... eller download en tom Excel-skabelon til dine egne data

Data

SPC Preview

Indstillinger

Diagram type:

Y-akse enhed:

Udviklingsmål:

Evt. baseline:

Y-akse min:

Y-akse max:

Download kopi af data og indstillinger

Eksport Indstillinger

Eksport Format:

Hospital eller virksomhed:

Afdeling eller afsnit:

Indikatortitel:

Maksimalt 200 karakterer

Datadefinition:

Maksimalt 2000 karakterer

Analyse af processen:

Maksimalt 2000 karakterer

Auto-genereret analyse — rediger for at tilpasse

AI kan hjælpe med at formulere en mere detaljeret analyse af processen. Teksten kan redigeres efter behov.

Format:

Størrelse (px):

Datakilde ell. fodnote:

Preview

Ingen graf er genereret endnu. Gå til hovedsiden for at oprette en SPC-graf først.

Download kopi af data og indstillinger Eksportér

Tilbage

Lær om SPC

SPC hjælper dig med at se, om en proces varierer tilfældigt — altså naturligt — eller om der er tegn på en reel ændring.

Denne side forklarer de vigtigste begreber, du møder i biSPCharts: variation, seriediagrammer, Anhøj-regler, kontrolgrænser og valg af charttype. Hvis du leder efter den konkrete klik-for-klik arbejdsgang, så brug linket „Sådan bruger du appen“ på velkomstsiden.

Hvad er SPC?

SPC står for Statistical Process Control. Det er en metode til at forstå variation i processer over tid.

I klinisk kvalitetsarbejde er pointen enkel: Data varierer altid. SPC hjælper dig med at skelne mellem almindelige udsving og signaler, der kan betyde, at processen faktisk har ændret sig.

Kort sagt: SPC svarer ikke bare på om et tal er højt eller lavt. SPC hjælper dig med at vurdere, om udviklingen over tid ser stabil, forbedret eller ustabil ud.

En stabil proces: Punkterne varierer omkring midterlinjen uden tydeligt signal.

SPC starter med data over tid

SPC virker bedst, når du følger den samme indikator på samme måde over tid. Rækkefølgen er afgørende. Et gennemsnit eller en før/efter-sammenligning kan skjule, om processen var stabil, gradvist forbedret eller præget af enkelte udsving.

Gode data til SPC har typisk

en tydelig tids- eller rækkefølgekolonne, fx måned, uge eller dato
en ensartet definition af hvad der tælles eller måles
nok datapunkter til at vurdere mønstre over tid
en relevant nævner, hvis du arbejder med andele eller rater
noter om kendte procesændringer, ferieperioder, databrud eller kampagner

Pas på databrud: Hvis definitionen, datakilden eller opgørelsesmetoden ændrer sig, kan diagrammet vise et signal, der skyldes måden data er opgjort på — ikke en reel procesændring.

To typer variation

Den vigtigste skelnen i SPC er mellem tilfældig variation og ikke-tilfældig variation.

Tilfældig variation

Også kaldet common cause variation . Det er den naturlige støj, der findes i alle processer. Processen er forudsigelig inden for sit normale niveau.

Ikke-tilfældig (eller særlig) variation

Også kaldet special cause variation . Det er tegn på, at noget usædvanligt kan være sket. Processen bør undersøges, før man konkluderer.

Undgå tampering: Hvis du reagerer på tilfældige udsving, som om de var reelle ændringer, kan du gøre processen mere ustabil. SPC hjælper med at undgå den fejl.

En stabil proces er ikke nødvendigvis en god proces. Den er bare forudsigelig. Hvis niveauet er utilfredsstillende, kræver forbedring typisk en ændring af selve systemet.

Proces med et tydeligt niveauskift.

Sådan læser du et seriediagram

Et seriediagram er det bedste sted at starte. Det viser dine datapunkter i rækkefølge og lægger en midterlinje ind, så du kan se mønstre over tid.

Punkter: Hver observation i dataserien.
Linje: Forbinder punkterne, så udviklingen over tid bliver synlig.
Midterlinje: Viser processens nuværende niveau og kaldes derfor „Nuv. niveau“ på grafen. I seriediagrammer er midterlinjen typisk medianen. I kontroldiagrammer er den typisk et gennemsnit eller en beregnet middelværdi.
Serie: Flere punkter efter hinanden på samme side af midterlinjen.
Kryds: Når linjen krydser midterlinjen.

Seriediagram med annotationer der viser midterlinje, serie og kryds

Et seriediagram med midterlinje, markeret serie og kryds.

Anhøj-reglerne

Anhøj-reglerne er to statistiske tests, der bruges til at finde tegn på ikke-tilfældig variation i seriediagrammer.

Regel 1: Serielængde

Hvis den længste serie af punkter på samme side af midterlinjen er længere end forventet, er der tegn på et niveauskift i processen.

Regel 2: Antal kryds

Hvis linjen krydser midterlinjen færre gange end forventet, kan det tyde på clustering, stratificering eller en trend i data.

I biSPCharts: Signalboksene viser blandt andet serielængde og antal kryds. Farvemarkering betyder, at appen har fundet et signal, som bør vurderes fagligt.

Reglerne kræver ikke, at data er normalfordelte. De bliver dog mere meningsfulde, når der er nok datapunkter. Ved meget korte serier skal resultaterne tolkes forsigtigt.

Diagram med Anhøj-signal detekteret og value boxes

Et diagram med signal. Boksene hjælper med at vise, hvilken regel der er udslagsgivende.

Kontroldiagrammer og kontrolgrænser

Kontroldiagrammer tilføjer kontrolgrænser omkring midterlinjen. Grænserne beregnes ud fra processens variation og viser, hvor langt man normalt kan forvente, at data varierer, hvis processen er stabil.

Punkter uden for kontrolgrænserne er stærke signaler om ikke-tilfældig variation. De skal ikke bare ignoreres som støj, men de skal heller ikke tolkes uden lokal viden.

Kontrolgrænser er ikke målgrænser. Et udviklingsmål viser, hvor I gerne vil hen. Kontrolgrænser viser, hvad processen naturligt producerer lige nu.

Et P-kort med kontrolgrænser. Punkter uden for grænserne er markeret.

Hvilken charttype skal jeg vælge?

Start med seriediagram, hvis du er i tvivl. Vælg derefter en kontrolcharttype, hvis du ved hvilken type data du arbejder med.

Type	Bruges til	Nævner?	Eksempel
Seriediagram (Run)	Første overblik over udvikling over tid	Valgfrit	Ventetid eller andel per måned
I-kort	Individuelle målinger med kontrolgrænser	Nej	Liggetid, svartid, score
P-kort	Andele og procenter	Ja	Andel patienter med komplikation
U-kort	Rater, hvor observationsmængden varierer	Ja	Infektioner per 1.000 sengedage
C-kort	Tællinger, når observationsmuligheden er nogenlunde konstant	Nej	Antal fald per måned på samme enhed

Nævner i seriediagram: Et seriediagram kan godt bruges med nævner, fx hvis du vil vise en andel over tid. Nævneren er bare ikke påkrævet for at lave et seriediagram.

Mål, baseline, skift og frys

Nogle af appens valg lyder ens, men de betyder forskellige ting.

Udviklingsmål: En visuel mållinje. Den viser ambitionen, men ændrer ikke beregningerne.
Evt. baseline: En fast midterlinje, hvis du vil sammenligne mod en kendt værdi.
Skift: Markerer kendte procesændringer eller faser i diagrammet.
Frys: Låser kontrolgrænser ud fra en baseline-periode, så senere data sammenlignes med det niveau.

Praktisk tommelfingerregel: Brug udviklingsmål til ambitionen, skift til kendte ændringer i processen, og frys når I bevidst vil fastholde en baseline som sammenligningsgrundlag.

Fra signal til handling

Et SPC-signal er starten på en faglig vurdering — ikke slutningen. Appen kan vise, at et mønster er usædvanligt, men den kan ikke alene forklare hvorfor.

Gode spørgsmål når der er signal

Skete der en kendt procesændring omkring tidspunktet?
Er datadefinitionen eller datakilden ændret?
Er signalet klinisk meningsfuldt eller kun statistisk synligt?
Er forbedringen stabil over tid, eller hviler den på få punkter?
Hvad ved medarbejdere og ledere om perioden, som diagrammet ikke viser?

Når du eksporterer en rapport, bør analysen derfor kombinere signalstatus, datadefinition og lokal viden om processen.

Typiske faldgruber

For få datapunkter: Meget korte serier kan give usikre signalvurderinger. Brug derfor mindst 12 datapunkter i en serie — og helst 20 eller flere — før signalvurderingen tillægges stor vægt.
Forkert nævner: P- og U-kort afhænger af en meningsfuld nævner.
Data uden tidsorden: SPC handler om proces over tid. Rækkefølgen må ikke være tilfældig.
For hurtige konklusioner: Et enkelt højt eller lavt punkt er ikke automatisk en forbedring eller forværring.
Skift markeret efter resultatet: Skift bør afspejle kendte procesændringer, ikke bruges til at forklare et signal bagefter.

Videre læsning

Hvis du vil dykke dybere ned i SPC, er disse kilder gode at starte med:

Anhøj J. Statistical Process Control for Healthcare. Online bog
Anhøj J. qicharts2: Quality Improvement Charts. Vignette
Anhøj J, Olesen AV. Run charts revisited. BMJ Quality & Safety 2015. Artikel
Anhøj J. SPC-manifestet: Otte principper for brug af data i kvalitetsudvikling. Læs manifestet

Tilbage

Rapportér fejl

Oplever du, at noget i biSPCharts ikke virker som forventet? Så hjælper du os meget ved at sende en kort beskrivelse. Du behøver ikke at være teknisk - bare fortæl, hvad du oplevede.

Inden du sender

Det hjælper os hurtigt at forstå og rette fejlen, hvis du kan vedhæfte:

din datafil - gem den via Eksportér -fanen som Excel og vedhæft .xlsx-filen
grafen , du så, da fejlen opstod - gem den også via Eksportér -fanen
et skærmbillede af det, du oplevede, hvis det er relevant (Windows: Win+Shift+S, Mac: Cmd+Shift+4)

Hvorfor? Med dit datasæt og grafen kan vi gen-afspille situationen og sikre, at fejlen er rettet, når vi melder tilbage.

Hvad er nyttigt at beskrive?

Skabelonen i mailen guider dig - men kort fortalt hjælper det os, hvis du fortæller:

Hvad skete der?
Hvad lavede du, da det skete?
Hvad havde du forventet?
Skete det én gang, eller hver gang du prøver?

Du behøver ikke at udfylde alt - skriv bare det, du kan huske.

Send rapporten

Når du klikker på knappen herunder, åbnes din mail-klient med en færdig skabelon til inspiration. Skriv eller udfyld det du kan, vedhæft gerne din datafil, samt evt. din graf og et skærmbillede, og tryk send.

Åbn mail

Virker knappen ikke? Så kan du i stedet sende en mail direkte til dataenheden.bispebjerg-frederiksberg-hospitaler@regionh.dk - skriv kort, hvad du oplevede, og vedhæft gerne datasæt, graf og skærmbillede.

Tilbage

Om biSPCharts

biSPCharts er udviklet til at gøre Statistical Process Control (SPC) tilgængeligt for klinikere og kvalitetsmedarbejdere — uden krav om erfaring med databearbejdning eller særlig statistisk viden.

Hvem står bag?

biSPCharts er produceret af Dataenheden i Afdeling for Kvalitet og Uddannelse på Bispebjerg og Frederiksberg Hospital .

Vi arbejder med kliniske data, kvalitetsudvikling og analyse i hverdagen — og har bygget appen ud fra de behov, vi selv og vores kolleger møder, når data skal omsættes til indsigt og handling.

Inspiration og fundament

Det statistiske fundament i biSPCharts bygger på Jacob Anhøjs mangeårige arbejde med SPC i sundhedsvæsenet. Anhøj-reglerne, som appen bruger til at finde signaler i data, kommer fra hans R-pakke qicharts2 , som biSPCharts trækker direkte på.

Vi anbefaler Jacob Anhøjs bog Statistical Process Control for Healthcare og SPC-manifestet som videre læsning — begge findes på siden Lær om SPC .

Formålet

Målet med biSPCharts er at sænke tærsklen for at bruge SPC i klinisk kvalitetsarbejde. Vi tror på, at flere gode beslutninger træffes, når data præsenteres på en måde, der adskiller tilfældig variation fra reelle ændringer.

Appen udvikles løbende på baggrund af brugernes feedback. Har du forslag eller oplever fejl, så brug Rapportér fejl .

Kontakt og support

Spørgsmål eller forslag: skriv til Dataenheden via dataenheden.bispebjerg-frederiksberg-hospitaler@regionh.dk .

Bemærk: biSPCharts udvikles og vedligeholdes som et internt værktøj. Der ydes ikke egentlig support, men vi læser alle henvendelser og indarbejder feedback efter bedste evne.