Mesurer pour améliorer : outils avancés

Le T chart est un type de graphique utilisé pour suivre le nombre de jours (ou unités de temps) entre deux occurrences successives d’un évènement. Il est particulièrement utile lorsque les évènements que l’on surveille sont rares ou peu fréquents. 

Exemples : 

• Temps entre deux infections nosocomiales 
• Temps entre deux erreurs médicamenteuses 
• Temps entre deux chutes avec blessures 

Le T chart met l’accent sur le temps écoulé entre deux événements. Une augmentation de l’intervalle (plus de jours sans événement indésirable) est généralement positive, tandis qu’un raccourcissement de cet intervalle peut être le signal d’un éventuel problème.

Voici un exemple de données sur les infections nosocomiales en soins intensifs. Les données peuvent être saisies dans le fichier Excel disponible ci-dessous. L’information à encoder est la date de survenance de l’infection nosocomiale ; les autres colonnes se remplissent automatiquement.

Les données encodées ont généré le graphique ci-dessous. 

• Aucun point hors des limites n’est observé. Les variations mensuelles observées restent dans les limites de contrôle, ce qui indique des variations aléatoires du processus étudié.
• Le nombre moyen de jours entre deux infections nosocomiales est de 10,4 jours, reflétant la performance moyenne du service. Au-delà de la stabilité constatée, la question reste de savoir si ce délai est acceptable ou s’il convient de se fixer un objectif d’amélioration plus ambitieux.

1. Vous avez des données continue 

2. Vous disposez d'une seule mesure pour une période donnée

Exemples : 

• Consommation mensuelle de solution hydro-alcoolique en litre 
• Temps d'attente en consultation pour un patient tiré au sort chaque semaine
• Temps moyen journalier de pose de cathéters veineux centraux 

Vous allez utiliser un I chart, accompagné d’un Xmr chart

Voici un exemple de données collectées concernant la consommation mensuelle de solution hydroalcoolique dans une unité de chirurgie. Les données peuvent être encodées dans le fichier Excel disponible ci-dessous. Les informations à encoder sont les "Observations" (ici la date), et l'"Indicateur" (ici la consommation de solution hydroalcoolique en litres) . Les autres colonnes se remplissent automatiquement. 

Les données génèrent les deux graphiques ci-dessous.

• Dans le I chart, chaque point représente la consommation mensuelle de solution hydroalcoolique. La ligne rouge (CL) correspond à la moyenne générale de l’ensemble des observations, soit 19,8 litres.
• On constate qu’en février 2024, la consommation a été significativement supérieure à la moyenne. Il est donc nécessaire d’identifier les causes externes pouvant expliquer cette hausse ponctuelle.
• Le XmR chart représente l’écart absolu entre deux observations consécutives. Lorsque le graphique reste sous contrôle, cela signifie que la consommation varie peu d’un mois à l’autre et reste prévisible.
• L’apparition d'un pic, comme entre juin et juillet 2025, traduit une forte variabilité de consommation entre ces deux mois. Peut-on y trouver une explication ? 
• À noter que la présence de plusieurs pics dans un diagramme XmR indique des variations moins prévisibles. Il est alors pertinent de mener une investigation afin de mieux comprendre l’origine de ces fluctuations

1. Vous avez des données continues 

2. Vous disposez de plusieurs mesures sur une période donnée

Exemples : 

• Temps de lavage des mains mesurés auprès de 10 soignants au cours d’une semaine
• Score de satisfaction (échelle 1 à 10) recueilli auprès de 15 patients chaque mois
• Temps d’attente en consultation mesuré pour 5 patients chaque mardi matin

Vous allez utiliser un X̄ chart, accompagné d’un S chart

Voici un exemple de données collectées concernant le temps d'attente en consultation de dermatologie pour un échantillon aléatoire de patients chaque mois. Ces données ont été encodées dans le fichier Excel que vous pouvez télécharger ci-dessous.  L'encodage est réalisé comme dans le tableau qui suit : 

Les données génèrent les deux graphiques ci-dessous.

• Dans le X̄ chart, chaque point représente le temps d’attente moyen des patients pour le mois observé. La courbe rouge (moyenne de X̄) correspond à la moyenne générale de l’ensemble des observations, soit 11,35 minutes.
• On constate qu’en février 2025, le temps d’attente est significativement supérieur à cette moyenne générale. Il est donc nécessaire d’identifier les causes externes pouvant expliquer cette hausse ponctuelle. À l’inverse, une baisse significative est observée en mai 2025, ce qui mérite également une explication. 
• Le S chart mesure la variabilité des temps d’attente à l’intérieur de chaque échantillon mensuel. Lorsque le S chart reste sous contrôle, cela signifie que les patients vivent une expérience relativement homogène. En revanche, l’apparition de pics — comme en février 2025 — traduit une forte inégalité entre les temps d’attente, ce qui justifie une investigation.
• Ainsi, l’augmentation du temps d’attente en février 2025 s’explique par une variabilité accrue entre patients : certains ont connu des délais nettement plus longs que d’habitude.

1. Vous avez des données discrètes 

2. Vos données sont regroupées en catégorie et sont donc sous forme de classification. 

Exemples : 

• % de dossiers patients avec une évaluation du risque de dénutrition 
• Taux d'observance à l'hygiène des mains 
• % de critères de la checklist du bloc opératoire correctement complétés

Vous allez utiliser un P chart

Voici un exemple de données collectées concernant l’évaluation du risque de chute dans une unité de gériatrie. Le numérateur correspond au nombre de dossiers audités comportant une évaluation du risque de chute, tandis que le dénominateur correspond au nombre total de dossiers audités. Les données peuvent être saisies dans le fichier Excel disponible ci-dessous. Les informations à encoder sont la date, le numérateur et le dénominateur, les autres colonnes se remplissant automatiquement. 

Les données encodées ont généré le graphique ci-dessous. 

• Un point hors limites est observé en février 2025. Cela suggère des causes spéciales qui doivent être identifiées par l'équipe en charge du projet. 
• Les variations mensuelles observées restent globalement dans les limites de contrôle, ce qui indique des variations aléatoires du processus étudié.
• Le pourcentage de dossiers comportant une évaluation du risque de chute varie autour de 68 %, reflétant la performance moyenne du service. Au-delà de la stabilité constatée, la question reste de savoir si ce taux moyen est suffisant ou s’il convient de se fixer un objectif d’amélioration plus ambitieux.

1. Vous avez des données discrètes

2.  Vos données correspondent à un comptage direct d’évènements sous forme de dénombrement

3. Vous avez un dénominateur constant pour chaque période d'observation 

Exemples : 

• Nombre de chutes mensuelles observées chez 20 résidents ou patients
• Nombre d’erreurs liées aux bracelets d’identitovigilance observées chez 30 patients passés par le bloc opératoire au cours d’une semaine.
• Audit de 20 check-lists du bloc opératoire visant à identifier le nombre d’items défectueux dans ces check-lists.

Vous allez utiliser un C chart

Voici un exemple de données concernant les erreurs liées aux bracelets d’identitovigilance observées chez 60 patients passés par le bloc opératoire au cours d’un mois. Le numérateur correspond au nombre d’erreurs observées sur les bracelets, tandis que le dénominateur, constant, est de 60 bracelets de patients. Les données peuvent être saisies dans le fichier Excel disponible ci-dessous. Les informations à encoder sont la date, le numérateur et le dénominateur ; les autres colonnes se remplissent automatiquement.

Les données encodées ont généré le graphique ci-dessous. 

• Un point hors limites est observé en novembre 2024.  Cela suggère la présence de causes non aléatoires qui doivent être identifiées par l’équipe en charge du projet.
• Les variations mensuelles observées restent globalement dans les limites de contrôle, ce qui indique des variations aléatoires du processus étudié. 
• Le taux d’erreur moyen est de 3,4 erreurs pour 100 bracelets, reflétant la performance moyenne du service. Au-delà de la stabilité constatée, la question reste de savoir si ce taux est acceptable ou s’il convient de se fixer un objectif d’amélioration plus ambitieux.

1. Vous avez des données discrètes

2.  Vos données correspondent à un comptage direct d’évènements sous forme de dénombrement

3. Vous avez un dénominateur variable pour chaque période d'observation 

Exemples : 

• Nombre d’événements indésirables médicamenteux rapportés au nombre de doses délivrées (mesure mensuelle)
• Nombre de chutes de patients rapportées au nombre de journées d’hospitalisation (mesure mensuelle)
• Nombre de réadmissions non planifiées rapportées au nombre de sorties (mesure trimestrielle)

Vous allez utiliser un U chart

Voici un exemple de données sur les erreurs médicamenteuses rapportées au nombre de doses délivrées. Le numérateur correspond au nombre d’erreurs observées, tandis que le dénominateur correspond au nombre de doses délivrées. Les données peuvent être saisies dans le fichier Excel disponible ci-dessous. Les informations à encoder sont la date, le numérateur et le dénominateur ; les autres colonnes se remplissent automatiquement.

Les données encodées ont généré le graphique ci-dessous. 

• Aucun point hors limites n’est observé. Les variations mensuelles observées restent dans les limites de contrôle, ce qui indique des variations aléatoires du processus étudié.
• Le taux d’erreur moyen est de 1,8 erreur pour 1 000 doses délivrées, reflétant la performance moyenne du service. Au-delà de la stabilité constatée, la question reste de savoir si ce taux est acceptable ou s’il convient de se fixer un objectif d’amélioration plus ambitieux.