Mesurer pour améliorer : outils avancés

1. Définir clairement le problème ou l’objectif à analyser
Commencez par préciser la question à laquelle vous souhaitez répondre.
Exemple : dans le cadre d’un processus de déclaration et d’analyse des incidents ou presque incidents survenus au bloc opératoire.

2. Collecter les données sur une période définie
Rassemblez les informations nécessaires en notant, pour chaque incident, le ou les facteurs contributifs identifiés.
Encodez ces données dans un tableau Excel en listant :

• Les catégories de causes (par exemple, types d’erreurs au bloc opératoire).
• Le nombre d’occurrences pour chaque catégorie

3. Tracer directement le diagramme de Pareto

• Sélectionnez vos données (effectifs et pourcentages cumulés).
• Allez dans l’onglet "Insertion", cliquez sur "Graphiques recommandés", puis choisissez "Histogramme" et "Pareto"
• Assurez-vous que les axes sont bien notifiés 

Dans l'exemple ci-dessous, le diagramme de Pareto met en évidence que la majorité des erreurs déclarées au bloc opératoire sont concentrées sur quelques causes principales. En effet, trois facteurs représentent 60% des incidents recensés : la mauvaise préparation des instruments, la mauvaise communication entre les équipes et le non-respect du protocole de stérilité.

Ainsi, en ciblant les efforts d’amélioration sur la préparation du matériel, la communication et le respect des protocoles de stérilité, il serait possible d’avoir un impact rapide et notable sur la sécurité au bloc opératoire.

Vous trouverez dans le fichier Excel ci-dessous l'exemple de ce diagramme de Pareto

1.  Préparer les données

• Collectez vos deux variables.
• Placez-les dans deux colonnes distinctes, chaque ligne représentant une unité d'observation.

2.  Choisir les axes

• Variable supposée cause → axe horizontal (X, première colonne).
• Variable supposée effet → axe vertical (Y, deuxième colonne).

3.  Créer le graphique

• Sélectionnez vos deux colonnes.
• Insérez un graphique de type nuage de points via l’onglet Insertion

4. Ajuster l’échelle

• Harmonisez les longueurs d’axes.
• Fixez des min et max légèrement au-delà des valeurs extrêmes pour mieux occuper l’espace.

5.  Ajouter des titres clairs

• Titre du graphique.
• Noms des axes en nommant les variables étudiées et les unités de mesure

6. Afficher une courbe de tendance

• Cliquez sur le bouton + du graphique.
• Activez Courbe de tendance pour visualiser la relation.

L’analyse du nuage de points ci-dessous suggère qu’un allongement des temps d’attente s’accompagne généralement d’une baisse des scores de satisfaction, bien que cette corrélation ne soit pas systématique : certains patients se déclarent satisfaits malgré une attente prolongée et inversement. Ce constat souligne le caractère multifactoriel de la satisfaction des patients, laquelle est influencée non seulement par le délai d’attente, mais également par d’autres dimensions telles que la qualité de la prise en charge, la communication avec les soignants ou encore le confort de l’environnement. Dès lors, la mise en œuvre d’un projet d’amélioration axé sur la gestion du temps d’attente pourrait contribuer à renforcer la satisfaction, tout en s’inscrivant dans une démarche plus large et continue d’optimisation de l’expérience patient.

Pour mieux comprendre les mécanismes en jeu, il serait utile de compléter l’analyse par des enquêtes qualitatives explorant les perceptions et attentes des patients, ainsi que par des analyses quantitatives multivariées pour mesurer l’impact relatif de différents facteurs. Cela permettrait de cibler plus efficacement les actions visant à améliorer l’expérience patient.

Vous trouverez dans ce fichier Excel un exemple de construction d'un diagramme de dispersion.

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.