| Objectif |
Acquérir de nouvelles connaissances généralisables Le chercheur effectue une revue de la littérature pour identifier le cadre de sa recherche en décrivant une problématique et en posant des hypothèses. Le chercheur publie alors ces conclusions pour faire avancer l’état de la connaissance.
|
Stimuler le changement, éclairer les choix des patients, partager les bonnes pratiques Comparer des indicateurs peut se décliner en trois approches avec des objectifs propres :
Le benchmarking est une méthodologie qui repose sur une comparaison d’indicateurs et des pratiques qui génèrent les résultats. Cette comparaison peut se faire entre organisations (benchmark externe) ou entre services/unités (benchmark interne).
La transparence des résultats (accountability) est une approche qui consiste à publier les indicateurs collectés afin de guider les usagers des soins de santé dans leurs choix. Ce dispositif est perçu comme un incitatif pour que les prestaires de soins améliorent leurs pratiques.
Le paiement à la performance (ou P4P dans le contexte belge) consiste à octroyer des financements sur base des résultats de certains indicateurs. Combinés ou non avec une transparence des résultats, ces paiements incitatifs ont pour objectif d’améliorer la performance du système.
|
Amélioration des processus de soins, de la pratique et des résultats de santéLes équipes de terrain impliquées dans les projets d’amélioration analysent les variations de leurs indicateurs dans le temps. Ces derniers vont identifier les changements significatifs ou encore distinguer les causes communes (variations inhérentes au système) des causes spéciales (variations imprévues).
|
| Taille de l’échantillon |
Recueillir un grand nombre de donnéesLe chercheur recueille des données représentatives de la population qu’il étudie. Cela nécessite donc d’effectuer un plan d’échantillonnage rigoureux qui demande souvent beaucoup de ressources (humaines et matérielles).
|
Idéalement avoir 100% des données disponiblesIl est conseillé de disposer de données les plus exhaustives possibles. Plus elles le seront et plus la taille des intervalles de confiance sera petite ce qui renforce la comparaison des mesures collectées.
|
Petits échantillons répétés dans le tempsL’équipe d’amélioration doit collecter un nombre suffisant d’observations pour analyser les variations qui se produisent dans leur processus. Cela nécessite de définir un plan d’échantillonnage simple. Par exemple, observer aléatoirement 20 patients par mois ou encore auditer une heure par mois l’observance à l’hygiène des mains.
|
| Biais |
Conçue pour éliminer tous les biais inhérents aux donnéesLe design de la recherche est conçu pour réduire au maximum les biais inhérents aux données.
|
Ajuster les données pour éliminer les biais, pour isoler l’effet du phénomène que l’on veut comparerEliminer autant que possible les biais en identifiant des indicateurs pertinents qui doivent être valides et fiables pour une comparaison optimale. Il faut par exemple s’assurer que la variabilité n’est pas due aux caractéristiques de certaines sous-populations (par exemple case-mix) ou à la présence de facteurs confondants. Il faut donc collecter d’autres variables pour assurer une comparaison pertinente. Une stratification ou une méthode d’ajustement statistique permettent de limiter ces biais.
|
Accepte des biais stables dans le tempsDes biais stables sont acceptés à partir du moment où ils n’impactent pas significativement les variations observées dans les données.
|
| Flexibilité des hypothèses |
Hypothèses posées à priori sur base de la connaissance existanteLe protocole de collecte est adapté pour répondre au mieux aux hypothèses posées à priori.
|
Pas d’hypothèses
|
Hypothèses flexibles qui changent sur base de l’évolution des connaissancesL’équipe d’amélioration ajuste les actions prises au regard des variations observées dans leurs données.
|
| Stratégie d’essai |
Un test des hypothèsesLes hypothèses sont vérifiées une seule fois au regard du protocole de recherche préalablement définit.
|
Pas de tests
|
Plusieurs séquences de testMesurer dans une démarche d’amélioration continue permet de construire une connaissance à partir d’un processus itératif basé sur des cycles PDSA.
|
| Comment déterminer si un changement est une amélioration |
Test d’hypothèses avec différentes méthodes statistiques (T-tests, Chi-square, P-value, régressions, etc.)Le chercheur vérifie ses hypothèses en faisant notamment de l’inférence statistique. Il s’agit d’appliquer un ensemble de méthodes statistiques permettant d’induire les connaissances d’une population générale à partir de celles d’un échantillon.
|
Pas focalisé sur le changementUn bon système de comparaison d’indicateur permet d’évaluer les écarts de performance. Les utilisateurs doivent donc évaluer ces écarts au regard des pratiques qui génèrent ces résultats. L’utilisateur est donc responsable du plan d’action qu’il souhaite mettre en place pour améliorer ses résultats.
|
Run Charts et Control Charts (ou Shewhart Charts) Les outils propres à la maitrise statistique des processus sont utilisés pour évaluer les changements apportés. Cliquez ici pour accéder aux ressources vous permettant d’utiliser les Run Chart et Control Chart. |
| Confidentialité des données |
Protection du sujet de recherchePublier les résultats d’une recherche permet à d’autres chercheurs de s’y référer à son tour pour faire avancer l’état de la connaissance.
|
Données partagées entre institutions ou rendues publiquesLa transparence envers d’autres organisations et/ou le public est considérée comme un incitant à l’amélioration des pratiques.
|
Données utilisées uniquement par ceux qui sont impliqués dans les projets d’améliorationLes conclusions tirées des données ne sont applicables uniquement pour le processus observé et aucune généralisation ne peut être faite pour d’autres unités ou organisations. Les équipes d’amélioration peuvent partager leur expérience pour inspirer d’autres projets similaires.
|
| Niveau d’utilisation |
Niveau macro |
Niveau macro et méso |
Niveau micro |