Attribute Agreement Analysis

In dit artikel maken we de Attribute Agreement Analysis Voorbeeld duidelijk aan de hand van een casus uit de zorg. Attribute Agreement Analysis afgekort AAA gebruik je als je wilt weten of wat je meet goed genoeg is. Als je namelijk twijfelt over jouw data, dan heeft het geen zin te beginnen met verbeteren. Dan maakt het niets zoveel uit of je verbetert met Lean of Six Sigma. Of je nu verbetert met een A3 of met de DMAIC, jouw data moeten goed zijn. Deze data gebruik je weer als je van projectmatig verbeteren naar continu verbeteren gaat.

Meer lezen over hoe je op een niveau komt van continu verbeteren met stappenplan vind je hier.

Attribute Agreement Analysis toegepast in de zorg

Attribute Agreement Analysis Voorbeeld uit de zorg helpt je een voorstelling te maken over hoe je deze Six Sigma tool kunt toepassen. Data validatie is ook van belang als je Lean toepast. Als je Six Sigma toepast, heb je altijd te maken met de vraag of jouw data valide zijn.

Meer lezen over of lean of six sigma beter is, kun je hier.

In het voorbeeld lees je over medische fouten. Je kunt er maar beter niet bij stil staan, maar jaarlijks komen bij de Inspectie Gezondheidszorg en Jeugd ruim 11.000 (verplichte en niet-verplichte) meldingen binnen van medische incidenten. Vermoedelijk ligt het werkelijke aantal dan ook veel hoger.

Statistische Proces Controle (SPC)  is een beproefd middel om incidenten van problemen te onderscheiden. Dus medische incidenten zul je niet snel op nul krijgen, alleen ook hier geldt dat je de ‘normale’ incidenten hebt en de ‘bijzondere’ incident. Voor de duidelijkheid is elk medisch incident er 1 teveel. Alleen als in een reeks incidenten een patroon zit, en je hebt niet de inzichten om deze patronen te zien, dan ben je al te laat.

Meer lezen over wat beter is, checks in het proces zelf of in de data kun je hier.

Validatie van het meetsysteem

Voordat je aan de gang gaat met het opzetten van SPC en het meetsysteem, moet je zeker weten dat wat je meet goed genoeg is. Nu je voor een medische fout 1 kans hebt, is dat behoorlijk binair. Je hebt dus de mogelijkheid om de medische fouten onderling te vergelijken en tegen de norm die je hebt vastgesteld. Hierbij loop je er tegen aan dat je heel erg afhankelijk bent van het beoordelingsvermogen van de zorgmedewerker of de arts. Dat iets een fout is, is hoe je iets classificeert. Bij medische fouten heb je te maken met de gebeurtenis waarin de fout gemaakt wordt, zoals medicijnen toedienen.  En dan kun je weer te maken hebben met overdosering, te weinig dosering, geen dosering, verkeerde dosering, onjuiste dosering. Maar het kan ook zijn dat je voordat je het medicijn toedient, het verkeerde medicijn voorschrijft.

Gebruik van de AAA bij de tandarts

In dit voorbeeld kijken we naar signalen die door de beoordelaars worden opgepikt en leiden tot een beoordeling. Het Attribute Agreement Analysis Voorbeeld zie je in de afbeelding bij dit artikel. Je ziet vier beoordelaars die voor een aantal identieke testgevallen een oordeel hebben gegeven. Het gaat hier om de beoordeling of een wortelkanaal behandeling nodig is. Hiervoor gebruikt de beoordelaar een röntgenfoto.

Voor deze studie is aan 4 tandartsen op 2 verschillende moment een foto getoond met de vraag of en wat voor behandeling nodig is. Er zijn in totaal 8 foto’s getoond op 2 verschillende tijdstippen aan 4 tandartsen.

Deze zijn in het linker plaatje onderling met elkaar vergeleken. En in het rechter plaatje met de standaard. Wat opvalt is de spreiding in de observaties en de verschillen. Dus simpel gezegd, werk aan de winkel.

Mensen zijn meestal niet het probleem

Het is erg gemakkelijk om mensen de schuld te geven als er iets mis gaat. Zoals Deming al zei: Blame the process, not the people

In het voorbeeld kun je als je door de analyse welke typisch is voor Six Sigma, onderzoeken waardoor de verschillen veroorzaakt worden. Dan kun je vervolgens of het proces aanpassen, of de procedure, aan de competenties van de betrokkenen werken, of iets doen aan het meetsysteem of iets anders. Door de Attribute Agreement Analysis te gebruiken om verschillen in uitkomsten te duiden, kun je vervolgens patronen onderscheiden. En daar iets aan doen.

Vooral de Lean Six Sigma Black Belt houdt zich met dit soort vragen bezig. In onze opleidingen leer je hoe je deze tooling niet alleen inzet voor data validatie, maar ook om grondoorzaken weg te nemen. Meer lezen over de LSSBB doe je hier.