Evaluación inversa del modo de falla y el modelo de análisis de efectos: una nueva medición confiable del rendimiento

Después de la Segunda Guerra Mundial (WWII), comenzó la era industrial. Por lo tanto, las preocupaciones de la filosofía de
administración de riesgos cambiaron de resolución de errores a prevención de errores al predecir las causas. Uno de los procesos más
comunes utilizados para disminuir las fallas es utilizar el Modo de falla y el Análisis de efectos (FMEA). FMEA aproxima la probabilidad
en función del Número de Prioridad de Riesgo (RPN). RPN es conocido por las limitaciones en el proceso del sistema de puntuación
RPN que mide la gravedad (S), la aparición (O) y la detección de la falla (D). RPN no es un método preciso para determinar la importancia
relativa del fracaso. R-FMEA proporciona un método proactivo más confiable utilizando la prueba de Kruskal-Wallis. Este artículo discute
con ejemplos cómo un nuevo modelo estadístico sugerido (R-FMEA) está mejorando la confiabilidad de la FMEA para predecir errores.

Introducción Después de la Segunda Guerra Mundial (WWII), comenzó la era industrial. Por lo tanto, las preocupaciones de la filosofía
de administración de riesgos pasaron de los errores que se resolvieron a la prevención de errores al predecir las causas. Uno de los
procesos más comunes utilizados para disminuir las fallas es utilizar el Modo de falla y el Análisis de efectos (FMEA). El FMEA es un
proceso oficial utilizado en la asistencia sanitaria para evaluar la seguridad de los pacientes. La técnica FMEA utiliza una estadística
inferencial y matemática para determinar las posibles fallas. FMEA aproxima la probabilidad en función del Número de Prioridad de
Riesgo (RPN). RPN es conocido por las limitaciones en el proceso del sistema de puntuación RPN que mide la gravedad (S), la aparición
(O) y la detección de la falla (D). El RPN no es exacto, al determinar la importancia relativa del fracaso.

El riesgo es un proceso cognitivo donde la percepción de un individuo se considera un paso limitante de la velocidad para interpretar la
probabilidad real de pérdida o daño. El concepto de riesgo está generalmente vinculado a comportamientos dañinos. La seguridad es
un elemento crucial en la prestación de servicios de salud, por lo tanto, en la industria de la salud es obligatorio un sistema eficiente para
prolongar la mejora y preservar el control sobre la protección de los servicios de salud. Aproximadamente el 40% de los eventos adversos
en Holanda se consideran prevenibles. Una evidencia de reducción de riesgo está relacionada con la identificación de factores de riesgo
mediante el uso de herramientas proactivas como FMEA.

La prestación de servicios de atención médica es una acción multifacética en serie con interacciones multidisciplinares que requieren
una herramienta adecuada (FMEA) utilizada para mejorar la seguridad del sistema dentro del hospital. El FMEA es un instrumento
subjetivo dependiente que utiliza un juicio experto de los factores de riesgo derivados de sus antecedentes. El fallo reconocido está
documentado y priorizado; y el RPN se aplica a

predecir los riesgos. El Centro Nacional para la Seguridad del Paciente del Departamento de Asuntos de Veteranos de los Estados
Unidos desarrolló una nueva versión de FMEA llamada Healthcare FMEA (HFMEA) para utilizar una matriz más compleja para aumentar
la confiabilidad. En 2008, los costos de los errores médicos en los Estados Unidos son de aproximadamente $ 17.1 mil millones, lo que
equivale al 0.72% del presupuesto anual de atención médica.

Confiabilidad de FMEA

El uso de un instrumento no confiable para evaluar la probabilidad de accidentes causa la calidad inadecuada del servicio prestado. La
debilidad de la FMEA se relacionó con el veredicto subjetivo de los riesgos que llevan a un establecimiento de prioridades incorrecto
basado en la importancia de RPN. Un estudio experimental de control investigó la confiabilidad de la FMEA, muestra que una diferencia
significativa en el veredicto de severidad en cada grupo, para concluir que la FMEA no es una herramienta confiable. Otro inconveniente
es la inconsistencia de resultados en el resultado de la FMEA FMEA es incapaz de predecir los errores tangibles ocurridos, por esa
razón, la combinación de FMEA con experiencia, aprendizaje y prueba y error es más probable que reduzca moderadamente los errores
estadísticos de tipo I y II.

Evaluación inversa del modo de falla y análisis de efectos (R-FMEA) un modelo confiable de rendimiento

La evaluación inversa de FMEA (RFMEA) es un modelo opcional sugerido para demostrar un lado confiable de FMEA usando
comparación y combinación de interpretaciones reconocidas y no reconocidas de la S, O, D, y RPN. La estructura del proceso representa
la entrada en el modelo que incluye los antecedentes y la experiencia de los miembros del comité multidisciplinario. La salida de FMEA
revela el RPN, conocido por su confiabilidad incierta. Los valores O, S y D se asignan para cumplir por concordancia la percepción
cognitiva de todos los miembros basada en el riesgo percibido. Además, a los miembros se les permite reevaluar los pasos en todas las
reuniones con la comparación del error informado por la organización.

Los miembros del comité consignan intuitivamente un valor numérico a cada paso. Los números seleccionados varían, pero la capacidad
de mejoras simplemente en el RPN. Al comparar y combinar los valores estadísticos de O, S y D anualmente; La confiabilidad podría
ser mejorada. Como consecuencia, la compatibilidad de R-FMEA y RPN mejora la confiabilidad en lugar de simplemente las
puntuaciones RPN. (figura 1)
Estadísticas de R-FMEA para un modelo confiable

El modelo R-FMEA predice los errores y compara O, S y D durante al menos tres años con un mínimo de cinco observaciones
(evaluaciones) por cada año para producir una predicción confiable de riesgo de falla y seguir la distribución de chisquare. Los años
utilizados en comparación se consideran muestras para cada elemento (O, S y D). Según la naturaleza de los datos utilizados en la
evaluación, la prueba de Kruskal-Wallis parece ser la prueba de medición adecuada para predecir las diferencias de mediana. Además,
los requisitos de la prueba de Kruskal-Wallis se cumplen ya que cada observación (evaluación) se considera como una variable
independiente; y no se requiere una distribución particular de la población. Usando la ecuación de prueba de KruskalWallis para cada
elemento de la siguiente manera:

Donde está:

N: El número total de observaciones (evaluaciones) en todos los años para cada ítem.

T: la suma de la clasificación en cada año, es decir, T1 para el primer año, y T2 para el segundo.

k: número de años.

n: número de evaluaciones cada año.

df: grado de libertad que se usó en la distribución Chi-cuadrado, df = K-1.

Los valores de RFMEA-O, RFMEA-S y RFMEA-D, comparados por separado con el correspondiente grado de libertad y nivel de
significación en la tabla de distribución de Chisquare. Dado el rango del valor correspondiente, el valor de la RFMEA se acepta o rechaza
siempre que se encuentre dentro del mismo rango o fuera del rango, respectivamente. La tabla con las observaciones clasificadas por
el valor más bajo proporciona precisamente el nivel de mejoras en la ocurrencia de fallas, la gravedad y la detección en todos los años
comparados (tablas 1-4).

Ejemplo: Tablas de detección, ocurrencia y gravedad del departamento de calidad de emergencia en un hospital terciario durante tres
años consecutivos:

Tabla 1: Detección de observaciones por departamento de calidad en tres años.

El primer paso es clasificar todas las evaluaciones en años comparados de la siguiente manera:
Tabla 2: Tabla de observaciones de detección clasificada.

En caso de que más de una evaluación tenga el mismo rango, la media de su rango se debe dar como se muestra entre paréntesis.

Si R el valor de FMEA-D es inferior al valor correspondiente de la tabla de distribución de Chi-cuadrado. En consecuencia, eso significa
que las medianas de detección para todos los años son iguales; de lo contrario, son diferentes y, por lo tanto, el nivel de mejoras en la
detección de fallas determinado con precisión por los puntajes más bajos de clasificación en todos los años comparados en la Tabla 5.
Distribución cuadrada, el grado de libertad (df) determinado por la fórmula: K-1. Número de años (K) = 3; entonces df = 3-1 = 2,

Tabla 3: Tabla de observaciones de ocurrencia clasificada.

Tabla 4: Tabla de observaciones de severidad clasificada.

Por lo tanto, volver a la tabla de distribución de chi-cuadrado en el grado de libertad correspondiente con 0.05 nivel de significancia de
0.05 es 5.991 RFMEA-D valor (9.62) es mayor que el valor correspondiente (5.991), lo que significa que las medianas de detección no
son iguales en todo el tres años. Con base en la media más baja de los rangos la mejora detectada. Este método se aplica para investigar
la ocurrencia y la gravedad por separado para mejorar la confiabilidad del instrumento. El uso de R-FMEA aumenta la probabilidad de
abordar cada elemento en la FMEA tradicional; y que, en consecuencia, mejora las causas de seguimiento de los errores como si
provinieran de S, O o D.

Tabla 5: Comparación entre FMEA convencional y tabla R-FMEA.

En FMEA, el RPN indica colectivamente que la predicción general de falla se deteriora en 2016, mientras que en 2017 mejoró
profundamente. Esta fluctuación puede representar el sesgo en la confiabilidad de usar meramente RPN. En contraste, en R-FMEA cada
causa individual de error se investigó por separado usando estadísticas para mejorar la confiabilidad. El uso de la prueba de
KruskalWallis en R-FMEA revela que no hay cambios en la ocurrencia ni en la gravedad, excepto en la detección en los tres años. La
detección se mejoró en los últimos dos años consecutivos, lo que no es compatible con los resultados de FMEA.