Baixe o app para aproveitar ainda mais
Prévia do material em texto
https://education.ihi.org/topclass/topclass.do?CnTxT-221251179-contentSetup- tc_student_id=221251179-item=3971-view=1 MQ 103: Medir para Melhorar A medição é essencial em qualquer projecto de melhoria: Pode confirmar se as alterações que estão a ser testadas levam a melhoria. Contudo, medir em qualidade é diferente de medir em investigação. Nesta aula vai aprender a usar os três tipos básicos de medição: resultados, processos e equilíbrio. Vai ainda aprender a recolher, registar e interpretar os dados – para assegurar que a medição acelera a velocidade da mudança, em vez de a atrasar. Objetivos Ao concluir este curso você será capaz de: 1. Identificar as diferenças base entre medir em qualidade, medir em auditoria e medir em investigação. 2. Compreender o valor de representar os dados ao longo do tempo. 3. Identificar e interpretar os elementos básicos de um gráfico de sequências. 4. Explicar o básico da amostragem: porquê e como. MQ 103 Lição 1: Princípios básicos da medição Quando está a tentar mudar – quer seja uma tentativa para ser mais pontual ou para diminuir as infecções numa Unidade de Cuidados Intensivos (UCI) – vai precisar de recolher dados, para saber se está a melhorar. Mas, no mundo complexo e desordenado da vida real, como se pode decidir o que é importante mudar? E logo de seguida, como fazer essas medições? Esta aula vai explicar como medir e porque é diferente medir em qualidade ou medir em investigação. Vai ainda cobrir o processo de decidir quais as medidas a usar e como coleccionar os dados. Medição em 2 níveis Por esta altura já deve estar familiarizado com o Modelo para Melhoria – e estará pronto a usá- lo para abordar um problema real em cuidados de saúde. Talvez esteja motivado para usá-lo de forma a aumentar o cumprimento das regras de lavagem das mãos na sua instituição. Mas vamos com calma! Certamente já formou uma equipa, estabeleceu um objectivo, escolheu uma série de medidas e decidiu algumas mudanças a testar. Mas pense nisso por um momento: Para um projecto tão complexo, como vai conseguir recolher todos os dados de que necessita? Como vai saber exactamente com que frequência as pessoas estão a lavar as mãos? Não está à espera que venham ter consigo a avisar quando o fizerem, certo? E quando tiver todos os dados de que necessita, como os vai analisar? Certamente que para um projecto simples de melhoria pessoal é possível olhar de relance para uma lista de números e perceber o sentido. Mas quando estiver a trabalhar com muitas variáveis – e quando estiver a tentar conquistar uma assembleia céptica, que pode estar renitente a tentar algo novo – vai querer ter uma forma clara e convincente de demonstrar que as mudanças que efectuou estão a levar a melhoria da qualidade. De facto, tudo o que estamos a fazer é aprofundar a segunda questão do Modelo de Melhoria: Como vamos saber que uma mudança corresponde a melhoria? https://education.ihi.org/topclass/topclass.do?CnTxT-221251179-contentSetup-tc_student_id=221251179-item=3971-view=1 https://education.ihi.org/topclass/topclass.do?CnTxT-221251179-contentSetup-tc_student_id=221251179-item=3971-view=1 À medida que progride na sua viagem da melhoria, deve perceber que nem todas as medidas são iguais. Tipicamente, vai necessitar de efectuar medições em tempos diferentes de um projecto e a níveis diferentes. Existem, essencialmente, dois níveis básicos de medida. 1. Medidas a nível do projecto que respondem à segunda questão do Modelo de Melhoria (como representado na figura acima) 2. Medidas PDSA que o ajudam a responder a questões em cada ciclo PDSA (como demonstrado nas fases de Executar e Estudar do ciclo de PDSA em baixo). A segunda aula, vai focar-se nas formas mais eficazes de representar os dados para melhoria da qualidade – incluindo a utilização de gráficos de sequências, sequências temporais anotadas e gráficos de controlo. Finalmente, a 3ª aula vai explorar mais profundamente alguns “como-fazer” da medição em qualidade – incluindo estratégias de amostragem e estratificação dos resultados. Como os dados o vão ajudar? Quem está a usar dados para melhoria da qualidade está tipicamente na linha da frente dos cuidados de saúde. Não são, habitualmente, matemáticos fechados num escritório a resolver equações quadráticas. São pessoas que querem que os doentes tenham melhores cuidados – rapidamente. De facto, são pessoas com os seus interesses. De volta ao seu plano de aumentar o cumprimento da lavagem de mãos. A recolha de dados vai ajudá-lo a chegar onde quer. Especificamente: 1) Os dados vão ajudar a compreender os resultados actuais. (“Os nossos funcionários lavam as mãos apenas em 40% das suas actividades com os doentes.”) Isto é habitualmente referido como caracterizar o estado basal. 2) Os dados vão ajudá-lo a ter ideias para melhorar o proceso. (“Parece que o cumprimento é menor durante o fim-de-semana – vamos então orientar a nossa mudança para as pessoas que trabalham ao fim-de-semana.”) 3) Os dados vão ajudá-lo a testar mudanças para saber se levaram a melhoria. (“Depois de termos instalado dispensadores de desinfectante nas 3 unidades Poente, o cumprimento aumentou para 95%”). 4) Os dados vão ajudá-lo a garantir que as melhorias são sustentadas. (“Quatro meses após termos implementado esta mudança, o cumprimento mantém-se acima dos 95%. Estamos a manter as melhorias.”) Está a melhorar – Não a investigar! Durante o ensino secundário levou a cabo pequenas experiências. Por exemplo, durante uma qualquer aula de física foi questionado sobre se 2 bolas de diferentes tamanhos iriam descer uma rampa com a mesma velocidade. Alguns na turma disseram, “Sim, vão rolar à mesma velocidade”, enquanto outros disseram, “De forma alguma.” Depois, quando a experiência foi realizada e a aceleração das 2 bolas foi medida, para espanto de alguns, elas de facto aceleraram à mesma velocidade. Depois de algumas discussões acerca das teorias que justificam o comportamento das bolas, a experiência foi dada por terminada. Mas medir em qualidade é muito diferente de medir para investigação. Quando está a trabalhar num projecto de melhoria de qualidade, não vai escolher uma hipótese e mantê-la até ao final. Num projecto de melhoria, se vê que uma alteração não leva a melhoria, deve ajustar a hipótese e, através de uma séria de pequenos testes de mudança (ou ciclos PDSA) vai refinar a mudança até chegar ao melhor resultado possível. Se for um fanático de ciência, provavelmente estará já a torcer o nariz. O que diria o seu professor de física do liceu se voltasse a trás e redefinisse a sua hipótese após ter realizado a experiência? Vamos assumir que não ficaria, apenas, muito feliz. Mas um professor de melhoria de qualidade iria atribuir-lhe 20 valores. Porquê? Porque na sua aula, o objectivo é melhorar as condições que existem – não apenas descrevê-las. Mas para o fazer, precisa de poder modificar as suas hipóteses e voltar a testar as teorias, baseado naquilo que aprendeu durante os testes. Por esse motivo, um projecto de melhoria de qualidade é abordado de forma diferente de um projecto de investigação clínica. A próxima tabela demonstra algumas das principais diferenças entre medir em qualidade, medir para auditoria (conhecido como “dados para julgamento”) e medir para investigação académica. Fonte: Solberg L, Mosser G, McDonald S. The three faces of performance measurement: improvement, accountability and research. Joint Commission Journal on Quality Improvement. 1997;23(3):135-147. De acordo com estes princípios, aqui ficam algumas dicas que o vão ajudar a medir para melhorar – mas decididamente não o vão ajudar se está a preparar algum estudo para o Serviço Nacional de Saúde: Se a mudança não funciona, ajuste-a. Não é uma fraqueza de projecção; é um elemento essencial do estudo. Aceitar que podem existir diversos tipos de viés, mas em vez de eliminá-lospor emparelhamento, tente mantê-los consistentes. A investigação em melhoria da qualidade não acontece em isolamento, em condições controladas; tipicamente ocorre em ambientes de trabalho reais. Novamente isto não é um problema; é uma fonte de aprendizagem essencial sobre como fazer a mudança perdurar: para todos os doentes, de todas as vezes, em todas as situações. Sempre que possível, utilizar dados que alguém possa já estar a recolher. Isto vai tornar o seu projecto mais simples, sem comprometer a qualidade. Quando for necessário desenvolver novas medidas, tenha o cuidado de manter a recolha de dados o mais simples possível Definir os Dados de que Precisa Por agora, deve estar familiarizado com os 3 tipos básicos de medidas usados em projectos de melhoria de qualidade. Medidas de Resultado: Como o sistema se comporta? Quais os seus resultados? (“número total de doentes observados”). Se for uma média, identifique os cálculos necessários para chegar ao resultado. Inclua qualquer tipo de equipamento que seja necessário para recolher os dados. Se for um índice (tal como um índice de satisfação dos doentes), descreva quais os passos que compõem o índice. Quando estiver a medir características (tais como, completo, atempado ou preciso), descreva os critérios específicos que está a usar para definir cada característica – i.e., construa a “definição operacional”. Qual é o seu plano de recolha de dados? Novamente, compensa ser específico. Aqui ficam algumas boas questões a colocar. Quem é o responsável por colher os dados? Com que frequência os dados vão ser colhidos (horário, diário, semanal ou mensal)? Quais são as fontes dos dados? O que vai ser incluído ou excluído (ex. incluir apenas doentes internados ou incluir doentes em internamento e ambulatório)? Como vai colher os dados (ex. manualmente, utilizando um sistema automático ou um registo administrativo)? Qual a sua medição de base? Qual é o ponto inicial para esta medida? Como vai sumariar os valores basais para obter um número que represente o estado basal? E durante que período foi o estado basal colhido? Quais são os seus objectivos para esta medida? Especifique o alvo ou objectivo. É útil distinguir se o objectivo foi definido internamente pela equipa ou pela administração, ou por um corpo independente que desenvolveu o objectivo e o entregou a si? Exemplo de um Plano Completo de Medição: Diminuição dos Eventos Adversos a Medicamentos. Como pode ver, a medição envolve muitos pormenores. Portanto, vamos pensar em algo concreto. Aqui fica um exemplo de como poder efectuar um plano de medição. A sua equipa está a tentar melhorar o sistema de farmácia do seu hospital, de modo a que mais doentes tenham acesso ao fármaco correcto, no tempo certo. O seu objectivo específico é diminuir o número de eventos adversos a medicamentos (EAM’s) por 1000 doses em 75% em um ano. Assim, “EAMs por 1000 doses” é uma medida de resultados. Mas como vai obter esta informação? Definição Operacional da sua Medida Os EAMs colocam problemas sérios aos doentes, quer dentro, quer fora do hospital. Nos doentes internados, a monitorização dos EAMs por 1000 doses de medicação é uma forma útil de saber se as alterações que a equipa está a efectuar, são eficazes a nível da melhoria da segurança do circuito do medicamento. Para monitorizar a taxa de EAMs por mês, necessita de definir um numerador e um denominador. Numerador = número total de EAMs num mês Denominador = número total de doses administradas num mês O rácio resultante produzido por estes números será multiplicado por 1000 para atingir uma taxa de EAM (tantos EAMs por 1000 doses administradas). A equipa teria também de encontrar um consenso, sobre a definição de EAM e sobre o que constitui uma dose. Plano de Colecção de Dados Todos os meses, o coordenador de qualidade irá seleccionar uma amostra aleatória de pelo menos 20 processos clínicos fechados, cada qual com a estadia mínima de dois dias. (Ainda melhor seria uma revisão semanal de 10 processos). Irá rever os registos, em busca de alertas – certas medicações, valores laboratoriais ou eventos – que frequentemente servem de pistas para a ocorrência de um EAM. Irá investigar cada alerta para determinar exactamente se de facto aconteceu algum EAM. Irá descobrir e registar o número total de doses que cada doente recebeu, utilizando os códigos de cobrança e as contas dos medicamentos. Exemplo de Gráfico Representar os dados ao longo do tempo num gráfico de sequências é uma forma simples e eficaz de determinar se as alterações implementadas estão de facto a levar a melhoria da qualidade. Não tem a certeza do que é um gráfico de sequências? Não se preocupe! Existem mais algumas explicações na próxima aula. Segredos para medições eficazes A medição para melhoria deve ser usada para acelerar os processos, não para os atrasar. De seguida, apresentamos algumas dicas para ajudar as equipas a acelerar os processos de melhoria. 1. Represente os dados ao longo do tempo. Os processos de melhoria necessitam de mudança e a mudança é, por definição, um fenómeno temporal. Monitorizar algumas medidas chave ao longo do tempo é a ferramenta mais poderosa que uma equipa pode utilizar. O gráfico de sequências é a ferramenta para o fazer. 2. Procure utilidade, não perfeição. Lembre-se que o objectivo não é a medição; o objectivo é a melhoria. De forma a avançar para o próximo passo, a equipa necessita de dados apenas suficientes para saber se as mudanças estão a levar a melhoria. 3. Use amostragem. A amostragem é um método simples e eficiente para ajudar uma equipa a perceber o desempenho de um sistema. Por exemplo, em vez de monitorizar o tempo desde a cateterização até à cirurgia cardíaca continuamente, será suficiente medir numa amostra aleatória de 10-20 doentes por mês. 4. Integre a medição na rotina diária. Não fique 2 meses à espera para obter dados sobre o tempo médio de internamento do sistema de informação do hospital. Desenvolva um método simples de colher os dados e atribua a colheita de dados às tarefas de algum dos membros da equipa. 5. Use dados qualitativos e quantitativos. Além de colher dados quantitativos, certifique-se que colhe dados qualitativos, que são habitualmente mais fáceis de recolher e altamente informativos. Por exemplo, em vez de focar o seu esforço em melhorar a satisfação dos doentes e das famílias, pergunte aos doentes e às suas famílias acerca da sua experiência com o processo da cirurgia cardíaca. Utilizando uma família de medidas Os sistemas de cuidados de saúde são complexos – tão complexos que não é suficiente utilizar uma única medida como forma de perceber se as suas mudanças estão a levar a melhorias num sistema particular. Em vez disso, é preciso monitorizar uma família de medidas, se quiser avaliar de forma aprofundada o impacto das suas mudanças nas muitas facetas do sistema. As medidas específicas na família vão depender do objectivo e das mudanças planeadas, mas de seguida apresentamos alguns exemplos de diferentes tópicos de melhoria. Medidas de Fluidez Percentagem de respostas “bom” ou “muito bom” numa amostra de inquéritos de satisfação aos doentes. Média de horas diárias de médicos disponíveis para consultas Média diária de pedidos de consulta Medidas de Cuidados Críticos Duração média de internamento em UCI Taxa de mortalidade em UCI Percentagem de doentes/famílias satisfeitos com o tratamento Número médio de dias em ventilação mecânica Percentagem de doentes em UCI com pneumonia associada ao ventilador Percentagem de doentes em UCI com sépsis a catéter Medidas para Controlo de Diabetes Percentagem de doentes com 2 medições de HgbA1c no último ano Percentagem de doentes com objectivos especificados de auto-controlo Valor médio de HgbA1c na população com diabetes Percentagem de doentes com exames oftalmológicos e de pé diabético no último ano Percentagem de doentes com LDL colesterol inferior a 100 no último ano Medidas para Sistemas de Medicação Número de eventos adversos a drogas por 1000 doses administradas Percentagem de internamentos com eventos adversos a drogas Número de erros de medicação auto-reportados Percentagem de funcionários que reportam um clima de segurança positivo Avaliação Pós-Lição: MQ 103 Lição 1 Results You achieved 25 out of 25 Review your test results below Retake Return to Learning CenterContinue to Course Content 1 * Porque deveria considerar colher uma família de medidas ao efectuar um processo de melhoria? Answer Submitted Uma medida única pode não ser suficiente para determinar o impacto da alteração no sistema. Resposta Correta: Os sistemas de saúde são extremamente complexos. Uma pequena alteração num sistema complexo pode levar a muitos resultados inesperados. Assim, utilizar apenas uma medida pode não captar o efeito da mudança sobre o sistema. A utilização de mais medidas não vai necessariamente aumentar a probabilidade de publicação. Ainda que responder aos interesses da liderança seja importante, a sua selecção de medidas não deve ser primariamente afectada por este motivo. Finalmente, são os sistemas de saúde que são intrinsecamente complicados, não necessariamente o projecto de melhoria em si próprio. Os projectos com mais sucesso são habitualmente os mais simples. Correct You achieved 5 out of 5 2 * Considere que é um voluntário numa clínica gerida por estudantes, associada à sua instituição académica. Como membro do conselho de estudantes, está constantemente à procura de formas de melhorar a clínica. Uma queixa comum é que os doentes esperam muito tempo até serem atendidos, e decide abordar este problema. Como parte do seu projecto de melhoria, decide entrevistar alguns doentes à saída da clínica, acerca da sua experiência com a observação e a satisfação global com a clínica. Isto é um exemplo de qual das seguintes técnicas eficazes de medida? Answer Submitted Colheita de dados qualitativos Resposta Correta: Os dados qualitativos, que são menos acerca de números, mas mais acerca da profundidade da informação recolhida, podem ser uma valiosa fonte de conhecimento em processos de melhoria. As entrevistas ou grupos de discussão são fontes comuns de dados qualitativos. Correct You achieved 5 out of 5 3 * Considere que é um voluntário numa clínica gerida por estudantes, associada à sua instituição académica. Como membro do conselho de estudantes, está constantemente à procura de formas de melhorar a clínica. Uma queixa comum é que os doentes esperam muito tempo até serem atendidos, e decide abordar este problema. Qual das seguintes pode ser uma medida a nível de projecto para este esforço? Answer Submitted Número médio de minutos entre a chegada de um doente e o seu registro Resposta Correta: As medidas a nível de projecto, respondem à terceira questão do Modelo para Melhoria: “Como vamos saber se uma alteração é uma melhoria?” Neste caso, o objectivo do projecto é diminuir o tempo que demora até atender os doentes. Assim, uma medida para este projecto, seria “Número médio de minutos entre a chegada de um doente e o seu registro”. Contar o número de eventos adversos associados com o novo processo não traria nenhuma informação sobre se a mudança traz algum tipo de melhoria. Finalmente, medir o número de estudantes que colaboram no registo dos doentes poderá ser uma medida de processo, a nível do ciclo PDSA, mas não uma medida a nível de projecto. Correct You achieved 5 out of 5 4 * Está a trabalhar num projecto de melhoria num centro comunitário de saúde mental. O objectivo do seu projecto é: “Dentro de 2 meses, todos os nossos doentes vão esperar menos de 30 minutos até serem observados por um médico.” Decide colher dados nos tempos de espera dos doentes ao longo de uma semana, para poder ter uma linha basal. Qual poderá ser uma consideração importante quando prepara o seu plano de colecção de dados? Answer Submitted O que considera exactamente por “esperar menos de 30 minutos” – inclui o tempo que gastam a fazer o registo no secretariado? Resposta Correta: É essencial definir claramente as suas medidas antes de começar a recolher dados, de forma que toda a sua equipa possa estar a mediar a mesma coisa em todo o tempo – e de forma a que outros percebam o que está a medir. Não é necessário estabelecer previamente um consenso prévio sobre o valor do projecto; à medida que vai fazendo pequenos testes de mudança é provável que ganhe créditos à medida que avança. Finalmente, os dados que está a recolher são para melhoria de qualidade, não para auditoria ou responsabilização, portanto, para este projecto, não faz sentido notificar os supervisores acerca do desempenho de médicos individuais. Correct You achieved 5 out of 5 5 * Considere que é um voluntário numa clínica gerida por estudantes, associada à sua instituição académica. Como membro do conselho de estudantes, está constantemente à procura de formas de melhorar a clínica. Uma queixa comum é que os doentes esperam muito tempo até serem atendidos, e decide abordar este problema. Qual das seguintes formas é a melhor para decidir o tamanho da amostra (i.e., o número de doentes a medir) para o primeiro ciclo PDSA deste processo de melhoria? Answer Submitted Colher os dados numa pequena amostra, aleatória, de doentes. Resposta Correta: Colher dados em processos de melhoria significa habitualmente a utilização de uma menor amostra do que seria necessário se estivesse a recolher dados para investigação. Além do mais, na medição em melhoria, é habitualmente desnecessário (e pode derrotar o objectivo de testes rápidos e iterativos) recolher todos os dados ao longo de um extenso período de tempo. Correct You achieved 5 out of 5 MQ 103 Lição 2: Exibindo dados Depois de ter tido o árduo trabalho de testar uma mudança, provavelmente vai tentar convencer outras pessoas a fazer o mesmo. Mas se tudo o que tiver para mostrar for uma lista de números, não espere que alguém fique impressionado. A representação gráfica dos dados pode dar-lhe uma melhor imagem sobre se as suas mudanças estão a levar a melhoria. Também pode ajudar a convencer os cépticos à mudança. Nesta aula, vai aprender a construir dois tipos de gráficos – gráficos de sequências (Run Charts) e gráficos de Shewart – e a utilizá- os para interpretar os dados. Representar os Dados ao Longo do Tempo Imagine que está a trabalhar com o Dr. George Cheriyan, o neonatologista-chefe da Saudi Aramco Medical Services Organization (SAMSO), para diminuir a taxa de infecções de cateters centrais entre os recém-nascidos, na sua unidade. Esta é uma grande mudança, que envolve muitas pessoas, e a sua equipa vai ter de convencer toda a gente – desde o presidente da organiação até às enfermeiras que cuidam dos bebés – que eles devem alterar a forma como fazem o seu trabalho. Você apresentou uma série de reuniões, nas quais apresentou três slides com os dados que colheu. À medida que vai falando sobre o que fez, repara que não está a obter os “oohs” e os “aahs” que acha que os seus resultados merecem. De facto, repara que algumas pessoas parecem um pouco confusas, algumas um pouco cépticas – e algumas ainda a adormecer. Aqui estão os seus slides. O que correu mal? Não representou os dados de forma gráfica. Como devo apresentar os dados? Representar os dados ao longo do tempo é uma forma simples e eficaz de determinar se as alterações que está a fazer, estão a levar a melhoria – isto é, para responder à segunda questão do Modelo de Melhoria: Como vamos saber se uma mudança é uma melhoria?Também é uma excelente forma de demonstrar a melhoria que está a ocorrer – muito melhor do que listar uma longa série de números. Aqui ficam os dados do Dr. Cheriyan – os mesmos dados contidos nos três slides que acabamos de ver, mas representados graficamente. Desta vez, a audiência do Dr. Cheriyan sentou-se e prestou atenção. Elementos Básicos de um Gráfico de Sequências Aqui fica um exemplo genérico de um gráfico de sequências. Representa o número de kg de lixo médico por semana, numa representação gráfica ao longo do tempo. Kg de Lixo Médico Produzido em cada semana menores do que os dados iniciais do gráfico de sequências. Numa boa escala, a maioria dos dados irão cair sobre a porção média do gráfico. 3. Legende os eixos X e Y e dê ao gráfico um título útil. Para o seu projecto na unidade de neonatologia, o seu gráfico de sequências para a sua medida de avaliação pode ser chamado “Número de Sépsis a Catéter por Dias de Catéter.” 4. Calcule e represente a mediana dos dados no gráfico de sequências. A mediana é o número no meio dos dados, definido quando os dados são ordenados do maior ao menor. A mediana é muito útil quando estiver a interpretar o gráfico, como vai ver em breve. A mediana é também a posição do percentil 50. 5. Acrescente outra informação conforme vá sendo necessário. Acrescente um objectivo ou linha de meta, se apropriado. Anote eventos fora do comum, alterações testadas ou outras informações pertinentes. Exemplo de um Gráfico de Frequências: Percentagem de medicação não reconciliada O gráfico de sequências seguinte demonstra a percentagem de doentes com medicação não reconciliada à data de admissão. Este gráfico de sequências tem uma série de aspectos positivos. 1. A escala horizontal (eixo X) está definida por semana. Pode de facto introduzir a data da semana actual (ex. semana de 9/8/9, 16/8/9, etc) mas isto seria algo que é necessário fazer no software de introdução de dados. 2. A escala vertical (eixo Y) representa a percentagem de medicação não reconciliada à data de admissão. 3. O gráfico tem um título claro. 4. Os dados em bruto estão representados no topo do gráfico, de modo a que pode ver o numerador e o denominador a cada semana. 5. A percentagem por semana está representada de forma cronológica; os pontos são então ligados com uma linha e cada ponto de dados tem um marcador. 6. A mediana (35,5%) é representada ao longo da série de dados. Sua Vez: Exemplo de um Gráfico de Frequências 1 of 3 Este gráfico de sequências possui todos os elementos base de que um gráfico precisa? Não Sim 2 of 3 Em que semana foi atingido o objectivo? Semana 4 Semana 10 Semana 15 Semana 18 Semana 21 Não sei 3 of 3 Em que semana aconteceu A mudança decisiva para a descida da taxa de medicação não reconciliada? Semana 5 Semana 6 Semana 7 Semana 8 Semana 11 Não sei Como interpretar um Gráfico de Sequências No gráfico que acabou de ver – Percentagem de Medicação não reconciliada – Admissão – é perfeitamente claro que a equipa se está a ir na direcção certa. E em alguns casos a melhoria é visualmente óbvia – por exemplo, quando pontos de dados consecutivos se deslocam de forma estável na direcção desejada. Mas, e se a melhoria NÃO for visualmente óbvia? E se os dados têm picos altos e baixos e parece absolutamente imprevisível? Como pode saber o que se está a passar no processo? Para já, precisa de identificar o número de “sequências” no gráfico de sequências. O que é uma sequência? Do ponto de vista estatístico, uma sequência consiste em um ou mais pontos de dados do mesmo lado da mediana; mas não inclui os pontos de dados que caem na mediana. Confuso? Tente você mesmo. Quantas sequências existem neste gráfico? Existem duas formas de descobrir. Primeiro, pode desenhar um círculo à volta de cada sequência – isto é, à volta de cada grupo de pontos agrupados do mesmo lado da mediana – e contar o número de círculos final. Repare que uma sequência pode ser de apenas UM ponto de dados e os pontos directamente na mediana não contam. Se isto lhe parecer confuso, conte apenas o número de vezes que a linha cruza a mediana e some 1. Sua Vez: Como interpretar um Gráfico de Sequências 1 of 1 Quantas sequências existem neste gráfico? 2 4 14 27 Identificando padrões não aleatórios Consegue ver os 14 círculos no gráfico seguinte? Cada um representa uma sequência. Identificando padrões não aleatórios Não lhe estamos a pedir para fazer círculos simplesmente por ser divertido (Apesar de até certo ponto o ser.) O que procuramos num gráfico de sequências é evidência de sinais de mudança não aleatória – por outras palavras, evidência de que o processo está a mudar de alguma forma (eventualmente até melhorando!). Uma vez identificadas as sequências no gráfico, tem uma forma de descobrir se os padrões que está a ver são aleatórios ou não. Aqui ficam quatro regras simples para identificar aquilo que os estatísticos chamam de padrões não-aleatórios nos gráficos de sequências (estas regras também são demonstradas graficamente de seguida): Regra 1: Uma mudança no processo é indicada por seis ou mais pontos consecutivos acima ou abaixo da mediana. Regra 2: Um padrão é indicado por cinco ou mais pontos consecutivamente a aumentar ou a diminuir. Regra 3: Sequências de mais ou de menos indicam um padrão não aleatório. (Nota: Esta é complicada, pelo que vamos explicar em detalhe noutra sessão.) Regra 4: Uma medição “astronómica” é um bom sinal de uma variação não aleatória. Para completar a sua interpretação do gráfico de sequências, aplique cada uma destas 4 regras aos dados do gráfico. Se alguma das regras acontecer, existe evidência de variação não aleatória nos dados – o processo que estamos a medir está a mudar de alguma forma. As anotações no gráfico podem ajudar a definir se os padrões não-aleatórios são resultado das alterações que estivemos a testar e a implementar. não tão feliz. Mas de qualquer forma, a sua frequência cardíaca vai provavelmente aumentar. Isto é o que Shewhart chamou de variação de causa especial (não-aleatória) – o tipo de variação que não é parte do sistema ao longo do tempo e que ocorre devido a circunstâncias especiais. Aqui fica um resumo das diferenças entre variação de causa comum e variação de causa especial. Tipos de Variação Variação de causa comum Variação de causa especial É inerente ao desenho do processo É devida a causas irregulares ou não naturais que não são inerentes ao desenho do processo É devida a causas regulares, naturais ou ordinárias Afecta alguns, mas não necessariamente todos, aspectos do processo Afecta todos os resultados do processo Resulta num processo “instável” e imprevisível Resulta num processo “estável” e previsível Também conhecida como variação não-aleatória ou atribuível Também conhecida com variação aleatória ou não atribuível Fonte: Lloyd R. Quality Health Care: A Guide to Developing and Using Indicators. Sudbury, MA; Jones and Bartlett Publishers; 2004:183-185. Se nunca teve encontros românticos ou nunca recebeu notícias particularmente boas ou más, então o seu coração pode ser considerado um sistema estável, ou um sistema sob controlo estatístico. Isto significa que a variação seria previsível. Mas se continuar a sair com pessoas que fazem afirmações desconcertantes, o seu sistema vai ser considerado instável e fora de controlo estatístico – isto é, sujeito a variação resultante de causas especiais. Shewhart disse que se quiser um sistema estável e previsível, é necessário identificar as causas de variação especial e livrar-se delas. Mas como saber se o seu sistema é estável ou instável? Basta fazer um gráfico de Shewhart. Como fazer um gráfico de Shewhart Apesar de a aparência de um gráfico de Shewhartser muito semelhante à de um gráfico de sequências, na verdade são bastante diferentes – quer em termos de construção, quer em termos de interpretação. Como fazer um gráfico de Shewhart: Represente os pontos de dados por ordem cronológica Determine a linha de tendência central (média). Determine uma medida da variação comum dos dados. Calcule o limite superior de controlo (LSC) e o limite inferior de controlo (LIC) que reflectem a variação inerente na medida (irá ver como fazer este passo noutra aula). Como interpretar um gráfico de Shewhart: Qualquer ponto de dados que caia entre os LSC e o LIC (e não seja parte de um padrão não-aleatório) é parte da variação natural do processo. Qualquer ponto que caia for a desses limites ou represente um padrão não-aleatório entre o LSC e o LIC indica uma variação de causa especial. Aqui fica um exemplo de um gráfico de Shewhart, que representa o número de queixas de doentes, por mês. Consegue detectar algum padrão especial nestes dados? Ou será que reflectem apenas uma variação aleatória (i.e., variação de causa comum)? A resposta rápida é que este gráfico contém numerosos eventos de causa especial , que sinalizam um processo instável e imprevisível. Iremos ver mais acerca disto um pouco mais à frente. Portanto, Qual É O Mais Útil – Um gráfico de sequências ou um gráfico de Shewhart? Para muitos dos projectos de melhoria, um gráfico de dados anotados é tudo o necessário para perceber se as alterações introduzidas levaram a uma melhoria na medida de interesse. Se as alterações levaram a um novo nível de performance do sistema (como no exemplo prévio do gráfico de sequências da reconciliação de medicamentos), o gráfico de sequências vai demonstrar a evidência necessária para reclamar uma melhoria. Em alguns casos, o gráfico de sequências não é claro e o gráfico de Shewhart pode ser útil para clarificar se ocorreu alguma melhoria significativa. Os limites no gráfico de Shewhart permitem a detecção de uma causa de variação especial com apenas um ponto de dados. Enquanto as regras do gráfico de sequências são baseadas em probabilidades, os limites e regras associados com os gráficos de Shewhart são baseados em regras económicas e empíricas. Os gráficos de Shewhart têm o valor acrescentado dos limites de controlo, que nos permitem determinar se o processo é estável (variação de causa comum) ou instável (variação de causa especial). Dessa forma, podemos dizer se existe algum factor que leva à flutuação dos dados. Por essa razão, os gráficos de Shewhart permitem-nos prever com mais precisão o comportamento futuro do nosso sistema. Se por esta altura está um pouco tonto – existe muita informação a absorver, não se preocupe. Vai poder aprender um pouco mais sobre isto nos cursos intermédios e avançados. Por enquanto, o mais importante a reter é que existem diversas formas de representar os dados – e que a representação em si própria é uma poderosa fonte de conhecimento acerca do desempenho de um sistema. Quando está motivado para melhorar um sistema, é absolutamente a melhor forma de descobrir se as alterações que está a implementar, estão a levar a uma melhoria. Comece desde já a utilizar gráficos de sequências, de cada vez que quiser aprender alguma coisa com os seus dados. Se o gráfico de sequências não lhe contar uma história clara, considere mergulhar no desenvolvimento de um gráfico de Shewhart. Avaliação Pós-Lição: MQ 103 Lição 2 Results You achieved 25 out of 25 Review your test results below Retake Return to Learning CenterContinue to Course Content 1 * Qual dos seguintes é um exemplo de variação de causa especial? Answer Submitted Um doente com pneumonia tem uma contagem de glóbulos brancos muito elevada. Resposta Correta: A variação de causa especial é devida a causas irregulares ou não naturais e resulta num processo instável, que não pode ser previsível. Mais importante é o facto de não ser aleatório. Pequenas variações na temperatura corporal ao longo do dia, são devidas a variações de causa comum, tal como pequenas variações no nível de hemoglobina. É habitual e previsível que os níveis de glicemia subam após uma refeição. Contudo, um aumento nos glóbulos brancos num doente com pneumonia é um exemplo de uma variação de causa especial – uma variação não aleatória que reflecte um processo “instável”. Correct You achieved 5 out of 5 2 * Durante a rotação clínica na enfermaria médico-cirúrgica do hospital, repara que existem vários doentes com infecções do tracto urinário (ITUs) associadas aos seus catéteres de Foley (tubos colocados na bexiga para permitir a drenagem de urina). O médico da sua equipa concorda que isto é um problema e oferece-se para ajudar com um projecto de melhoria. Juntos, trabalham diversos ciclos PDSA para melhorar a taxa de ITUs na sua enfermaria. Ao desenhar o seu gráfico, é importante incluir: Answer Submitted Um título útil Resposta Correta: Atribuir um título útil a um gráfico de sequências, habitualmente ajuda as pessoas a compreendê-lo rapidamente. Embora as outras respostas possam fornecer informações úteis, não são medidas de resultados ou processos deste projeto. Desta forma, não seriam incluídas num gráfico de sequências, que é desenhado para o ajudar a interpretar os resultados de um esforço de melhoria. Correct You achieved 5 out of 5 3 * Durante a rotação clínica na enfermaria médico-cirúrgica do hospital, repara que existem vários doentes com infecções do tracto urinário (ITUs) associadas aos seus catéteres de Foley (tubos colocados na bexiga para permitir a drenagem de urina). O médico da sua equipa concorda que isto é um problema e oferece-se para ajudar com um projecto de melhoria. Juntos, trabalham diversos ciclos PDSA para melhorar a taxa de ITUs na sua enfermaria. Ao representar graficamente os seus dados deve: Answer Submitted Usar um gráfico de sequências para demonstrar o efeito de cada ciclo PDSA. Resposta Correta: Os gráficos de sequências são uma forma efectiva de ver as mudanças ao longo do tempo. São muito mais fáceis de interpretar do que uma longa lista de números. Um bom gráfico de sequências inclui apenas a informação necessária à interpretação, dado que gráficos muito detalhados se tornam frequentemente, difíceis de ler. Os gráficos de sequências habitualmente não incluem informação acerca de custos. Correct You achieved 5 out of 5 4 * Qual a utilidade de contar o número de sequências num gráfico? Answer Submitted Para ajudar a identificar padrões não aleatórios nos dados Resposta Correta: O que procura num gráfico de sequências é evidência de sinais de mudança não aleatória – por outras palavras, evidência de que o processo ou o resultado está de alguma forma a mudar. A mudança pode ser positiva ou negativa. Correct You achieved 5 out of 5 5 * Use o gráfico a seguir para responder à pergunta: Quantas sequências existem neste gráfico? Answer Submitted 6 Resposta Correta: De forma a contar sequências, pode desenhar um círculo à volta de cada sequência – isto é, à volta de cada grupo de pontos agrupados acima ou abaixo da mediana – e contar o número de círculos final. Não se esqueça que uma sequência pode consistir de apenas UM ponto de dados e que os pontos de dados que caem directamente na mediana não contam. Se isto lhe parece confuso, conte apenas o número de vezes que a linha cruza a mediana e acrescente 1. Correct You achieved 5 out of 5 MQ 103 Lição 3 Aprendendo com Medidas Se está a ler esta aula, provavelmente está interessado em melhorar os cuidados de saúde. Talvez queira fazer a diferença para centenas, milhares ou até milhões de pessoas. Mas você não pode visitar todas as pessoas pessoalmente para saber como estão – ou como as alteraçõesos podem afectar. Vai ter de encontrar uma forma mais fácil, mais eficaz de recolher a informação. Nesta aula, vai aprender quando e como a amostragem faz sentido – e como seleccionar a sua amostra sem enviesar os seus resultados. Vai também aprender a estratificar os dados de formas diferentes, de modo a encontrar padrões que de outra forma podem passar despercebidos. A Jen Dá-lhe uma Tarefa Arranjou um emprego de Verão, trabalhando na sede da “Jen & Berry’s”, uma empresa de gelados. Um dia, a presidente (Jen, claro) passa pela sua secretária e entrega-lhe uma tarefa. “Estamos a testar 2 novos sabores, o Fluttery Nutty Buttery Banjo Jamboree e o Cocoa Mocha Coca-Cola Polka Party. Mas só podemos lançar um e não estamos certos de qual o preferido. Consegue descobrir?” “Claro que sim”, responde. Pega num pouco de cada um dos sabores e testa ambos. Gosta mais do Fluttery Nutty Buttery Banjo Jamboree e envia um e-mail à Jen, a informar. “Fantástico”, responde ela. “Mas não lhe perguntei de qual gostava mais. Eu quero saber qual o gelado que os clientes de gelados por todo o país preferem.” Agora tem um problema. Não pode perguntar a todas as pessoas, em todos os locais, para testar ambos os sabores. O que é suposto fazer? Lentamente, começa a relembrar-se das suas aulas de Introdução à Estatítistica. Alguma coisa acerca de amostragem. Amostragem representativa. Parece prometedor… Amostragem de Dados para Melhoria de Qualidade A amostragem pode ser uma forma simples e eficaz de ajudar uma equipa a perceber qual o desempenho de um processo. Mas porquê efectuar amostragem, se não for estritamente necessário? Porque obter TODOS os dados gasta muito tempo e recursos. É fácil para as equipas perderem-se nas medições e atrasar as mudanças até terem recolhido muitos dados. É importante relembrar que o objectivo não é a medição, mas sim a melhoria. Quando se fazem medições é suposto acelerar a melhoria e a aprendizagem, não atrasá-las. Para prosseguir para cada novo passo no processo de melhoria, a equipa necessita apenas dos dados essenciais para tomar uma decisão informada sobre como prosseguir. Por exemplo, digamos que está a trabalhar num Serviço de Urgência (SU). O seu departamento é o ponto de admissão mais comum para diversos tipos de patologias, portanto, ineficiências aqui podem encravar os processos por todo o hospital. O seu objectivo é reduzir o tempo necessário para transferir um doente do serviço de Urgência para uma cama de internamento. De seguida, pode ver uma hipótese de utilização da amostragem para medir o tempo que leva a transferir os seus doentes. Abordagem da amostragem: A medição consiste na medição de 6 conjuntos de dados semanais, cada um dos quais com 25 doentes. Os doentes podem ser escolhidos de diversas formas em cada semana. Escolher 5 doentes por dia por cada dia útil. Se acredita que os fins-de-semana no SU são essencialmente iguais aos dias úteis, poderá escolher 5 doentes por dia em todos os 7 dias. Se por outro lado, acredita que os fins-de-semana são um processo diferente dos dias úteis, então deverá recolher dois conjuntos de dados diferentes. ou Escolher 25 doentes consecutivos. De igual forma, considere as reservas acima descritas para os dias úteis e fins-de-semana. Para o nosso projecto de melhoria do SU, estamos a definir a medida tempo, como o tempo decorrido entre a decisão de internar o doente até à chegada física do doente ao serviço de internamento. A colheita de dados deve ser feita em tempo real, portanto, é necessário desenhar um processo que permita atingir este objectivo. A equipa precisa de recolher um mínimo de 8 semanas de dados, que lhe irá dar 8 pontos de dados para representar num gráfico de sequências. Outro Exemplo de Amostragem: Controlo de Diabetes A sua equipa de melhoria de qualidade está a tentar melhorar o controlo da diabetes em doentes com menos de 18 anos. Precisa de uma medida basal que mostra a distribuição das idades das pessoas com diabetes na nossa população que têm níveis de hemoglobina A1c (açúcar no sangue) acima de 8%. Requisita esta informação ao seu departamento de sistemas de informação. Depois espera. E espera. E espera… Frustrado com esta espera, um dos elementos da sua equipa decide tomar o assunto em mãos. Inicialmente planeia rever todos os processos durante um período de 3 meses. Mas quando descobre que existem 210 processos para rever, decide escolher apenas uma amostra de 40. Durante a sua pesquisa, descobre que 15 dos 40 doentes da amostra (37,5%) tinham uma hemoglobina A1c maior do que 8%. Quando o departamento de sistemas de informação reportam à equipa, algumas semanas mais tarde, com o resumo dos dados obtidos de todos os processos clínicos avaliados durante um período de 3 meses, a sua equipa descobre que os 15 em 40 da sua amostra corresponderam a uma percentagem global de hemoglobina A1c superior a 8 muito semelhante à percentagem produzida pela avaliação global dos 210 processos. Neste caso, a sua equipa recolheu os dados “essenciais” para prosseguir. Neste caso, a amostra de 40 doentes (“A” no gráfico seguinte) foi representativa da totalidade da população de 210 processos (a linha tracejada no gráfico seguinte). Seleccionando uma Amostra Não Enviesada Imagine novamente que é um empregado de verão na “Jen & Berry’s”, tentando descobrir qual o sabor que a empresa devia lançar. Um dos sabores parece manteiga de amendoim; enquanto o outro parece chocolate. Como conseguir um amostra de clientes para testar os 2 sabores? Bem, provavelmente vai querer evitar falar apenas com os leitores da revista Amantes de Chocolate. Da mesma forma, não deve querer a sua amostra limitada aos leitores da Manteiga de Amendoim Hoje. Basear os seus resultados em qualquer um dos grupos, isoladamente, vai resultar num “erro de amostragem” – uma amostra que é mais positiva ou mais negativa do que a generalidade da população. No gráfico seguinte, A representa uma amostra não-enviezada da população; B representa uma amostra com desvio positivo – o esperado se perguntar aos leitores da Amantes de Chocolate se preferem o sabor de chocolate; e C represente a amostra com viés negativo – o esperado se fizesse a mesma pergunta aos leitores da Manteiga de Amendoim Hoje. Então, como se pode controlar um erro de amostragem? Uma forma é utilizar o seu julgamento na selecção da amostra. Outra é utilizar algum tipo de aleatorização. Aqui ficam as três estratégias base para a amostragem. Amostragem aleatória simples – é como andar de roda, de olhos vendados e apontar para pessoas numa sala cheia que contém toda a sua população alvo. É uma selecção de dados de uma amostra da população utilizando um método aleatório, tal como um número aleatório gerado por computador ou uma tabela de números aleatórios. Randomização proporcional estratificada – é como dividir a população em categorias separadas e, posteriormente, seleccionar uma amostra de cada uma destas categorias. Por exemplo, pode estratificar a população em doentes médicos, cirúrgicos, obstétricos e pediátricos – e depois escolher uma amostra aleatória de cada um destes grupos (como definido acima). (Nota: Para escolher uma amostra proporcional, deve escolher diferentes tamanhos de amostragem para cada grupo, dependendo do tamanho desse grupo na população). Amostragem por julgamento – baseia-se no julgamento daqueles com conhecimento do processo para seleccionar uma amostra útil para aprender acerca do impacto das suas mudanças no desempenho do processo. Por exemplo, uma equipa que trabalhe para reduzir o tempo de espera dos doentes no Serviço de Urgência pode decidir que seria mais útil e informativo recolher amostras para tempos de espera às 10h, 19h, 23h e 02h de cada dia. Aqui fica uma representação gráfica de cada uma destas opções de amostragem. Estratificação: Porquê e Como?A estratificação é a separação e classificação dos dados de acordo com diversas variáveis ou factores. O objectivo da estratificação é a identificação de padrões nos dados, que nos possam ajudar a compreender os factores causais responsáveis. Pode estratificar os dados em muitas variáveis: períodos de tempo, organização ou unidade; dados demográficos como a idade, sexo, grupo socio- económico ou étnico; ou local e tipo de tratamento ou médico. Existem inúmeras formas de cortar e distribuir os seus dados em contentores relativamente homogéneos. Se a sua população é relativamente pequena, lembre-se que a estratificação pode tornar possível que as pessoas saibam qual o médico que obteve cada resultado. Dessa forma, pode querer codificar os seus dados de forma a proteger a privacidade dos profissionais. O objectivo de usar os dados para melhoria da qualidade é a aprendizagem – não o julgamento. Então quando vai querer estratificar os seus dados? Aqui fica um exemplo no qual uma equipa que trabalha em complicações após bypass das artérias coronárias (CABG) quer estratificar os dados em Protocolo A e Protocolo B, para descobrir qual o protocolo associado com maior taxa de complicações. Provost L, Murray S. The Data Guide: Learning from Data to Improve Health Care. Associates in Process Improvement. Austin, TX; 2007:2-23. Por vezes as equipas estratificam os dados de outra forma que não a sequência temporal. Por exemplo, aqui fica um gráfico que estratifica as quedas por grupos etários. Demonstra claramente que o número de quedas atinge o pico nas idades muito jovens e muito idosas. Provost L, Murray S. The Data Guide: Learning from Data to Improve Health Care. Austin, TX; 2007:2-23. A equipa que está a estudar as quedas quer agora aprofundar os dados e estratificar os dois grupos etários onde as quedas ocorrem mais frequentemente, por hora das quedas. O grupo etário mais jovem tem uma distribuição ampla da hora das quedas. Mas, o grupo etário mais idoso sofre mais quedas a meio da noite ou logo após se levantarem. Provost L, Murray S. The Data Guide: Learning from Data to Improve Health Care. Austin, TX; 2007:2-24. Uma outra equipa, a trabalhar para reduzir o número de eventos adversos a medicamentos decide estratificar os dados por tipo de medicação. Isto revela uma elevada incidência de eventos adversos a medicamentos (EAMs) relacionados com anticoagulantes e sedativos. Numa tentativa de descobrir se este achado era transversal a todas as unidades, a equipa resolveu estratificar os dados por unidades cirúrgicas, médicas e de cuidados intensivos. Os dados estratificados trazem informação nova. Provost L, Murray S. The Data Guide: Learning from Data to Improve Health Care. Austin, TX; 2007:2-24. A estratificação revela a aprendizagem a tirar dos dados – e dá às Avaliação Pós-Lição: MQ 103 Lição 3 1 of 5 * Está a tentar melhorar os índices de satisfação dos doentes no Serviço de Urgência do seu hospital. Decide entrevistar 40 doentes por dia durante 3 semanas. A sua enfermeira-chefe diz que a qualidade do serviço tem uma grande flutuação de acordo com a hora do dia. Assim, a sua amostra diária consiste de 10 doentes questionados às 8h, outros 10 às 12h, outros 10 às 17h e os 10 finais às 21h. Isto é um exemplo de que tipo de amostragem? Mecânica Randomizada simples Randomizada proporcional estratificada Por julgameno 2 of 5 * Trabalha numa Unidade de Cirurgia que recebe 87 novos doentes em cada semana. No seu tempo livre, está a tentar melhorar o controlo da dor em toda a unidade. À medida que se prepara para colher os seus dados de base (antes de testar as suas mudanças), analisa o seu plano para recolher informação. Qual dos seguintes seria o melhor plano para colher dados para este projecto e porquê? Colher dados acerca do nível de dor num número de doentes seleccionados, que foram submetidos a cirurgias excepcionalmente dolorosas, para que mais tarde possa usar esse nível basal para que mais tarde possa usar esse nível basal para observar como o seu projecto afectou o controlo da dor na unidade. Colher dados acerca do nível de dor num número de doentes seleccionados, para que possa razoavelmente avançar no projecto, apesar dos seus recursos limitados. Colher dados acerca do nível de dor em todos os doentes, para que tenha muita informação para convencer os outros do valor da sua mudança. Colher dados acerca do nível de dor em todos os doentes, porque esta é a única forma válida de recolher a informação de que precisa. 3 of 5 * Está a tentar melhorar os índices de satisfação dos doentes no Serviço de Urgência do seu hospital. Decide entrevistar 40 doentes por dia durante 3 semanas. A sua enfermeira-chefe diz que a qualidade do serviço tem uma grande flutuação de acordo com a hora do dia. Assim, a sua amostra diária consiste de 10 doentes questionados às 8h, outros 10 às 12h, outros 10 às 17h e os 10 finais às 21h. Dada a sua estratégia de colheita de dados até agora, qual seria a melhor forma de estratificar os seus resultados sobre a satisfação dos doentes? Por hora da entrevista Por sexo do médico Por sexo do doente Por idade do doente 4 of 5 * A estratificação dos dados é útil num projecto de melhoria de qualidade porque lhe permite: Identificar os médicos com os piores resultados, para que possam ser disciplinados. Utilizar uma menor amostra na colheita de dados. Encontrar padrões nos dados que lhe permitam perceber os factores causais em questão. Assegurar que eliminou o erro de amostragem. 5 of 5 * Trabalha numa Unidade de Cirurgia que recebe 87 novos doentes em cada semana. No seu tempo livre, está a tentar melhorar o controlo da dor em toda a unidade. À medida que se prepara para colher os seus dados de base (antes de testar as suas mudanças), analisa o seu plano para recolher informação Decide colher os dados numa amostra da sua população de doentes. O que deve fazer ao escolher a sua amostra? Incluir na sua amostra apenas doentes que chegam em dias da semana. Desenvolver uma explicação clara acerca do seu erro de amostragem. Utilize um método simples tal como a amostragem aleatória, para escolher uma amostra não enviezada. A composição da sua amostra não faz diferença; é a intervenção em si própria que vai melhorar o controlo da dor.
Compartilhar