CURSO IHI MELHORIA DA QUALIDADE - IHI - MQ 103 Medir para Melhorar

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.