Meten om te verbeteren: geavanceerde tools

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.

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.

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.

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

De T chart is een type grafiek dat wordt gebruikt om het aantal dagen (of andere tijdseenheden) tussen twee opeenvolgende gebeurtenissen te volgen. Ze is bijzonder nuttig wanneer de gebeurtenissen die worden opgevolgd zeldzaam of weinig frequent zijn.

Voorbeelden:

• Tijd tussen twee ziekenhuisinfecties
• Tijd tussen twee medicatie-incidenten
• Tijd tussen twee valincidenten met letsel

De T chart legt de nadruk op de verstreken tijd tussen twee gebeurtenissen. Een toename van het interval (meer dagen zonder ongewenst voorval) wordt doorgaans als positief beschouwd, terwijl een verkorting van dit interval kan wijzen op een mogelijk probleem.

Hieronder zie je een voorbeeld van gegevens over ziekenhuisinfecties op de intensieve zorg. De gegevens kunnen worden ingevoerd in het Excelbestand dat je hieronder kunt downloaden. De in te voeren informatie is de datum van het optreden van de ziekenhuisinfectie; de overige kolommen worden automatisch ingevuld.

De ingevoerde gegevens hebben onderstaande grafiek gegenereerd.

• Er worden geen punten buiten de controlelimieten waargenomen. De maandelijkse schommelingen blijven binnen de controlegrenzen, wat wijst op willekeurige variatie in het onderzochte proces.

• Het gemiddelde aantal dagen tussen twee ziekenhuisinfecties bedraagt 10,4 dagen en weerspiegelt de gemiddelde prestatie van de dienst. Los van deze stabiliteit blijft de vraag of dit interval aanvaardbaar is, of dat het wenselijk is om een ambitieuzer verbeterdoel vast te stellen.