Meten om te verbeteren: geavanceerde tools

Een Pareto-diagram is een eenvoudige en krachtige tool om een probleem te analyseren en je inspanningen te concentreren waar ze de meeste impact hebben. Het is gebaseerd op het 80/20-principe en laat zien welke oorzaken verantwoordelijk zijn voor het grootste deel van het probleem. In een institutionele zorgcontext helpt het teams om prioriteiten te stellen, het gebruik van middelen te optimaliseren en de kwaliteit en veiligheid van de zorg te verbeteren. Deze praktische fiche begeleidt je stap voor stap bij het gebruik van dit grafische hulpmiddel.

1. Definieer duidelijk het probleem of de doelstelling

Begin met het verduidelijken van de vraag waarop je een antwoord wil krijgen.

Voorbeeld: in het kader van een meld- en analyseproces van incidenten of bijna-incidenten in de operatiekamer.

2. Verzamel gegevens over een afgebakende periode

Verzamel de nodige informatie door voor elk incident de geïdentificeerde bijdragende factoren te noteren.

Registreer deze gegevens in een Excel-tabel met:

• de categorieën van oorzaken (bv. types fouten in de operatiekamer);
• het aantal vastgestelde gevallen per categorie.

3. Teken het Pareto-diagram

• Selecteer de gegevens (aantallen en cumulatieve percentages);
• Ga in Excel naar Invoegen → Aanbevolen grafieken → Histogram → Pareto;

• Controleer of de assen correct en duidelijk zijn gelabeld.

In het onderstaande voorbeeld toont het Pareto-diagram aan dat het merendeel van de in de operatiekamer gemelde incidenten geconcentreerd is rond een beperkt aantal hoofdoorzaken. Drie factoren zijn samen verantwoordelijk voor 60% van de geregistreerde incidenten: een gebrekkige voorbereiding van het materiaal, onvoldoende communicatie tussen de teams en het niet naleven van de steriliteitsprotocollen.

Door de verbeteracties te richten op de voorbereiding van het materiaal, de communicatie en het naleven van de steriliteitsprotocollen, kan een snelle en merkbare verbetering van de veiligheid in de operatiekamer behaald worden.

In het onderstaande Excel-bestand vind je het voorbeeld van dit Pareto-diagram.

In de gezondheidszorg berust continue kwaliteitsverbetering op een grondige analyse van gegevens. Het begrijpen van de relatie tussen twee variabelen helpt teams om mogelijke oorzaken van problemen te identificeren, prioriteit te geven aan verbeteracties en het effect van ingevoerde veranderingen te evalueren. Door de relaties tussen variabelen beter te begrijpen, zetten we al een stap richting veiliger en effectievere zorg.

1. Gegevens voorbereiden

• Verzamel je twee variabelen.
• Plaats ze in twee aparte kolommen. Elke rij vertegenwoordigt één observatie.

2. Kies de assen

• Veronderstelde oorzaak → horizontale as (X, eerste kolom)
• Verondersteld effect → verticale as (Y, tweede kolom)

3. Grafiek maken

• Selecteer beide kolommen.
• Voeg via het tabblad Invoegen een spreidingsdiagram (scatterplot) toe.

4. Schaal aanpassen

• Stem de lengtes van de assen op elkaar af.
• Stel de minimum- en maximumwaarden iets ruimer in dan de uiterste waarden, zodat het diagram het volledige bereik benut.

5. Titels toevoegen

• Geef de grafiek een titel.
• Benoem de assen met de onderzochte variabelen en hun meeteenheden.

6. Trendlijn weergeven

• Klik op het plus-icoon (+) van de grafiek.
• Activeer de trendlijn om de relatie tussen de variabelen beter te visualiseren.

De analyse van onderstaande spreidingsdiagram suggereert dat langere wachttijden vaak gepaard gaan met lagere tevredenheidsscores, hoewel deze correlatie niet systematisch is: sommige patiënten geven aan tevreden te zijn ondanks een lange wachttijd, en omgekeerd. Dit benadrukt het multifactoriële karakter van patiënttevredenheid, die niet alleen door de wachttijd wordt beïnvloed, maar ook door andere aspecten zoals de kwaliteit van de zorg, de communicatie met het zorgteam en het comfort van de omgeving. Het implementeren van een verbeterproject gericht op wachttijdbeheer kan bijdragen aan hogere tevredenheid, als dit onderdeel is van een bredere, continue aanpak om de patiëntervaring te optimaliseren.

Om de onderliggende mechanismen beter te begrijpen, is het nuttig de analyse aan te vullen met kwalitatieve onderzoeken die de percepties en verwachtingen van patiënten in kaart brengen, evenals multivariate kwantitatieve analyses om de relatieve impact van verschillende factoren te meten. Zo kunnen verbeteracties gerichter worden ingezet om de patiëntervaring te versterken.

In onderstaand Excel-bestand vindt u een voorbeeld van hoe u een spreidingsdiagram kunt maken.

Wanneer je een kwaliteitsindicator in de tijd wilt opvolgen, is het belangrijk om de juiste type control chart te kiezen.

De keuze hangt af van de aard van de verzamelde gegevens: discreet of continu.

1. Discrete gegevens : Discrete gegevens zijn telbare, gehele waarden. Ze hebben betrekking op gebeurtenissen of eenheden. Voorbeelden: aantal valincidenten per maand, aantal correcte handhygiëne-toepassingen, aantal patiënten dat informatie kreeg, enz.

Bij discrete gegevens onderscheiden we twee benaderingen:

• Telling van gebeurtenissen
  Je telt hoe vaak een bepaalde gebeurtenis voorkomt, zonder de gegevens in categorieën onder te verdelen. Elke waargenomen waarde vormt een afzonderlijke telling. Voorbeelden: het aantal septicemieën per katheterdag, het aantal valincidenten per opnamedag, enzovoort.

• • Constante noemer (bv. altijd 100 observaties of dagen): gebruik een C-chart.
  • Variabele noemer (bv. het aantal dagen of observaties verschilt per periode): gebruik een U-chart.
    
    
• Classificatie (ja/nee, wel/niet)

​Gegevens worden ingedeeld in kwalitatieve categorieën, vaak binair, zodat je percentages kunt berekenen. Voorbeelden: percentage ​ ​patiëntendossiers met een risicobeoordeling, naleving van handhygiëne, correct ingevulde checklist-items. Gebruik een P-chart om het ​verloop van een percentage of proportie in de tijd te volgen.

2. Continue gegevens : Continue gegevens zijn numerieke waarden die op een schaal worden gemeten. Ze kunnen elke waarde aannemen, inclusief decimalen. Voorbeelden: wachttijd bij consultaties, duur van een ziekenhuisopname, pijnscore op een schaal van 0 tot 10, enzovoort.

Voor continue gegevens kunnen twee types control charts worden gebruikt:

• Wanneer je over meerdere metingen per periode beschikt (bv. 10 verblijsduren per week), gebruik je een X̄-chart, in combinatie met een S-chart.
• Wanneer je slechts één meting per periode hebt (bv. een dagelijkse gemiddelde verblijfsduur), gebruik je een I-chart, in combinatie met een XmR-chart.

De T-chart is een ander type grafiek dat wordt gebruikt om het aantal dagen (of andere tijdseenheden) te volgen tussen twee opeenvolgende gebeurtenissen. Ze is bijzonder nuttig wanneer de opgevolgde gebeurtenissen zeldzaam of weinig frequent zijn, zoals ziekenhuisinfecties, ernstige medicatie-incidenten of valincidenten met letsel. In tegenstelling tot andere control charts, die frequenties of proporties opvolgen, legt de T-chart de nadruk op de verstreken tijd tussen twee gebeurtenissen. Een toename van dit interval (met andere woorden: meer dagen zonder gebeurtenis) is doorgaans een positief signaal, terwijl een verkorting van het interval kan wijzen op het ontstaan van een probleem.

De control chart (of controlekaart) is een grafisch tool waarmee de evolutie van een proces in de tijd kan worden gevolgd en waarmee normale variaties — die voortkomen uit het gebruikelijke functioneren van het systeem — kunnen worden onderscheiden van uitzonderlijke variaties die wijzen op een probleem of een echte verbetering. In de gezondheidszorg is het een waardevolle tool om klinische of organisatorische prestaties te monitoren, afwijkingen snel te detecteren en de impact van verbeteracties te meten.

Of het nu gaat om het opvolgen van zorggerelateerde infecties, het controleren van medicatie-incidenten of het evalueren van patiënttevredenheid, control charts zijn essentiële tools voor besluitvorming in kwaliteitsmanagement. Door normale procesvariabiliteit te onderscheiden van significante afwijkingen, bieden ze teams en verantwoordelijken een objectief inzicht in de prestaties van processen. Zo ondersteunen ze datagestuurd bestuur, bevorderen ze organisatiebreed leren en maken ze deel uit van een gestructureerde aanpak van continue verbetering, ten voordele van zowel patiënten als zorgverleners.

De te downloaden Excelbestanden vind je onderaan deze pagina bij de aanvullende materialen.

1. Je beschikt over discrete gegevens

2. Je gegevens zijn ingedeeld in categorieën en vormen dus een classificatie

Voorbeelden:

• % patiëntendossiers met een risicobeoordeling voor ondervoeding
• Nalevingspercentage van handhygiëne
• % correct ingevulde checklist-items in het operatiekwartier

Je gebruikt een P chart

Hieronder zie je een voorbeeld van verzamelde gegevens over de beoordeling van valrisico op een geriatrie afdeling. De teller komt overeen met het aantal gecontroleerde dossiers waarin een valrisico-evaluatie aanwezig is, terwijl de noemer het totaal aantal gecontroleerde dossiers vertegenwoordigt. Je kunt de gegevens invoeren in het hieronder beschikbare Excelbestand. De in te vullen gegevens zijn de datum, de teller en de noemer; de overige kolommen worden automatisch ingevuld.

De ingevoerde gegevens hebben onderstaande grafiek gegenereerd.

• In februari 2025 wordt één punt buiten de controlegrenzen waargenomen. Dit wijst op bijzondere oorzaken die door het projectteam geïdentificeerd moeten worden.
• De overige maandelijkse schommelingen blijven over het algemeen binnen de controlelimieten, wat duidt op willekeurige variatie in het onderzochte proces.

• Het percentage dossiers met een valrisico-evaluatie schommelt rond 68% en weerspiegelt de gemiddelde prestatie van de dienst. Los van deze stabiliteit blijft de vraag of dit gemiddelde voldoende is, of dat het wenselijk is om een ambitieuzer doel vast te stellen.

De te downloaden Excelbestanden vind je onderaan deze pagina bij de aanvullende materialen.

1. Je beschikt over continue gegevens

2. Je hebt meerdere metingen per periode

Voorbeelden:

• Handwasduur van 10 zorgverleners gemeten gedurende één week
• Tevredenheidsscore (schaal 1 tot 10) verzameld bij 15 patiënten per maand
• Wachttijd bij consultaties gemeten voor 5 patiënten iedere dinsdagmorgen

Je gebruikt een X̄ chart, in combinatie met een S chart.

Hieronder zie je een voorbeeld van verzamelde gegevens over de wachttijd bij consultaties op de dermatologiedienst, voor een willekeurige steekproef van patiënten per maand. Deze gegevens zijn ingevoerd in het Excelbestand dat je hieronder kunt downloaden. Het invoeren gebeurt zoals in de onderstaande tabel weergegeven:

De gegevens hebben onderstaande twee grafieken gegenereerd.

• In de X̄ chart stelt elk punt de gemiddelde wachttijd van de patiënten in de betreffende maand voor. De rode lijn (X̄-gemiddelde) geeft het algemene gemiddelde van alle waarnemingen weer, namelijk 11,35 minuten.
• In februari 2025 ligt de wachttijd duidelijk boven dit algemene gemiddelde. Het is daarom nodig de externe oorzaken te identificeren die deze tijdelijke stijging kunnen verklaren. Omgekeerd wordt in mei 2025 een significante daling waargenomen, wat eveneens een verklaring vereist.
• De S chart meet de variabiliteit van de wachttijden binnen elk maandelijks steekproef. Wanneer de S chart onder controle blijft, betekent dit dat patiënten een relatief uniforme ervaring hebben. Het optreden van pieken — zoals in februari 2025 — wijst op grote ongelijkheid tussen wachttijden, wat verder onderzoek rechtvaardigt.

• Zo wordt de toename van de wachttijd in februari 2025 verklaard door een verhoogde variatie tussen patiënten: sommige patiënten hebben duidelijk langer moeten wachten dan gewoonlijk.

De te downloaden Excelbestanden vind je onderaan deze pagina bij de aanvullende materialen.

1. Je beschikt over continue gegevens

2. Je hebt slechts één meting per periode

Voorbeelden:

• Maandelijkse verbruik van hydro-alcoholische oplossing (in liters)
• Wachttijd bij consultatie voor één willekeurig geselecteerde patiënt per week
• Dagelijks gemiddelde tijd voor het plaatsen van centrale veneuze katheters

Je gebruikt een I chart, in combinatie met een XmR chart.

Hieronder zie je een voorbeeld van verzamelde gegevens over het maandelijkse verbruik van hydro-alcoholische oplossing op een chirurgische afdeling. De gegevens kunnen worden ingevoerd in het Excelbestand dat je hieronder kunt downloaden. De in te voeren gegevens zijn “Observatie” (hier de datum) en “Indicator” (hier het verbruik van de hydro-alcoholische oplossing in liters). De overige kolommen worden automatisch ingevuld.

De gegevens hebben onderstaande twee grafieken gegenereerd.

• In de I chart stelt elk punt het maandelijkse verbruik van de hydro-alcoholische oplossing voor. De rode lijn (CL – control line) geeft het algemene gemiddelde van alle waarnemingen weer, namelijk 19,8 liter.
• In februari 2024 ligt het verbruik duidelijk boven dit gemiddelde. Het is daarom nodig de externe oorzaken te identificeren die deze tijdelijke stijging kunnen verklaren.
• De XmR chart toont het absolute verschil tussen twee opeenvolgende waarnemingen. Wanneer deze grafiek onder controle blijft, betekent dit dat het verbruik van maand tot maand weinig varieert en voorspelbaar is.
• Het optreden van een piek, zoals tussen juni en juli 2025, wijst op een sterke variatie in het verbruik tussen deze twee maanden. Kan hier een verklaring voor worden gevonden?

• Opmerking: de aanwezigheid van meerdere pieken in een XmR chart duidt op minder voorspelbare variaties. In dat geval is het zinvol een onderzoek uit te voeren om de oorzaak van deze fluctuaties beter te begrijpen.