Checklista#

• Vi har skrivit en specifik, mätbar, tidsatt målformulering för denna förbättring.
• Vi har ett drivkraftsdiagram som gör vår förändringsteori uttrycklig och omprövbar.
• Vi har definierat utfalls-, process- och balanserande mått, inklusive ett balanserande mått för jämlikhet.
• Vi visar data över tid som körscheman eller SPC-diagram, enligt ”Making Data Count”.
• Vi testar förändringar i små PDSA-cykler före uppskalning, med en förutsägelse för varje prov.
• Vi är tydliga med om detta är förbättring, projektleverans eller forskning, och styr därefter.
• Frontlinjeteam har tillåtelse, skyddad tid och psykologisk trygghet att köra sina egna prov.
• Våra digitala system levererar aktuella, betrodda data till förbättringsarbetet, inte försenade manuella räkningar.
• Vi har en plan för att upprätthålla, standardisera och sprida varje förändring som visar sig vara en förbättring.
• Vi rapporterar förbättring till ledare med SPC-tänkande, inte tvåpunktsjämförelser.

Viktiga källor#

• NHS England — Making Data Count: resurser och utbildning i statistisk processtyrning för NHS.
• Institute for Healthcare Improvement (IHI) — Model for Improvement, PDSA och resurserna Science of Improvement.
• Langley, Moen, Nolan, Nolan, Norman & Provost — The Improvement Guide (2:a upplagan), grundtexten om Model for Improvement.
• The Health Foundation — Quality Improvement Made Simple och relaterade evidensgenomgångar om förbättring inom hälso- och sjukvården.
• W. Edwards Deming — Out of the Crisis och System of Profound Knowledge.
• Amy C. Edmondson — The Fearless Organization, om psykologisk trygghet i team.

Referenser#

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