<<
>>

Современный этап развития теории экспертных оценок

На переломе XIX-XX веков в здравоохранении США началось движение к повышению медицинских стандартов. В 1910 г. Авраам Флекснер обобщил результаты инспекционной поездки по 163 американским и канадским медицинским учебным заведениям.
В своем знаменитом «Докладе Флекснера» он рекомендовал закрыть 124 медицинские школы. Причина: плохая материально-техническая база, отсутствие финансовых средств и низкий уровень учебных программ. Его доклад оказал влияние на уровень преподавания и оснащенности медицинских учебных заведений только через 25 лет, но тем не менее именно он послужил первым импульсом для большого начинания - совершенствования системы медицинского образования.

В свое время Аведис Донабедиан писал: «Ведущая роль и главная ответственность (за качество медицинской помощи) принадлежит медицинским работникам, ежедневно оказывающим помощь пациентам. Поэтому именно они лучше, чем кто бы то ни было, должны видеть кратчайший путь к обеспечению высокой эффективности, действенности и целесообразности медицинского обслуживания. Им достаточно лишь по-новому взглянуть на взаимодействие врач–пациент: они без труда поймут, что именно им принадлежит важная роль главных защитников благополучия и интересов пациентов - каждого и всех вместе. Правда, возможно это при одном условии: они осознают, что управление качеством медицинской помощи составляет их первостепенную, важнейшую обязанность, что качество медицинской помощи составляет моральный фундамент, который должен быть основой их профессиональной деятельности, и без которого они неизбежно обречены на профессиональную неудачу… Качество медицинской помощи… принадлежит всем нам, и каждый из нас обязан сыграть яркую и, бесспорно, необходимую роль в защите, укреплении и повышении этого качества».

В российской медицине в последние годы разработаны методические подходы к экспертизе КМП, закрепленные соответствующими нормативными документами.

Экспертиза законченных случаев оказания специфических услуг является основным содержанием отечественной модели контроля качества медицинской помощи. Приказ МЗ РФ и ФФ ОМС от 24.10.96 г. №363/77 «О совершенствовании контроля качества медицинской помощи населению Российской Федерации» предусматривает проведение внутриведомственного контроля качества: оценку использования ресурсов ЛПУ, экспертизу качества медицинской помощи отдельному больному по законченному случаю, оценку удовлетворенности пациента, выявление дефектов и врачебных ошибок.

Методы экспертных оценок - это методы организации работы со специалистами-экспертами и обработки мнений экспертов, выраженных в количественной или качественной форме с целью подготовки информации для принятия решений. Для проведения работы в ЛПУ по методу экспертных оценок, как правило, создают рабочую группу, которая и организует по поручению руководителя учреждения деятельность экспертов, объединенных в экспертную комиссию.

Существует значительное число методов получения экспертных оценок. В одних с каждым экспертом работают отдельно, он даже не знает, кто еще является экспертом, а потому высказывает свое мнение независимо от авторитетов. В других экспертов собирают вместе для подготовки материалов для руководителей ЛПУ, при этом эксперты обсуждают проблему друг с другом, учатся друг у друга и неверные мнения отбрасываются. В одних методах число экспертов фиксировано и таково, чтобы статистические методы проверки согласованности мнений и затем их усреднения позволяли принимать обоснованные решения. В других - число экспертов растет в процессе проведения экспертизы, например, при использовании метода «снежного кома» (Орлов А.И., 1974). В настоящее время не существует научно обоснованной классификации методов экспертных оценок и тем более - однозначных рекомендаций по их применению. Вполне естественно, что сначала в нашей стране появились публикации о простейших методах экспертных оценок (Бешелев С.Д., Гурвич Ф.Г., 1983; Панкова Л.А., с соавт., 1984).

Как обычно бывает, тривиальные соображения широко распространились, вошли в массовое сознание специалистов и менеджеров и стали тормозом на пути внедрения современных результатов в области экспертных оценок (Райхман Э.П., Азгальдов Г.Г., 1974; Китаев Н.Н., 1975; Ларичев О.И., 1987; Бурков В.Н.,1989, и др. ). Достаточного уровня результаты в рассматриваемой области были получены в результате работы комиссии «Экспертные оценки» Научного совета АН СССР по комплексной проблеме «Кибернетика» в 70-90-х годах прошлого века (Орлов А.И., 1979-1986; Литвак Б.Г., 1982; Раушенбах Г.В., Филиппов О.В., 1983; Дорофеюк А.А., 1985; Сидельников Ю.В., 1990, и др.). В контексте обсуждаемых вопросов в настоящей главе следует выделить основные проблемы в рассматриваемой области.

Основные проблемы экспертных оценок

Что должна представить экспертная комиссия ЛПУ в результате своей работы - информацию для принятия решения руководителями ЛПУ - менеджерами или проект самого решения? От ответа на этот методологический вопрос зависит организация работы экспертной комиссии ЛПУ.

Цель - сбор информации для генерального менеджера (главного врача)

Тогда Рабочая группа должна собрать возможно больше относящейся к делу информации, аргументов «за» и «против» определенных вариантов решений. Полезен метод постепенного увеличения числа экспертов, описанный А.И. Орловым в 1979 году. Сначала первый эксперт приводит свои соображения по рассматриваемому вопросу. Составленный им материал передается второму эксперту, который добавляет свои аргументы. Накопленный материал поступает к следующему - третьему эксперту... Процедура проведения «комиссионной экспертизы» заканчивается, когда иссякает поток новых соображений.

Отметим, что эксперты в рассматриваемом методе только поставляют информацию, аргументы «за» и «против», но не вырабатывают согласованного проекта решения. Нет никакой необходимости стремиться к тому, чтобы экспертные мнения были согласованы между собой.

Более того, наибольшую пользу приносят эксперты с мышлением, отклоняющимся от массового, поскольку именно от них следует ожидать наиболее оригинальных аргументов.

Цель - подготовка проекта решения для генерального менеджера

Математические методы в экспертных оценках применяются обычно именно для решения задач подготовки проекта решения. При этом зачастую некритически принимают догмы согласованности и одномерности.

Догма согласованности

Считается, что решение может быть принято лишь на основе согласованных мнений экспертов. Поэтому исключают из экспертной группы тех, чье мнение отличается от мнения большинства. При этом отсеиваются как неквалифицированные лица, попавшие в состав экспертной комиссии по недоразумению или по соображениям, не имеющим отношения к их профессиональному уровню, так и наиболее оригинальные мыслители, глубже проникшие в проблему, чем большинство. Следовало бы выяснить их аргументы, предоставить им возможность для обоснования их точек зрения. Вместо этого их мнением, как правило, пренебрегают. Бывает и так, что эксперты делятся на две или более групп, имеющих единые групповые точки зрения.

Поскольку число экспертов обычно не превышает 5-8 (10-15), то формальная статистическая согласованность мнений экспертов может сочетаться с реально имеющимся разделением на группы, что делает дальнейшие расчеты не имеющими отношения к действительности. Если же обратиться к конкретным методам расчетов, например, с помощью коэффициентов конкордации на основе коэффициентов ранговой корреляции Кендалла или Спирмена (Волков Н.Г., Ерофеева С.Ю., 1992), то необходимо помнить, что на самом деле положительный результат проверки согласованности таким способом означает ни больше, ни меньше, как отклонение гипотезы о независимости и равномерной распределённости мнений экспертов на множестве всех ранжировок. Недостатки рассматриваемых математико-статистических методов анализа ранжировок привела некоторых авторов к разработке нового математического аппарата для проверки согласованности - непараметрических методов, основанных на «люсианах» (Большев Л.Н., Смирнов Н.В., 1968).

С целью искусственно добиться согласованности стараются уменьшить влияние мнений «экспертов-диссидентов».

Жесткий способ борьбы с диссидентами состоит в их исключении из состава экспертной комиссии. Отбраковка экспертов, как и отбраковка резко выделяющихся результатов наблюдений, приводит к процедурам, имеющим плохие или неизвестные статистические свойства (Орлов А.И., Рыданова Г.В., 1986). Мягкий способ борьбы с диссидентами состоит в применении робастных (устойчивых) статистических процедур. Простейший пример: если ответ эксперта - действительное число, то резко выделяющееся мнение диссидента сильно влияет на среднее арифметическое ответов экспертов и не влияет на их медиану. Поэтому разумно в качестве согласованного мнения рассматривать медиану. Однако при этом игнорируются (не достигают генерального менеджера) аргументы диссидентов.

В любом из двух способов борьбы с диссидентами руководитель ЛПУ лишается информации, идущей от диссидентов, а потому может принять необоснованное решение, которое приведет к отрицательным последствиям. С другой стороны, представление генеральным менеджером всего набора мнений снимает часть ответственности и труда по подготовке окончательного решения с комиссии экспертов и рабочей группы по проведению экспертного опроса и перекладывает ее на плечи руководителя ЛПУ.

Догма одномерности

Распространен довольно примитивный подход так называемой «квалиметрии» (Орлов А.И, 1992), согласно которому объект всегда можно оценить одним числом. Каждый объект можно оценивать по многим показателям качества. Например, изготовленный зубной протез можно оценивать по таким показателям:

• материал, из которого изготовлен протез,

• качество обрабатываемых поверхностей,

• плотность смыкания с зубами-антагонистами,

• наличие 2 – 3 точек контакта на молярах и премолярах соответственно и т.п.

Можно ли свести оценки по этим показателям вместе?

Определяющим является конкретный пациент, для которого изготавливается зубной протез. Для одних пациентов ведущее место занимают эстетические требования, для других – надежность, для третьих – функциональное соответствие и пр.

Таким образом, важна конкретная (узкая) постановка задачи перед экспертами. Но такой постановки зачастую нет, а тогда мотивы разработки обобщенного показателя качества услуг не имеют объективного характера. Рыночные отношения требуют индивидуализации производства медицинских услуг в условиях конвейерного производства. Альтернативой единственному обобщенному показателю является математический аппарат типа многокритериальной оптимизации - множества Парето и т.д. (Гличев А.В., 1983).

Основные стадии проведения экспертизы

Выделяют следующие стадии проведения экспертизы:

• формулировка генеральным менеджером цели экспертизы;

• подбор генеральным менеджером основного состава Рабочей группы;

• разработка Рабочей группы и утверждение у генерального менеджера технического задания на проведение экспертизы;

• разработка Рабочей группы подробного сценария проведения сбора и анализа экспертных мнений (оценок), включая как конкретный вид экспертной информации (слова, условные градации, числа, ранжировки, разбиения или иные виды объектов нечисловой природы) и конкретные методы анализа этой информации (вычисление медианы Кемени, статистический анализ «люсианов» и иные методы статистики объектов нечисловой природы и других разделов прикладной статистики);

• подбор экспертов в соответствии с их компетентностью;

• формирование экспертной комиссии (целесообразно заключение договоров с экспертами об условиях их работы и ее оплаты, утверждение генеральным менеджером состава экспертной комиссии);

• проведение сбора экспертной информации;

• анализ экспертной информации;

• при наличии нескольких туров - повторение двух предыдущих этапов;

• интерпретация полученных результатов и подготовка заключения для генерального менеджера;

• официальное окончание деятельности Рабочей группы.

Подбор экспертов

Проблема подбора экспертов является одной из наиболее сложных. Очевидно, в качестве экспертов необходимо использовать тех специалистов, чьи суждения в наибольшей степени помогут принятию адекватного решения. Но как выделить, найти, подобрать таких людей? Надо прямо сказать, что нет методов подбора экспертов, наверняка обеспечивающих успех экспертизы. Сейчас мы не будем возвращаться к обсуждению проблемы существования различных «партий» среди экспертов и обратим внимание на различные иные стороны подбора экспертов.

Часто предлагают использовать методы взаимооценки и самооценки компетентности экспертов. С одной стороны, кто лучше может знать возможности эксперта, чем он сам? С другой стороны, при самооценке компетентности скорее оценивается степень самоуверенности эксперта, чем его реальная компетентность. Тем более, что само понятие «компетентность» строго не определено. Можно его уточнять, выделяя составляющие, но при этом усложняется предварительная часть деятельности экспертной комиссии.

При использовании метода взаимооценки, помимо возможности проявления личностных и групповых симпатий и антипатий, играет роль неосведомленность экспертов о возможностях друг друга. В современных условиях достаточно хорошее знакомство с работами и возможностями друг друга может быть лишь у специалистов, много лет работающих совместно. Однако привлечение таких пар специалистов не очень-то целесообразно, поскольку они слишком похожи друг на друга.

Использование формальных показателей (должность, ученые степень и звание, стаж, категория, число публикаций...), очевидно, может носить вспомогательный характер. Успешность участия в предыдущих экспертизах врачей-экспертов, т.е. таких экспертов, которые участвуют в длинных сериях однотипных экспертиз. Однако, увы, наиболее интересны и важны уникальные экспертизы при формировании исков о возмещении морального и материального ущерба при ненадлежащем оказании медицинской помощи, проведении больших проектов, касающихся серии случаев внутрибольничного инфицирования или других случаев экспертиз, не имеющих аналогов.

В случае, если процедура экспертизы предполагает совместную работу экспертов, большое значение имеют их личностные качества. Один «говорун» может парализовать деятельность всей комиссии.

Есть полезный метод упоминаемого зарубежными авторами «снежного кома», при котором от каждого специалиста, привлекаемого в качестве эксперта, получают несколько фамилий тех, кто может быть экспертом по рассматриваемой тематике. Очевидно, некоторые из этих фамилий встречались ранее в деятельности Рабочей группы, а некоторые - новые. Процесс расширения списка останавливается, когда новые фамилии перестают встречаться. В результате получается достаточно обширный список возможных экспертов. Ясно, что если на первом этапе все эксперты были из одного «клана», то и метод «снежного кома» даст, скорее всего, лиц из этого «клана», мнения и аргументы других «кланов» будут упущены (Орлов А.И., 1974).

Необходимо подчеркнуть, что подбор экспертов, в конечном счете - функция Рабочей группы, и никакие методики подбора не снимают с нее ответственности. Другими словами, именно на Рабочей группе лежит ответственность за компетентность экспертов, за их принципиальную способность решить поставленную задачу.

Математические модели поведения экспертов

Теория и практика экспертных оценок основаны на известных статистических и математических методах. Можно выделить два взаимосвязанных направления - математические модели поведения экспертов и математико-статистические методы анализа экспертных оценок.

Модели поведения экспертов обычно основаны на предположении, что эксперты оценивают интересующий генерального менеджера параметр (например, ранжировку образцов протезов суставов по конкурентоспособности) с некоторыми ошибками, т.е. личность эксперта рассматривают как особого рода прибор с присущими ему метрологическими характеристиками. Оценки группы экспертов рассматривают как совокупность независимых одинаково распределенных случайных величин со значениями в соответствующем пространстве объектов числовой или нечисловой природы. Обычно предполагается, что эксперт чаще выбирает правильное решение (т.е. адекватное реальности), чем неправильное. В математических моделях это выражается в том, что плотность распределения случайной величины - ответа эксперта монотонно убывает с увеличением расстояния от центра распределения - истинного значения параметра. Различные варианты моделей поведения экспертов описаны и изучены достаточно давно (Киселев Н.И., 1980; Кемени Дж., Снелл Дж., 1972).

На математических моделях поведения экспертов основаны методы планирования экспертного опроса, сбора и анализа ответов экспертов. Очевидно, чем больше предположений заложено в модель, тем больше выводов можно сделать на основе экспертных оценок, рассматриваемых как статистические данные - и тем менее обоснованными являются эти выводы, если нет оснований для принятия используемой модели. В этой связи следует рассмотреть триаду моделей поведения экспертов:

• Параметрическая модель

• Непараметрическая модель

• Модель анализа данных

Параметрическим моделям соответствуют наиболее сильные предположения, проверить которые обычно не удается. Так, следует обратить внимание на то, что обычно невозможно обосновать нормальность распределения ответов экспертов. Причины отсутствия нормальности в реальных данных, частным случаем которых являются экспертные оценки, подробно рассмотрены в публикации A.I. Orlov, 1993. Дополнительным фактором является ограниченность числа экспертов - обычно не более 10 - 30, что делает невозможным надежную проверку нормальности даже с помощью такого эффективного по отношению к обычно встречающимся альтернативам критерия, как критерий Шапиро-Уилка.

Непараметрические модели экспертных оценок опираются лишь на предположения общего характера о возможности вероятностно-статистического описания поведения экспертов с помощью непрерывных функций распределения или «люсианов», параметрами для которых служат нечеткие множества - вектор вероятностей ответов «да». Поэтому во многих ситуациях такие модели представляются адекватными.

Под моделями анализа данных понимаются модели, не использующие вероятностные соображения. Очевидно, они наиболее адекватны и защищены от критики, поскольку не претендуют на выход на пределы имеющихся данных, не предполагают построения и обоснования какой-либо вероятностно-статистической модели реального явления или процесса. Однако с их помощью, очевидно, нельзя сделать никаких заключений о будущих аналогичных ситуациях. А ведь многие экспертизы проводятся ради обоснования поведения в будущем. Другими словами, методы и модели анализа данных - наиболее обоснованные, но и наиболее бесполезные.

Обоснование необходимости применения математических методов при проведении экспертизы КМП

Статистические методы контроля качества в настоящее время приобретают все большее признание и распространение в здравоохранении. Терминология, используемая в этой области, заимствована из теории вероятностей и математической статистики; она применяется к производству и использованию предметов потребления и оказанию услуг.

Основной задачей статистических методов контроля является обеспечение производства пригодной к употреблению продукции (медицинских услуг) и оказание этих услуг с наименьшими затратами. С этой целью проводят анализ новых операций или другие исследования, направленные на обеспечение производства пригодной к употреблению продукции.

В данной главе понятие контроль качества будет рассматриваться в связи с планированием, проектированием, разработкой требований к производству медицинских услуг и т.п. Статистические методы контроля качества продукции были внедрены в нескольких ведущих отраслях производства и правительственных учреждениях бывшего СССР, что дало значительные результаты по следующим показателям:

• повышение качества закупаемого сырья;

• экономия сырья и рабочей силы;

• повышение качества производимой продукции;

• снижение количества брака;

• снижение затрат на проведение контроля;

• улучшение взаимосвязи между производителем и потребителем;

• облегчение перехода производства с одного вида продукции на другой.

Главная задача контроля качества — не просто увеличить количество услуг, а увеличить количество таких услуг, которые бы отвечали запросам потребителей, т.е. пациентов. Хотя качество медицинских услуг во многом зависит от планирования и разработки требований, однако не меньшее значение имеют также качество медикаментов и предметов медицинского назначения, организация процесса производства и контроля производимых медицинских услуг. Одним из основных принципов контроля качества при помощи статистических методов является стремление повысить качество медицинской помощи, осуществляя контроль на различных этапах производственного процесса в ЛПУ.

Существуют два основных понятия в контроле качества медицинской помощи: это измерение контролируемых параметров и распределение. Для того, чтобы можно было судить о качестве медицинской услуги, необходимо измерить такие параметры, как надежность стандарта ее производства, значимость побочных эффектов реализуемой технологии, потенциальная экономичность, показатель эффективности и т.п. Второе понятие — распределение значений контролируемого параметра — основано на том, что нет двух совершенно одинаковых по величине параметров у одних и тех же медицинских услуг, по мере того, как измерения становятся все более точными, в результатах измерений параметров обнаруживаются небольшие расхождения.

Эти расхождения могут иметь какую-то закономерность либо быть хаотичными. Изменчивость «поведения» контролируемого параметра бывает двух видов. Первый случай — когда значения его составляют совокупность случайных величин, образующихся в нормальных условиях; второй — когда совокупность его случайных величин образуется в условиях, отличных от нормальных под действием определенных причин.

Персонал, осуществляющий управление процессом оказания медицинской помощи, в котором формируется контролируемый параметр, должен по его значениям установить несколько параметров. Во-первых, в каких условиях параметры услуги получены (стандартных или отличных от них). И если они получены в условиях, отличных от стандартных, то каковы причины этих нарушений. Затем принимается управляющее воздействие по устранению этих причин. Таким образом, параметры производства медицинских услуг представить в виде числовых данных достаточно трудно, однако в конечном итоге решение многих, а то и большинства задач по производству качественных медицинских услуг зависит именно от измеряемых данных. С целью преодоления указанных трудностей в теории статистического контроля качества продукции разработан ряд математических моделей.

Правильность управленческих решений зависит от точности исходных данных. Решения, принятые на основании небольшого количества точных данных, правильнее решений, принятых на основании большого количества неточных данных. Даже использование ПЭВМ для анализа большого количества неточных данных приведет только к тому, что неправильное решение будет принято быстрее, чем правильное. Чем точнее данные, которыми мы располагаем при решении какой-либо проблемы, тем скорее мы придем к правильному решению, если сможем их правильно оценить и использовать.

Контроль качества при помощи статистических методов можно с успехом осуществлять в различных областях производства товаров и услуг. Такой контроль используется в управлении таким процессом, при котором одни и те же товары изготовляются серийно в течение длительного периода времени или когда нужно поддерживать определенный уровень качества изделий, поскольку даже небольшое отклонение приводит к большой потере средств.

Статистические методы используются также в контроле при единичном и мелкосерийном производстве. В процентном отношении экономия или прибыль при кратковременных процессах производства медицинских услуг оказывается больше, чем при долговременных. Это значит, что если оборудование возобновляет работу или если процесс повторяется, то полезно знать возможности и недостатки, например, диагностического оборудования и обслуживающего его персонала. При кратковременных процессах важно иметь надежное оборудование, состоящее из минимального количества отдельных частей. Очень важно при этом уметь извлечь максимальную выгоду из небольшого количества данных. В таких ситуациях очень важно «измерение» мнений экспертов.

При анализе мнений экспертов можно применять самые разнообразные статистические методы, описывать их - значит описывать всю прикладную статистику. Тем не менее, можно выделить основные широко используемые в настоящее время методы математической обработки экспертных оценок - это проверка согласованности мнений экспертов (или классификация экспертов, если нет согласованности) и усреднение мнений экспертов внутри согласованной группы.

Поскольку ответы экспертов во многих процедурах экспертного опроса - не числа, а такие объекты нечисловой природы, как градации качественных признаков, ранжировки, разбиения, результаты парных сравнений, нечеткие предпочтения и т.д., то для их анализа оказываются полезными методы статистики объектов нечисловой природы.

Почему ответы экспертов носят нечисловой характер? Наиболее общий ответ состоит в том, что люди не мыслят числами. В мышлении человека используются образы, слова, но не числа. Поэтому требовать от эксперта ответа в форме числа - значит «насиловать» его разум. Даже в экономике предприниматели, принимая решения, лишь частично опираются на численные расчеты. Это видно из условного (т.е. определяемого произвольно принятыми соглашениями) характера балансовой прибыли, амортизационных отчислений и других экономических показателей (Орлов А.И., 1995). Поэтому фраза типа «Медицинская клиника стремится к максимизации прибыли» не может иметь строго определенного смысла.

Эксперт может сравнить два объекта (ортопедический протез, медицинская услуга и т.п.), дать им оценки типа «хороший», «приемлемый», «плохой», упорядочить несколько объектов по привлекательности, но обычно не может сказать, во сколько раз или на сколько один объект лучше другого. Другими словами, ответы эксперта обычно измерены в порядковой шкале, являются ранжировками, результатами парных сравнений и другими объектами нечисловой природы, но не числами.

Распространенное заблуждение состоит в том, что ответы экспертов стараются рассматривать как числа, занимаются «оцифровкой» их мнений, приписывая этим мнениям численные значения - баллы, которые потом обрабатывают с помощью методов прикладной статистики как результаты обычных физических измерений. В случае произвольности оцифровки выводы, полученные в результате обработки данных, могут не иметь отношения к реальности (Кемени Дж., Снелл Дж., 1972). С позиций репрезентативной теории измерений (Литвак Б.Г., 1982) следует применять алгоритмы анализа данных, результаты работы которых не меняются при допустимом преобразовании шкалы.

Тем не менее, математическая статистика, дает возможность принимать правильные решения руководителям ЛПУ, которые основываются на интерпретации. Интерпретация, в свою очередь, основывается на анализе, анализ - на табличных данных, а табличные данные на совокупности собранных данных. Каждый из приведенных этапов зависит от предыдущего. Данные могут быть получены на основании данных экспертизы, анализа реестров (счетов), опроса пациентов и т. д. Формирование выборки осуществляется методом направленного и случайного (рандомизированного) отбора.

Математическая статистика служит для:

• определения, установления или описания характера полученных данных;

• возможности заключения относительно популяции или генеральной совокупности, из которой сделана выборка.

Для системного рассмотрения процесса, выявления проблемы следует использовать графические приемы, такие как причинно - следственные диаграмма, диаграмма алгоритма процесса и другие. Следовательно, непрерывное повышение качества - это научно организованный процесс, основанный на использовании методов математической статистики, в том числе графических приемов.

Основополагающим методом в оценке качества медицинской помощи является экспертиза законченных случаев профилактики, диагностики и лечения, а так же экспертиза качества функционирования протезов клапанов сердца, зубных протезов и т.п., предполагающая определение соответствия конкретных результатов диагностики, лечения, профилактики заболеваний, реабилитации больных и инвалидов - стандартным показателям. В идеале оценку качества медицинской помощи следовало бы проводить на основании конечных показателей здоровья населения. Теоретически отрасль здравоохранения должна использовать системы таких конечных показателей для изучения процессов профилактики, диагностики, лечения и реабилитации, чтобы в результате наблюдений способствовать распространению только тех технологий оказания медицинской помощи, при которых максимальные конечные результаты сочетались бы с минимальными расходами на их достижение.

На практике использование конечных показателей здоровья контингентов населения для измерения качества профилактики, диагностики и лечения имеет значительные ограничения. Более практичным методом измерения качества представляется оценка его промежуточных показателей. Они существенно влияют на конечные результаты и могут служить хорошим их приближением в случае использования конкретных медицинских технологий. Кроме того, они дают возможность непрерывного, а не периодического измерения качества.

Промежуточные показатели должны достоверно отражать ход лечения и максимально исключать колебания в зависимости от особенностей пациентов. Показатели, отражающие окончательные и промежуточные результаты, дают представление о стандартных ситуациях. Вместе с ними находят применение сигнальные показатели, характеризующие единичные ситуации.

Сигнальные показатели показывают, что ситуация требует дополнительного расследования. Для анализа статистической информации применяются обобщающие показатели - средние и относительные. Для того, чтобы статистические показатели правильно отражали изучаемые явления, необходимо выполнять следующие требования:

• Стремиться к тому, чтобы они выражали сущность явлений и давали им точную количественную оценку.

• Добиваться полноты информации, особенно по комплексному отображению всех сторон текущего процесса.

• Обеспечивать сравнимость статистических показателей посредством одинаковых временных интервалов, а также одинаковых единиц измерения.

• Повышать степень точности исходной информации, на основании которой исчисляются показатели, так как данные достоверны только в том случае, если они совпадают с действительными размерами процессов, правильно характеризуют их содержание.

Анализ – это, прежде всего сравнение, сопоставление статистических данных. В результате сравнения получают качественную оценку явлений, которая выражается в виде относительных величин. По своему познавательному значению относительные величины подразделяются на следующие виды: структура, интенсивность, динамика, сравнение, координация. Относительные величины структуры характеризуют состав совокупности. Исчисляются как отношение абсолютной величины каждого из элементов совокупности к абсолютной величине всей совокупности. Например, структура несоблюдения стандартов КСГ по набору диагностических, лечебных мероприятий и т. д. Как правило, показатели структуры выражаются в процентах.

Относительные величины динамики характеризуют изменение изучаемого явления во времени, выявляют направление развития, измеряют интенсивность развития. Расчет относительных величин выполняется в виде темпов роста и других показателей динамики. Относительные величины интенсивности показывают, насколько распространено изучаемое явление в среде, то есть частоту явления.

Рассчитываются показатели интенсивности делением абсолютной величины изучаемого явления на абсолютную величину, характеризующую объем среды, в которой выявлено явление. Относительная величина показывает, сколько единиц одной совокупности приходится на единицу другой совокупности. Например, показатель частоты несоблюдения стандартов КСГ на 100 экспертиз. Промежуточные и окончательные показатели качества также являются относительными.

Основными характеристиками тенденций протекания процесса являются среднее арифметическое (математическое ожидание), мода и медиана, параметры рассеивания. Параметрами рассеивания являются размах, среднеквадратическое отклонение и дисперсия. Среднеквадратическое отклонение определяется по стандартной формуле. Размах - это разность между наибольшим и наименьшим значениями в выборке. Он представляет собой случайную величину и подчиняется определенному распределению, характеризующемуся математическим ожиданием. Существуют таблицы отношений математического ожидания размаха к среднему квадратическому отклонению в зависимости от объема выборки. Зная эти коэффициенты, можно по значению размаха оценить величину генерального среднего квадратического отклонения, что часто делается в практике, например, при построении контрольного графика. Следует отметить, что математическое ожидание размаха быстро увеличивается с ростом объема выборки. Поэтому размах для оценки среднеквадратического отклонения применяют, как правило, при использовании выборок малого объема (5-10).

Распределения случайных величин обладают важным свойством - большинство результатов наблюдений группируются вблизи математического ожидания наблюдаемой величины, по мере удаления от него результаты наблюдений встречаются реже. Помимо нормального распределения выделяют биномиальное, гипергеометрическое, распределение размаха и распределение Пуассона.

Графические способы оценки КМП

К графическим приемам, которые используются для выявления проблемы, относятся такие методы, как диаграмма алгоритма процесса, лист подсчета, метод номинальной групп и др. Для анализа проблемы следует воспользоваться гистограммой, контрольным графиком, диаграммой рассеивания и др. Диаграмму Парето, причинно- следственную диаграмму, линейный график можно применять как на фазе выявления, так и на фазе анализа проблемы.

Лист подсчета

Используется для сбора выборочных данных с целью обнаружения закономерностей функционирования процесса. Лист подсчета используется, чтобы ответить на вопрос «Как часто происходит данное событие?» Для этого необходимо прийти к соглашению о том, какое событие мы наблюдаем, за какой период времени мы хотим собрать данные. Следует разработать ясный и удобный бланк для записи данных, систематически и объективно их собирать.

На получение и занесение данных должно быть отведено соответственное время. Особое внимание уделяется тому, чтобы наблюдения выборка максимально точно отражали действительное положение дел, чтобы процесс составления выборки был нетрудоемким.

Диаграмма Парето

Разновидность столбчатой диаграммы, используется когда нужно сравнить между собой важность проблем и выбрать отправную точку в решении проблем, отслеживать процесс или установить основную причину проблемы. Представление данных, полученных с помощью листа подсчета или других методов в виде диаграммы Парето, позволяет сосредоточиться на действительно важных проблемах. Таким образом, можно выявить основные причины низкого качества работы и верно определить, какие проблемы и в какой последовательности решать.

Построение диаграммы Парето включает в себя несколько этапов:

• отобрать проблемы, подлежащие сравнению и упорядочению, используя имеющиеся данные и «мозговой штурм»;

• выбрать критерий сравнения - единицу измерения;

• определить за какой интервал нужно собирать данные;

• собрать данные по каждой из категорий;

• сравнить частоту или стоимость категорий проблем между собой;

• вдоль горизонтальной оси диаграммы перечислить категории проблем слева направо в порядке убывания частоты или стоимости;

• мелкие категории для наглядности диаграммы собирают в одну категорию «Прочие», которую размещают справа последним столбцом; над каждой категорией начертить прямоугольный столбец, высота которого соответствует частоте или стоимости данной категории.

Причинно - следственная диаграмма или диаграмма Ишикавы

Используется для того, чтобы установить, объяснить и наглядно представить причины проблемы.

Диаграмма событий и результатов, составленная на основе национального демонстрационного проекта управления качеством в здравоохранении

Рис. 1.

Диаграмма событий и результатов, составленная на основе национального демонстрационного проекта управления качеством в здравоохранении

.

Эта диаграмма показывает взаимосвязь многих факторов, способствующих или препятствующих получению желаемого результата медицинской помощи. Каждая проблема обусловлена рядом причин, из подробного перечня которых отбираются для детального анализа наиболее важные, позволяющие понять, что может помочь, а что может помешать достижению конечного результата.

Этапы построения причинно-следственной диаграммы:

• Составить перечень причин, необходимый для построения данной диаграммы с помощью упорядоченного мозгового штурма, как с применением простых листов подсчета, так и без предварительной подготовки;

• Построить причинно-следственную диаграмму. Для этого расположите формулировку проблемы в квадрате справа. Далее начертите категории причин неполадок в рабочем процессе или любые другие категории, помогающие выявить наиболее важные факторы, разместите под подходящими категориями предложенные в ходе мозгового штурма идеи. По каждой из причин задайте вопрос: “Почему?” и изобразите ответы в виде ветвей диаграммы.

• Чтобы найти первопричину проблемы, ищите повторяющиеся причины, достигайте согласия в своей команде и сравнивайте частоту различных причин.

Выделяют три разновидности причинно-следственных диаграмм:

• Анализ отклонений. Такая диаграмма строится путем расположения частных причин под основной категорией и затем поиска ответа на вопрос “Почему происходит это отклонение?”.

• Этапы рабочего процесса. Сначала составляется список всех этапов процесса. Затем от стрелок, соответствующих этапам, ответвляются стрелочки на данном этапе.

• Метод умножения причин. Предварительно составляется список причин, которые затем используются в качестве основных категорий причинно-следственной диаграммы.

Блок - схема или схема последовательности операций

Позволяет графически представить взаимодействие между различными участниками процесса оказания медицинской помощи. Изучая алгоритм рабочих процессов, находят нарушения оптимальной последовательности, которые могут быть источниками неприятностей. Наиболее широко диаграмму алгоритма процесса применяют для сопоставления алгоритма реального процесса и алгоритма идеального процесса. Это дает возможность выявить различия, а с ними - проблемы и возможности. Блок - схема позволяет определить, насколько оптимально связаны между собой рабочие операции, на ней видны отдельные элементы процесса оказания помощи больным с указанием возможных результатов различных видов лечения. При составлении блок-схемы необходимо четко определить границы процесса, пользоваться простейшими символами и руководствоваться принципом, что из блока есть только один выход, в случае двух выходов, вероятно, требуется принятие решения.

Линейная диаграмма

Позволяет простейшим способом изобразить общую тенденцию изменения показателей за определенное время. Точкой на графике изображается результат измерения или подсчитанное количество в данный момент времени. Для наглядности и ясности выводов точки соединяют линиями. Временной интервал и единицы измерения должны быть ясно обозначены, данные представлены в том порядке, в каком они были получены, так как временная последовательность имеет решающее значение. Таким образом, линейная диаграмма показывает изменения измеряемого показателя качества медицинской помощи по времени. Выход линии за пределы статистически приемлемого диапазона означает необходимость внесения корректив в практику лечения.

Контрольный график

Для построения контрольного графика определяется среднее значение показателя и границы верхнего и нижнего контроля. Эти границы вычисляются по соответствующим формулам, подставляя в них результаты измерения показателей процесса. Далее на график наносят данные развития процесса и анализируют их. Если какие-либо точки выпадают за пределы контроля, следовательно, данный процесс вне статистического контроля. Колебание данных внутри границ контроля обусловлены естественной вариабельностью, возникающей под действием общих причин, присущих самой системе. Таким образом, контрольный график необходим для определения, какая доля вариативности процесса обусловлена случайными причинами, а какая доля обусловлена особыми причинами.

Оценка возможности процесса

Недостаточно поставить процесс под контроль, так как и под контролем могут быть плохие результаты. Индексы возможностей процесса позволяют объективно измерить и наглядно показать, как распределение процесса соотносится с заданными границами допуска. Оценка возможностей процесса основана на определении среднеквадратического отклонения и границ допуска.

Гистограмма

Наглядно изображает характер статистического распределения данных. В отличие от диаграммы Парето, гистограмма строится по результатам измерений и наглядно изображает характер их статического распределения. Знание распределения имеет решающее значение для изучения процесса, ведь, как мы уже знаем, результаты любого процесса изменяются во времени. Гистограмма вскрывает величину вариативности процесса. Если гистограмма состоит из прямоугольников одинакового размера, то такое распределение называется равномерным. Если наибольшее количество результатов измерений располагается в середине области измерений, причем количество измерений больше среднего приблизительно равно количеству измерений меньше среднего, то такая гистограмма характеризует нормальное распределение. Многие процессы, находящиеся под статистическим контролем, дают подобную гистограмму. Если самые высокие столбцы оказываются в стороне от центра, такие распределения называют “скошенными” и они нуждаются в анализе.

Для того чтобы сделать выводы, необходимо учитывать следующее:

• Количество классов (столбцов диаграммы) определяет насколько хорошо будет виден характер распределения.

• Некоторые процессы дают скошенное распределение по естественным причинам. Не следует ожидать нормального распределения от каждого процесса.

• Если гистограмамма резко обрывается, подойдя к некоторой точке, то точность данных сомнительна.

• Если обнаруживаются двойные пики, то это указывает на то, что данные поступают из двух или более различных источников.

График корреляции

Позволяет наглядно представить, как изменяется одна переменная по мере изменения другой, проверить предположения о том, что эти переменные взаимосвязаны. График корреляции используется для изучения возможной статистической связи между переменными. По горизонтальной оси графика корреляции откладываются значения первой переменной, а по вертикальной - значения второй. Отложенные на графике точки образуют узор в виде облака. Густота и удлиненность облака дают представление о силе корреляции между переменными. Чем ближе форма облака к прямой линии, тем сильнее корреляция. Корреляция, однако, не может быть использована для доказательства того, что изменение одной переменной является причиной изменения второй переменной. Обе они, например, могут изменяться как следствие действия какой-либо третьей переменной.

Применение статистического анализа технологических процессов предусматривает преимущественное использование аналитической статистики по сравнению с цифровой статистикой. Это статистическое мышление фокусируется на будущей характеристике происходящих в настоящее время процессов и функционировании систем, а не на описании или сравнении фиксированных совокупностей прошлых данных.

Проверка согласованности и классификация экспертов

Статистические методы проверки согласованности зависят от математической природы ответов экспертов. Соответствующие статистические теории весьма трудны, если эти ответы ранжировки или разбиения, и достаточно просты, если ответы - результаты парных сравнений. Отсюда вытекает рекомендация по организации экспертного опроса: не старайтесь получить от эксперта ранжировку или разбиение, ему трудно это сделать, да и имеющиеся математические методы не позволяют далеко продвинуться. Эксперту гораздо легче на каждом шагу сравнивать только два объекта. Пусть он занимается парными сравнениями. Непараметрическая теория парных сравнений (теория «люсианов») (Орлов А.И, 1979) позволяет решать более сложные задачи, чем статистика ранжировок или разбиений. В частности, вместо гипотезы равномерного распределения можно рассматривать гипотезу однородности, т.е. вместо совпадения всех распределений с одним фиксированным (равномерным) можно проверять лишь совпадение распределений мнений экспертов между собой, что естественно трактовать как согласованность их мнений. Таким образом, удается избавиться от неестественного предположения равномерности.

При отсутствии согласованности экспертов естественно разбить их на группы сходных по мнению. Это можно сделать методами кластер-анализа, предварительно введя метрику в пространство мнений экспертов. Идея Кемени (Киселев Н.И., 1989) об аксиоматическом введении метрик нашла в СССР многочисленных продолжателей (Литвак Б.Г., 1982). Однако методы кластер-анализа обычно являются эвристическими, в частности, невозможно с позиций статистической теории обосновать «законность» объединения двух кластеров в один. Имеется важное исключение - для независимых парных сравнений разработаны методы, позволяющие проверять возможность объединения кластеров как статистическую гипотезу.

Нахождение итогового мнения комиссии экспертов

Пусть мнения комиссии экспертов или какой-то ее части признаны согласованными. Каково же итоговое (общее) мнение комиссии? Математическая сложность состоит в том, что мнения экспертов лежат в некотором пространстве объектов нечисловой природы. Общая теория подобного усреднения представлена в работе Литвак Б.Г. (1982). В частности, показано, что в силу обобщения закона больших чисел среднее мнение при увеличении числа экспертов (чьи мнения независимы и одинаково распределены) приближается к некоторому пределу, который можно назвать математическим ожиданием. В конкретных пространствах нечисловых мнений экспертов вычисление медианы Кемени может быть достаточно сложным делом (Дорофеюк А.А., 1985). Кроме свойств пространства, велика роль конкретных метрик. Так, в пространстве ранжировок при использовании метрики (Киселев Н.И., 1985), связанной с коэффициентом ранговой корреляции Кендалла, необходимо проводить достаточно сложные расчеты, в то время как применение метрики на основе коэффициента ранговой корреляции Спирмена приводит к упорядочению по средним рангам, т.е. вычисляется элементарно.

Интервальные экспертные оценки

С начала 80-х годов активно развивается интервальная математика, как наиболее практически важная часть ее - интервальная статистика. В разрабатываемом подходе основное внимание уделяется расчетам максимально возможного отклонения значения рассматриваемой статистики, вызванного погрешностями в исходных данных и «рационального объема выборки», превышение которого не может привести к существенному повышению точности оценивания. Основные идеи и результаты статистики интервальных данных опубликованы достаточно давно.

Перспективным является использование интервальных экспертных оценок: эксперт называет не число, а интервал в качестве оценки рассматриваемого параметра. Такие процедуры удачно сочетают в себе количественный и качественный подходы в экспертных оценках. В качестве примера можно назвать процедуру регрессионного анализа, применяемую в экспертно-статистическом методе для получения коэффициентов весомости признаков, позволяющих наиболее точно восстановить глобальное заключение об объекте по результатам оценок отдельных параметров.

При использовании метода интервальных экспертных оценок вместо оценки показателя или характеристики объекта числом эксперт указывает интервал, в котором он содержится. Во многих случаях оценивание интервалом более естественно для эксперта, чем оценивание числом.

В настоящее время в современной медицине все шире применяются различные методы экспертных оценок. Они незаменимы при решении сложных задач оценки качества производства медицинских услуг, в том числе специального назначения, при анализе и прогнозировании ситуаций с большим числом значимых факторов - всюду, когда необходимо привлечение знаний, интуиции и опыта многих высококвалифицированных специалистов-экспертов.

<< | >>
Источник: Дьяченко В.Г.. Качество в современной медицине. 2007

Еще по теме Современный этап развития теории экспертных оценок:

  1. Э
  2. Основы экономики здравоохранения
  3. Современный этап развития теории экспертных оценок
  4. Методы экспертных оценок КМП и их особенности в медицинской практике
  5. Разработка и применение стандартов при производстве медицинских услуг
  6. Нерешенные проблемы обеспечения качества медицинской помощи населению Дальнего Востока России
  7. TQM базируется на идеологии честных отношений производителей с потребителями
  8. МЕТОДИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ ТЕНДЕНЦИЙ РАЗВИТИЯ ЛИЧНОСТИ С ПОМОЩЬЮ ТАБЛИЦ РАСПРЕДЕЛЕНИЯ
  9. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
  10. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
  11. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ