شاخص های کیفیت و نظارت بر عملکرد: KPI و داشبورد

سود:

• امکان تعریف شاخص های کیفیت و عملکرد (SKS، کیفیت بالینی، ایمنی بیمار) و طراحی داشبورد معنادار با پشتیبانی هوش مصنوعی
• امکان استفاده از هوش مصنوعی برای تولید تفسیر شاخص، توضیح واریانس و پیش نویس خلاصه اجرایی
• درک اینکه این مسئولیت مدیر است که کیفیت داده و علیت پشت نشانگر را تأیید کند و خطر بازی را تشخیص دهد.

"شما نمی توانید آنچه را که نمی توانید اندازه گیری کنید مدیریت کنید" تقریباً یک قانون در مدیریت مراقبت های بهداشتی است. اما اندازه گیری در مراقبت های بهداشتی یک جنبه تاریک نیز دارد: اگر شاخص اشتباه را اندازه گیری کنید، به رفتار اشتباه پاداش می دهید و ایمنی بیمار را تضعیف می کنید. در این بخش، نحوه تعریف KPI (شاخص‌های کلیدی عملکرد)، جمع‌آوری آن‌ها در داشبورد (داشبورد) و استفاده از هوش مصنوعی برای تفسیر این شاخص‌ها را یاد می‌گیریم. محدودیت از ابتدا مشخص است: هوش مصنوعی شاخص را محاسبه می کند و یک پیش نویس تفسیر تولید می کند. اما بررسی صحت داده ها، علیت و خطر بازی به عهده مدیر است.

چه شاخص خوبی خواهد بود؟

چارچوب کلاسیک برای اندازه گیری کیفیت در سلامت شاخص ها را به سه نوع تقسیم می کند. شاخص ساختار منابع و زیرساخت ها (مانند تعداد پرستار در هر تخت) را اندازه گیری می کند. یک شاخص فرآیند نحوه انجام کار را اندازه گیری می کند (مانند سرعت تجویز به موقع پروفیلاکسی آنتی بیوتیک). نشانگر پیامد آنچه برای بیمار اتفاق می افتد (مانند میزان عفونت، مرگ و میر) را اندازه گیری می کند. نام چارچوب کیفیت در ترکیه SKS (استانداردهای کیفیت سلامت) است و بسیاری از شاخص های اجباری را تعریف می کند. ردیابی این سه نوع با هم مهم است: اگر فقط به ساختار نگاه کنید، می‌گوید "ما منابع کافی داریم" اما به این معنی نیست که کار به خوبی انجام می‌شود. اگر فقط به فرآیند نگاه کنید، می گوید "ما قوانین را رعایت کردیم" اما ثابت نمی کند که برای بیمار خوب است. تصویر واقعی کیفیت زمانی نمایان می شود که هر سه با هم خوانده شوند.

یک KPI خوب چندین ویژگی دارد: به وضوح تعریف شده است (همه چیز یکسانی را اندازه گیری می کنند)، قابل اندازه گیری، برای سازمان معنادار، به موقع، و دستکاری آن دشوار است. بزرگترین خطر آخرین خطر است. وقتی یک شاخص به یک هدف گره خورده است، مردم گاهی راهی برای بهبود شاخص پیدا می کنند، نه عملکرد واقعی. این انحراف هدف یا بازی نامیده می شود. با قانون معروف گودارت خلاصه می شود: «وقتی یک معیار به هدف تبدیل می شود، دیگر معیار خوبی نیست». به عنوان مثال: هنگامی که نشانگر "زمان انتظار فوری" فشار ایجاد می کند، می توان بیماران را در وضعیت "ضبط باز اما دیده نشده" نگه داشت و نشانگر را به طور مصنوعی خوب کرد.

برای درست خواندن یک شاخص باید پاسخ سه سوال را با هم جست و جو کرد. اول، داده ها از کجا می آیند: آیا شاخص به صورت دستی یا خودکار محاسبه می شود. آیا منبع قابل اعتماد است؟ احتمال گم شدن/نادرست بودن ثبت نام در هنگام ورود چقدر است؟ دوم، آیا این تعریف تغییر کرده است: اگر "زمان انتظار" از ثبت نام به آزمون در ماه گذشته و از تریاژ به آزمون این ماه اندازه گیری شود، این دو عدد قابل مقایسه نیستند. سوم، با کدام اندیکاتور حرکت کرد: عددی که به تنهایی بهبود می‌یابد ممکن است نشانگر تعادل کنار آن را مختل کرده باشد. تصمیم گیری با نگاه کردن به یک شاخص بدون پرسیدن این سه سوال، مانند نگاه کردن به یک عکس اشعه ایکس و درمان یک بیمار است. تصویر بدون زمینه گمراه کننده است. هوش مصنوعی نمی تواند این سه سوال را برای شما بپرسد. زیرا تنها مدیری که سازمان را می شناسد می داند که داده ها از کجا می آیند، زمانی که تعریف تغییر می کند و حقیقت در زمین است. وظیفه هوش مصنوعی محاسبه شاخص و فهرست کردن توضیحات احتمالی است. بررسی صحت کدام یک از این گفته ها به عهده شماست.

گام به گام: داشبورد و تفسیر با هوش مصنوعی

1. شاخص ها را انتخاب کنید تعادل ساختار/فرآیند/نتیجه را رعایت کنید. حتماً شاخص های ایمنی بیمار را در نظر بگیرید.
2. تعاریف را روشن کنید صورت / مخرج، منبع و دوره هر شاخص باید نوشته شود.
3. داده ها را ناشناس بدهید. فقط اعداد؛ شناسه بیمار وجود ندارد.
4. درخواست پیش نویس نظر از هوش مصنوعی. انحرافات، روندها و توضیحات احتمالی را خلاصه کنید.
5. علیت و کنترل داده ها. برای هر "بهبود/بدتر شدن": آیا کیفیت داده تغییر کرده است، آیا تعریف تغییر کرده است، آیا واقعی است یا بازی است؟
6. با شاخص های مرتبط بخوانید. یک شاخص هرگز به صورت مجزا ارزیابی نمی شود. با جفت (مانند پذیرش مجدد، انتظار-بازی) به آن نگاه می شود.

احتیاط: هوش مصنوعی می تواند تغییر ناگهانی یک نشانگر را به صورت مکانیکی به عنوان "خوب" یا "بد" برچسب گذاری کند. گاهی اوقات افت ناگهانی بهبود نیست، بلکه توقف ورود داده ها یا تغییر در تعریف است. این وظیفه شماست که علیت نظر را تأیید کنید.

سه کیف کوچک

مورد 1 - تسریع در خلاصه اجرایی. هر ماه، یک افسر کیفیت به صورت دستی 18 شاخص را تفسیر می کرد و یک خلاصه 4 صفحه ای می نوشت. این 3 ساعت طول کشید. Anonymous داشبورد (فقط اعداد) را به هوش مصنوعی داد و خواستار یک پیش نویس خلاصه اجرایی شد. هوش مصنوعی انحرافات و توضیحات احتمالی را استخراج کرد. متولی هر عدد را با کلیپ بورد خود مقایسه کرد، دو استنتاج اشتباه را تصحیح کرد و جملات علی را دوباره کار کرد. مدت زمان از 3 ساعت به 45 دقیقه کاهش یافت. این حجم کار با کیفیت نیست، آماده سازی قبل از هوش مصنوعی است که کوتاه شده است.

مورد 2 - بازیابی جعلی. در یک بیلبورد، "متوسط ​​زمان انتظار فوری" از 48 دقیقه به 22 دقیقه در یک ماه کاهش یافت. هوش مصنوعی این را به عنوان "پیشرفت قابل توجه" تعبیر کرد. مدیر مشکوک شد و علت اصلی را بررسی کرد: سیستم ثبت نام در آن ماه به روز شده بود و "زمان شروع امتحان" به طور دیگری تعریف شده بود. بنابراین قدرت واقعی سقوط نکرده بود. فقط اندازه گیری تغییر کرده بود. تفسیر سیال هوش مصنوعی گمراه کننده بود. کنترل داده های مدیر دام را گرفت.

مورد 3 - گرفتن بازی. در یکی از بیمارستان‌ها، «نرخ معاینه سرپایی در طی 30 روز» به عنوان هدف تعیین شد و به سرعت به 98 درصد افزایش یافت. تیم کیفیت از هوش مصنوعی خواست تا این شاخص را با شاخص های مرتبط (نرخ ورود، رضایت بیمار) قرائت کند. معلوم شد که قرارهایی گذاشته شده است، اما در اکثر آنها شرکت نکرده اند. شاخص خوب است، وضعیت واقعی تغییر نکرده است. این شاخص به جای «داده شده» به عنوان «کنترل واقعی» دوباره تعریف شد.

چهار قالب قابل کپی

1) پیش نویس نظر شاخص:

نقش شما: دستیار مدیر کیفیت. در زیر داشبورد ماهانه ناشناس (فقط اعداد): نام نشانگر، این ماه، ماه گذشته، هدف. وظیفه: انحراف از هدف و ماه گذشته را در هر نشانگر نشان دهید، 3 انحراف قابل توجه را علامت بزنید و توضیحات احتمالی را پیشنهاد دهید. توضیحات را به عنوان واقعیت مطلق ارائه دهید. آن را به عنوان یک فرضیه بنویسید.

2) پرس و جو علت/داده:

«زمان انتظار فوری» در این ماه از 48 دقیقه به 22 دقیقه کاهش یافت. دلایل احتمالی این کاهش را در سه عنوان فهرست کنید: (1) بهبود واقعی، (2) تغییر داده/اندازه گیری، (3) اعوجاج هدف (بازی). به من بگویید چگونه برای هر یک بررسی کنم. تصمیم نگیرید کدام یک. نشان دادن مسیر کنترل

3) جفت نشانگر مرتبط:

برای هر نشانگر اصلی در داشبورد من، یک "نشانگر تعادل/جفت" پیشنهاد کنید که تفسیر آن به تنهایی خطرناک است (به عنوان مثال پذیرش مجدد برای LOS). در یک جمله توضیح دهید که چرا باید با هم خوانده شوند. آن را در یک جدول بدهید.

4) خلاصه هیئت:

یک خلاصه 1 صفحه ای برای هیئت مدیره از داده های شاخص ناشناس زیر تهیه کنید: 3 خبر خوب، 3 حوزه توجه، 3 پیشنهاد اقدام. از زبان ساده و مدیریتی استفاده کنید. منبع هر شماره را به عنوان [VERIFY] علامت گذاری کنید تا بتوانم آن را تأیید کنم.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

شاخص های ما را تفسیر کنید، به ما بگویید خوب یا بد هستند.

هیچ تعریفی، هیچ هدفی، هیچ زمینه ای وجود ندارد. هوش مصنوعی برچسب های مکانیکی و گمراه کننده تولید می کند.

اعلان قدرتمند:

در زیر نمودار نشانگر ناشناس (این ماه/ماه گذشته/هدف) آمده است. هر انحراف را نسبت به هدف تفسیر کنید، اما قبل از گفتن «خوب/بد»، تغییر داده/تعریف احتمالی و امکان بازی را نیز ذکر کنید. LOS را بخوانید، زمان انتظار را با نشانگر بازی بخوانید. قضاوت نهایی نکنید؛ نقاط مورد نظر را علامت بزنید

نوع نشانگر

مثال

خطر اظهار نظر انفرادی

ساختار

نسبت پرستار به تخت

کیفیت را تضمین نمی کند

فرآیند

نرخ در زمان پروفیلاکسی

نتیجه را نشان نمی دهد

نتیجه گیری

میزان عفونت

فرار در نمونه کوچک

بهره وری

زمان انتظار

برای بازی باز است

اشتباهات رایج

• نگاه کردن به یک شاخص هر شاخص اصلی باید با یک شاخص تعادل خوانده شود.
• بلافاصله تغییر ناگهانی را خوب/بد در نظر بگیرید. ممکن است تغییرات داده یا تعریف وجود داشته باشد.
• نادیده گرفتن بازی شاخص وابسته به هدف را می توان دستکاری کرد.
• اشتباه گرفتن تفسیر هوش مصنوعی با علیت. هوش مصنوعی رابطه را می بیند نه علت را.
• کیفیت داده ها زیر سوال نمی رود شاخص های خوب نمی توانند از داده های بد حاصل شوند.

نکته: یک "نشانگر تعادل" کوچک به داشبورد خود در کنار هر نشانگر اصلی اضافه کنید و همیشه از این جفت توضیح هوش مصنوعی بخواهید. عددی که به تنهایی می درخشد اغلب جفت کم نور خود را پنهان می کند.

به طور خلاصه

شاخص‌های کیفیت سلامت سازمان را اندازه‌گیری می‌کنند، اما اندازه‌گیری اشتباه رفتار نادرست را ایجاد می‌کند. هوش مصنوعی کمکی قدرتمند در محاسبه شاخص‌ها، خلاصه کردن واریانس‌ها و تهیه پیش‌نویس خلاصه مدیریت است. اما هوش مصنوعی روابط را می بیند، نمی تواند علیت را ایجاد کند. تغییر ناگهانی ممکن است تغییر داده/تعریف یا بازی باشد. هر نشانگر را با جفت تعادل، کیفیت داده پرس و جو، بررسی علیت بخوانید. تایید نهایی نظر و تصمیم با مدیر است.

وظیفه کاربردی

5-6 شاخص ناشناس (این ماه/ماه گذشته/هدف) از سازمان خود دریافت کنید. با الگوی "پیش نویس نظر شاخص" نظرات را از هوش مصنوعی درخواست کنید. شاخصی را که بیشترین تغییر را دارد انتخاب کنید و سه توضیح ممکن (واقعیت/داده/بازی) را با الگوی "Cauation/data query" استخراج کنید و نحوه بررسی هر کدام را در 5 نقطه بنویسید.

چک لیست

• [ ] آیا تعریف شاخص ها (حساب/ مخرج/ منبع) را روشن کرده ام؟
• [ ] آیا داده ها را به صورت ناشناس ارائه کردم؟
• [ ] آیا من هر شاخص اصلی را با جفت تعادل می خوانم؟
• [ ] آیا امکان داده/تعریف/بازی را در صورت تغییرات ناگهانی بررسی کرده ام؟
• [ ] آیا من به عنوان مدیر، نظر و تصمیم نهایی را تایید کردم؟