Revisión narrativa
Comparación de gráficos de control para
► El material adicional se publica
solo en línea. Para ver, visite la revista
en línea (http: // dx. Doi. Org / 10. 1136
/ bmjqs- 2016- 005526).
1 The Nuffield Trust, Londres, Reino Unido
2 Departamento de Investigación y Política
de Servicios de Salud, Escuela de Higiene
y Medicina Tropical de Londres, Londres,
Gran Londres, Reino Unido.
3 Unidad de Efectividad Clínica, Royal
College of Surgeons of England, Londres,
Reino Unido.
Correspondencia a
Dra. Kate Walker, Departamento de
Investigación y Política de Servicios de
Salud, Escuela de Higiene y Medicina
Tropical de Londres, 15-17 Tavistock
Place, Londres WC1H 9SH, Reino Unido;
Kate walker @ lshtm. C.A. Reino Unido
JN y KW contribuyeron igualmente.
Recibido el 24 de marzo de 2016
Revisado el 24 de mayo de 2017
Aceptado el 30 de mayo de 2017
Publicado en línea el 25 de
septiembre de 2017
Citar: Neuburger J, Walker K,
Sherlaw-Johnson C,
et al. BMJ Qual Saf
2017; 26: 919–928.
monitorear el desempeño clínico utilizando
datos binarios
Jenny Neuburger, 1,2 Kate walker 2,3 Chris Sherlaw-Johnson, 1
Jan van der Meulen, 2,3 David a Cromwell 2,3
RESUMEN
Antecedentes Los cuadros clínicos son cada vez más utilizados por los equipos
clínicos para controlar su desempeño, pero los cuadros de control estadístico no se
usan ampliamente, en parte debido a la incertidumbre sobre qué cuadro usar.
Aunque existe una gran literatura sobre métodos, existen pocas comparaciones
sistemáticas de gráficos para detectar cambios en las tasas de datos de
rendimiento clínico binario.
Métodos Comparamos cuatro gráficos de control para datos binarios: el gráfico p
de Shewhart; el gráfico de promedio móvil ponderado exponencialmente
(EWMA); el gráfico de suma acumulativa (CUSUM); y el g-chart. Los gráficos se
configuraron para tener la misma tasa de señal falsa a largo plazo. El rendimiento
del gráfico se juzgó de acuerdo con el número esperado de pacientes tratados
hasta que se detectó un cambio en la tasa.
Resultados Para grandes aumentos absolutos en las tasas (> 10%), el gráfico p
Shewhart y EWMA tuvieron un buen rendimiento, aunque no tan bueno como el
CUSUM. Para pequeños aumentos absolutos (<10%), el CUSUM detectó cambios
más rápidamente. El gráfico g está diseñado para detectar de manera eficiente las
disminuciones en las bajas tasas de eventos, pero nuevamente tuvo un
rendimiento menos bueno que el CUSUM.
Trascendencia El gráfico p de Shewhart es el gráfico más simple de
implementar e interpretar, y funciona bien para detectar grandes cambios, lo
que puede ser útil para monitorear los procesos de atención. El g-chart es un
complemento útil para determinar el éxito de las iniciativas para reducir las
bajas tasas de eventos (por ejemplo, eventos adversos). El CUSUM puede ser
particularmente útil para una detección más rápida de problemas con la
seguridad del paciente que conducen a aumentos en las tasas de eventos
adversos.
Introducción
Existe un creciente interés en el uso de cuadros de series
temporales para controlar el rendimiento clínico a fin de
evaluar la seguridad y mejorar la calidad de la atención. 1–4 Sin
embargo, esta forma de mostrar los datos puede prestarse a
una interpretación excesiva de las fluctuaciones del azar, lo
que puede dar lugar a decisiones inapropiadas y fatiga de
mejora. 5 6 Los gráficos de control con límites de control
estadístico son útiles para distinguir
sistemático cambios de oportunidad variación en los procesos
de atención y resultados. 7 7
Aunque algunas organizaciones lo usan bien, los cuadros
de control todavía no se usan ampliamente para monitorear la
calidad y la seguridad en
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
entrega de atención médica de rutina. 8-12 Por ejemplo, una
revisión de 1488 gráficos utilizados por 30 consejos
hospitalarios ingleses encontró que solo el 6% de los gráficos
incluía límites para representar el papel del azar. 8 La
incertidumbre sobre qué gráfico utilizar se ha identificado
como una barrera para el uso de gráficos de control en
entornos clínicos. 8 9 Las innumerables opciones que se deben
tomar al configurar gráficos más complejos también pueden
limitar su accesibilidad. 3
El rendimiento clínico a menudo se mide utilizando
indicadores derivados de datos de eventos binarios, como la
atención que cumple con un estándar específico o la
mortalidad. Los gráficos Shewhart para datos binarios
incluyen el gráfico p que rastrea la proporción con un evento
por períodos consecutivos 13 y el gráfico g que muestra el
número de casos entre eventos y está específicamente
diseñado para detectar reducciones en las tasas de
eventos. 14 Los gráficos más complejos que acumulan
información a lo largo del tiempo incluyen el gráfico de
promedio móvil ponderado exponencialmente (EWMA) y el
gráfico de suma acumulativa (CUSUM). Estos pueden
detectar pequeños aumentos en las tasas de eventos más
rápidamente que el gráfico p. 15-17
Aunque hay varias revisiones excelentes de diferentes
gráficos utilizados en entornos clínicos, 4 16 Los investigadores
no han revisado sistemáticamente la rapidez con que
diferentes gráficos detectan el cambio en un rango de
tamaños de efectos que son realistas para los datos clínicos
binarios. 7 7 Esto contrasta con la literatura de control
estadístico industrial de procesos (SPC), en la cual tales
comparaciones son estándar. 18 años
En este artículo, comparamos cuatro gráficos de
control para datos clínicos binarios: el gráfico p de
Shewhart; 13 el g-chart; 14
el gráfico EWMA; 19 y el gráfico CUSUM. 20–22 Describimos
cómo configurar estos gráficos para detectar aumentos y
disminuciones en las tasas. Luego, comparamos los
gráficos en función del número esperado de pacientes
hasta que se detecta un cambio en la tasa de eventos, lo
que se conoce como la ejecución promedio
919
 Revisión narrativa
longitud (ARL). También describimos el impacto de alterar la configuración del gráfico
en los ARL.
EJEMPLO DE CARTAS DE CONTROL PARA LA
MONTAJE DE MONITOREO
Los cuadros de control se muestran en Figura 1 . Utilizan un ejemplo de
monitoreo local de la mortalidad a los 90 días después de una resección mayor
por cáncer de intestino en un hospital. 23
El número promedio de pacientes electivos sometidos a resección
mayor por cáncer de intestino fue de 30 por mes en este hospital y la
mortalidad inicial fue del 3%. Las fórmulas para los gráficos y sus
límites de control se dan en tabla 1 .
En el gráfico p de Shewhart, los datos se agregan, en este caso por
mes, y la estadística del gráfico es la proporción
Figura 1 Comparación de cuatro gráficos de control para el monitoreo local de la mortalidad a los 90 días después de una nueva resección para cáncer de intestino en un hospital. CUSUM, suma
acumulativa; EWMA, promedio móvil ponderado exponencialmente.
920
de pacientes sometidos a una resección mayor que murieron dentro de los 90
días.
El gráfico g monitorea el número de pacientes que sobrevivieron a su
procedimiento entre cada muerte, y se traza un punto para cada paciente
que falleció. La traza se mueve en la dirección opuesta a las otras tablas:
un aumento en el número de procedimientos entre muertes corresponde a
una reducción en la mortalidad. El gráfico t estrechamente relacionado se
puede utilizar para controlar el tiempo entre eventos, como los días.
La estadística del gráfico EWMA es un promedio móvil ponderado de
resultados individuales actuales y pasados ​y se actualiza con cada
procedimiento. El peso es exponencial, lo que significa que la
contribución de las observaciones pasadas disminuye en el tiempo. Al
igual que el gráfico p
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
 Table 1 Chart formulae and settings used in chart comparisons

Shewhart p-chart g-chart EWMA CUSUM

Chart statistic ∑ nj Sk= ik− ik− 1 S i = λ x i + ( 1 − λ) S i − 1

pj=1n S i = max( 0, S i − 1 + w i)
i= 1 x ij
where s k is the number of observations where s i is the i th value of the trace, x i is the ith observation where
where p j is the proportion in the j th
between events, i k is the sequence and λ is the weighting parameter w i = log OR − log(1 + p(OR − 1))
reporting period, n j is the volume and x ij is the i th observation
number of the kth event
in the j th period if x i = 1
w i = − log(1 + p(OR − 1)) if x i = 0
where s i is the ith value of the trace, x i is the ith observation, p is the baseline event rate and OR
is the OR corresponding to the minimum shift size the chart should detect

Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
Target line Baseline event rate, p Baseline mean number between events, ¯ Baseline event rate, p No target line. Trace moves between zero and the control limit
s or (1−p)/p
√ [ 1 −( 1 − λ) 2 i]
Control 1−p
Absolute value for limit
p( 1 − p) λ
p ± L × √ p( 1 − p) n p± L √1−p p±L
limits p2 2−λ
where L is the number of SEs (sigma) from the
target line (see main text for runs rules)

Chart p n per period Only limits are altered λ= 0.01 OR= 2 for an increase and 0.5 for a decrease
settings <0.02 200
0.02 to <0.1 100
0.1 to 0.5 50

In-control For L=3 with runs rules, n as above: To detect a decrease: For λ= 0.01: For OR=2:
ARLs* In-control
p In-control ARL p L ARL p L In-control ARL p Limit In-control ARL

0.01 14 400 9 0.01 4.0 0.01 4.3 15 250 0.01 3.5 14 290 9
0.10 800 8 0.10 6.0 0.10 3.3 10 050 8 0.10 3.5 300 8
0.50 750 0.50 8 200
8.0 14 800 10 500 0.50 2.9 460 0.50 6.0 900

* In-control ARLs are given for specified values of control limits. Control limits were more finely adjusted to achieve in-control ARLs for comparisons in table 2 . ARL, average run length; CUSUM,
cumulative sum; EWMA, exponentially weighted moving average.
Revisión narrativa

921
 Revisión narrativa
estadística, proporciona una estimación de la mortalidad actual de 90 días.
La estadística de la tabla CUSUM es una relación de probabilidad logarítmica
que resume la evidencia de que la mortalidad se ha alejado de la tasa de
referencia del 3% a una tasa de eventos alternativos especificada, en este caso,
5%. Carece de la interpretación directa de las otras estadísticas del gráfico, pero
la característica importante es que un valor más alto corresponde a una
evidencia más sólida.
Interpretación de los límites de control.
En cada gráfico, los límites de control definen la región dentro de la cual se
espera que se encuentre el estadístico del gráfico si la mortalidad actual es
consistente con la tasa de referencia (esperada) del 3%, sujeto solo a la variación
de probabilidad. El gráfico p de Shewhart está configurado con límites de 3
sigma, donde sigma es la SD de los datos mensuales agrupados (consulte el
apéndice complementario en línea para la fórmula). También utiliza reglas de
ejecución suplementarias relacionadas con los límites de 2 sigma. Cualquiera de
los siguientes elementos generalmente se consideraría evidencia de un cambio
en la tasa de eventos: un punto fuera de los límites de 3 sigma; dos de tres
puntos consecutivos fuera de los límites de 2 sigma; y ocho puntos consecutivos
siempre por encima o siempre por debajo de la tasa de eventos de referencia. 13
El estadístico Shewhart p-chart no cruza ninguno de los límites de
control de 3 sigma durante los 16 meses de monitoreo, pero una carrera
de 8 puntos excede la tasa de eventos de referencia al mes 13, lo que
indica un aumento en la mortalidad. La EWMA cruza el límite de control
superior en el mes 12 (aproximadamente 500a resección) y el CUSUM
se dispara en el mes 9 (aproximadamente 350a resección). El gráfico g
no indica una reducción en la mortalidad durante este período.
La estadística del gráfico CUSUM toma un valor mínimo de cero y se
restablece, generalmente a cero, después de que se supera el límite de control.
Luego, el monitoreo comienza nuevamente y la evidencia posterior sobre el
rendimiento se acumula recientemente. Los otros gráficos no requieren tal
reinicio después de una señal; sus rastros continúan moviéndose a través del
espacio del gráfico, dentro o fuera de los límites de control. A continuación se
detallan más detalles sobre la configuración del gráfico y se resumen en tabla 1 ,
y el apéndice complementario web, incluido el código R utilizado para producir
estos gráficos.
métodos
Usando ARL para comparar gráficos
Un gráfico ideal tomaría poco tiempo para señalar un cambio genuino en
el rendimiento y mucho tiempo para señalar falsamente un cambio. Los
cuatro cuadros se comparan de acuerdo con el número esperado de
pacientes (o procedimientos) hasta que se detecte un cambio en la tasa
de eventos. Esto se conoce comúnmente como ARL fuera de control, un
término tomado de los métodos SPC desarrollados para el control de
calidad de los productos fabricados. 4 7 15 El término ARL a veces se usa
para significar los números de grupos hasta una señal para el gráfico p, 18
años o número de
922
eventos para el g-chart. 14 A su vez, lo que llamamos ARL también se
denomina a veces el número promedio de observaciones hasta la señal. 18 años
Cuando se usa para monitorear un proceso naturalmente variable, incluso
cuando la tasa de eventos no cambia, la estadística del gráfico eventualmente
excederá los límites de control y señalará falsamente un cambio. El número
esperado de observaciones hasta que se señala una falsa alarma se conoce
como ARL bajo control.
Cada uno de los gráficos se puede configurar para que detecten rápidamente
los cambios en el rendimiento al reducir la ARL bajo control, pero esto tiene el
costo de aumentar la tasa de falsas alarmas. Por esta razón, comparamos los
tipos de gráficos con configuraciones diseñadas para proporcionar un ARL en
control similar. Usamos el término eficiente para describir un gráfico que tiene un
ARL fuera de control más pequeño para un ARL en control similar. dieciséis
Para las comparaciones de gráficos, los gráficos se configuraron con un ARL
en control de aproximadamente 10 000 observaciones individuales hasta que se
excedió el límite de control relevante. Esto corresponde a una baja tasa de
falsas alarmas, con una señal falsa esperada cada 10 000 pacientes o
procedimientos. Esto es adecuado para el monitoreo público de resultados
como la mortalidad. Para el monitoreo interno de una medida de proceso de
atención, los cuadros pueden configurarse con ARL de control más cortos, ya
que las tasas de falsas alarmas más altas pueden no ser un problema.
Los métodos para estimar los ARL para cada uno de estos tipos de gráficos
se proporcionan en el apéndice complementario web, incluido el código R. 24 25
Alcance de las comparaciones
Hemos comparado ARL de gráficos unilaterales diseñados para
detectar aumentos o disminuciones en la tasa de eventos. El gráfico p
de Shewhart y el gráfico EWMA se pueden utilizar para detectar
reducciones en las tasas de eventos siempre que el límite de control
inferior no esté en cero. Por el contrario, el gráfico g está
específicamente diseñado para detectar eficientemente las
disminuciones en las tasas de eventos, y solo puede detectar
aumentos cuando el límite de control inferior no está en cero. Los
gráficos son complementarios a este respecto, y aunque en teoría
cada uno puede diseñarse para detectar aumentos y disminuciones al
reducir los límites de control o aumentar los volúmenes para el gráfico
p, esto puede no ser posible en la práctica o puede dar ARL bajo
control que son muy corto. El CUSUM está diseñado para ser
unilateral, probando ya sea un cambio hacia una tasa específica de
"bajo rendimiento" o una tasa de "mejora".
Los ARL en control para gráficos de dos lados se pueden aproximar
fácilmente a partir de los ARL de cada gráfico de un solo lado. 16 24
Comparamos los ARL de los gráficos en un rango de tamaños de turnos que
son realistas para los datos clínicos binarios. Suponemos que se conoce la tasa
de eventos históricos. Expresamos los tamaños de turno como odds ratios (OR) 26
y cambios absolutos en las tarifas.
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526

Los tamaños absolutos de turno serán bajos para los resultados clínicos más
raros, como la aparición de una infección en el sitio quirúrgico, y mucho más altos
para las medidas binarias del proceso de atención, como recibir una evaluación de
diagnóstico o tratamiento dentro de un marco de tiempo específico.
Para una tasa de eventos basales del 1%, un problema en el rendimiento
puede aumentar la tasa de eventos solo del 1% al 2%, que es pequeño en
términos absolutos pero corresponde a un OR de 2 a 3. En contraste, para una
línea de base tasa de 50%, un cambio en la práctica puede cambiar la tasa de
eventos hasta en un 15% -25%, lo cual es grande en términos absolutos pero
nuevamente corresponde a un OR de aproximadamente 2 a 3.
Configurando los gráficos
Para cada uno de los gráficos, se deben tomar decisiones sobre la
configuración de los parámetros del gráfico. Estas elecciones influirán en el
comportamiento del gráfico. La configuración utilizada para las comparaciones
de gráficos se describe a continuación y se resume en tabla 1 . Luego se explora
el impacto de alterar estas configuraciones.
El gráfico p de Shewhart
Para las comparaciones de gráficos, los volúmenes por período se establecen en
200 pacientes para tasas de eventos de menos del 2%, 100 para tasas de eventos
del 2% a menos del 10% y 50 para tasas de eventos del 10% al 50%, ya que estos
dan ARL bajo control de aproximadamente 10 000.
Debido a que el objetivo es principalmente detectar cambios sostenidos en el
rendimiento, en lugar de variaciones transitorias, hemos utilizado el gráfico p de
Shewhart con reglas de ejecuciones complementarias descritas anteriormente.
El g-chart
Debido a que el gráfico se basa en la distribución geométrica, que es muy
sesgada, los límites de control estándar de 3 sigmas generalmente se
traducen en ARL cortos en control para detectar reducciones en las tasas
(aumentos en el número de observaciones entre eventos). Una opción es
ampliar los límites para dar la probabilidad deseada de una falsa alarma 14
o ARL bajo control especificado. Para lograr un ARL en control de
10,000 para fines de comparación con los otros gráficos, ampliamos los
límites de control del gráfico g a entre 4 y 8 límites sigma para obtener
los mismos ARL en control que el gráfico p ( tabla 1 )
La tabla de EWMA
Para construir el EWMA, es necesario seleccionar un valor para el
peso conocido como lambda, λ. El peso, λ, determina cuánto refleja
el estadístico EWMA la observación actual y cuánto refleja las
observaciones anteriores, con el peso dado a una observación j
puntos de tiempo anteriores a la observación actual λ ( 1− λ) j.
Por ejemplo, para un valor para λ de 0.01, la observación actual tiene un
peso del 1% y los pesos asignados a las observaciones 10, 50 y 100
puntos de tiempo anteriores son
0.9%, 0.6% y 0.4%, respectivamente. Cuanto mayor sea el λ, cuanto más
peso se le da a la observación actual y más rápidamente se reduce el
peso
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
Revisión narrativa
fuera de las observaciones anteriores. Valores mayores de λ por lo tanto, produce
una traza EWMA menos suave, porque cada nueva observación cambia la
estadística EWMA en una cantidad mayor. Valores mayores de λ también hace
que la traza EWMA responda mejor al cambio, retrocediendo dentro de los
límites más rápidamente después de que se haya activado una alarma y el
rendimiento haya regresado a la tasa de referencia. Para comparaciones de
gráficos, un λ Se selecciona 0.01 y los límites de control se ajustan para
proporcionar el mismo ARL de control que el gráfico p Shewhart.
El gráfico CUSUM
Hemos utilizado una versión de CUSUM para datos binarios individuales. 22 Está
configurado para detectar un cambio desde la tasa de referencia a una tasa
alternativa especificada, con el cambio expresado como un OR. Para las
comparaciones de gráficos, la tasa alternativa corresponde a un OR de 2
para detectar aumentos y 0,5 para detectar disminuciones. En general, los
OR deben seleccionarse para que se correspondan con el cambio más
pequeño que debe detectarse mediante el monitoreo. El valor para el límite
de control se eligió para dar la misma ARL bajo control que el gráfico p.
RESULTADOS DE COMPARACIONES DE TABLAS
Para pequeños aumentos absolutos en tasas de menos del 10%, el
CUSUM detectó el cambio más rápidamente, seguido por el EWMA y
luego el gráfico p de Shewhart ( Tabla 2 ) Por ejemplo, para una tasa de
referencia del 1%, el gráfico p de Shewhart detectó un aumento absoluto
del 2% en la tasa después de 600 pacientes o procedimientos en
promedio; la EWMA después de 350; y el CUSUM después de 320. Los
aumentos absolutos mayores (> 10%) se detectaron más rápidamente en
promedio, y el gráfico p de Shewhart y el gráfico EWMA tuvieron ARL fuera
de control similares para el mismo ARL bajo control. El CUSUM fue más
eficiente incluso para grandes aumentos. En nuestras comparaciones, el
gráfico g no pudo detectar aumentos en las tasas (disminuciones en las
observaciones entre eventos) porque el límite de control inferior estaba en
o cerca de cero. El CUSUM con configuraciones óptimas superó a los otros
gráficos para detectar disminuciones en las tasas. En contraste con el
gráfico p y EWMA, el gráfico g pudo detectar disminuciones en las bajas
tasas de eventos. Los otros gráficos no pudieron detectar disminuciones
porque los límites de control más bajos estaban en cero. Para poder
detectar disminuciones en las bajas tasas de eventos, los límites de control
tendrían que reducirse, o los volúmenes por período deberían
incrementarse para el gráfico p, y el peso λ reducido para la EWMA.
EFECTOS DE LA CONFIGURACIÓN DE TABLAS
Para describir los efectos de alterar la configuración para el gráfico p, EWMA y
CUSUM, nos referimos a los resultados presentados en
Tabla 3 y las tablas A1 y A2 en el apéndice complementario web. Ilustramos el
impacto de diferentes entornos utilizando nuestro ejemplo de monitoreo de
mortalidad después de la cirugía de cáncer de intestino.
923
 Revisión narrativa

Tabla 2 Comparación de ARL fuera de control, en número de observaciones, para el gráfico p Shewhart *, el EWMA † el CUSUM ‡ y el gráfico g

Tamaño de turno ARL fuera de control

Tasa de eventos basales ARL en control Cambio absoluto O p-chart EWMA CUSUM g-chart

1% 14 400 −0.5% 0,5 N / A§ N / A§ 1 500 2 400

+ 1% 2,0 1 000 990 750 N / A§

+ 2% 3.1 600 350 320 N / A§

10% 14 600 ** −5% 0,5 500 520 270 690

9 800 + 5% 1.6 400 400 330 N / A§

9 800 + 10% 2.3 200 170 70 N / A§

50% 8 750 −15% 0,5 200 250 110 500

+ 15% 1.9 200 250 110 N / A§

+ 25% 3.0 100 160 50 N / A§

* *Límites de 3 sigmas y reglas de carreras suplementarias. Períodos de informe = 200, 100 y 50 casos para tasas de eventos de referencia del 1%, 10% y 50%. †Valor de λ = 0.01.

‡ OR = 2 para detectar aumentos y ½ para detectar disminuciones en las tasas.

§ El límite inferior del gráfico está en cero para la configuración de ARL y del gráfico bajo control seleccionada, de modo que el gráfico p o EWMA no pueden detectar disminuciones en las tasas, y el gráfico g no

puede detectar aumentos en las tasas .

* ** *Las ARL bajo control para un gráfico configurado para detectar una disminución pueden diferir de las de un gráfico configurado para detectar un aumento porque la probabilidad binomial exacta de cruzar el

límite superior no siempre será la misma que la probabilidad binomial exacta de cruzar el límite inferior. ARL, longitud de carrera promedio; CUSUM, suma acumulativa; EWMA, promedio móvil ponderado

exponencialmente.

Para el gráfico g, en su versión más común, solo se pueden alterar los aumentar el volumen por período de informe de 30 a 200 aumenta
límites de control para lograr la probabilidad deseada de una falsa alarma o la ARL bajo control de 840 a
ARL bajo control. 14 400. Las ARL fuera de control correspondientes para detectar un
aumento del 2% son 150 y 600 ( Tabla 3 ) Esto mejora la eficiencia del
Diferentes períodos de informes para el gráfico p de Shewhart
gráfico, lo que significa que disminuye la posibilidad relativa de una falsa
Con límites fijos de control de 3 sigma, alargar el período de informe
alarma frente a una señal genuina.
alarga la ARL bajo control y la ARL fuera de control. Estos pueden
llegar a ser muy largos, lo que lleva a gráficos de aversión al riesgo que
Las ARL no aumentan suavemente con el número de observaciones por
tienen una tasa muy baja de falsa alarma, pero que tardan mucho
período porque las distribuciones de probabilidad para los datos binarios
tiempo en detectar un cambio genuino en el rendimiento ( Tabla 3 ) Por
son discretas ( Tabla 3 ) Revisando los datos de la cirugía intestinal en Figura
el contrario, los períodos de acortamiento reducen la ARL bajo control y
1 , un gráfico p de Shewhart con informes trimestrales en lugar de informes
pueden generar una alta tasa de falsas alarmas. A medida que se
mensuales indicaría un poco antes, con dos puntos consecutivos por
prolonga el período de informe, la ARL bajo control aumenta más que la
encima de los límites de 2 sigma en 12 meses.
ARL fuera de control. Por ejemplo, para una tasa de referencia del 1%,

Tabla 3 Comparación de ARL fuera de control, en número de observaciones, para el gráfico p de Shewhart con límites de 3 sigma con diferentes períodos de informe

Volumen por período: 30 50 100 200 500

ARL en ARL fuera ARL en ARL fuera ARL en ARL fuera ARL en ARL fuera ARL fuera
Base control de control control de control control de control control de control ARL en de control
tasa de eventos Absoluta
cambio O control

1% −0.5% 0.5 N / A * N / A* N / A* N / A* N / A* N / A* N / A* N / A* 61 000 5 000

+ 1% 2,0 840 270 2 150 400 3 200 600 14 400 1 000 48 500 1 500

+ 2% 3.1 840 150 2 150 200 3 200 300 14 400 600 48 500 1 000

10% −5% 0,5 2 700 330 6 150 † 500 14 600 † 500 38 800 † 600 1 15 000 † 1 000

+ 5% 1.6 2190 270 5 850 400 9 800 400 29 000 600 94 500 1 000

+ 10% 2.3 2 190 120 5 850 150 9 800 200 29 000 400 94 500 1 000

50% −15% 0,5 4 710 180 8 750 200 16 000 200 43 000 400 1 09 500 1 000

+ 15% 1.9 4 710 180 8 750 200 16 000 200 43 000 400 1 09 500 1 000

+ 25% 3.0 4 710 60 60 8 750 100 16 000 200 43 000 400 1 09 500 500

* *Los límites inferiores del gráfico están en cero, por lo que no se pueden detectar disminuciones.

† Las ARL bajo control para un gráfico configurado para detectar una disminución pueden diferir de las de un gráfico configurado para detectar un aumento porque la probabilidad binomial exacta de cruzar el

límite superior no siempre será la misma que la probabilidad binomial exacta de cruzar El límite inferior. ARL, longitud promedio de ejecución.

924 Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526

Diferentes pesos para la EWMA
Para un ARL bajo control fijo, valores del peso λ se puede seleccionar
para minimizar el ARL fuera de control y maximizar la eficiencia del
gráfico. Los límites de control se ajustan simultáneamente para lograr el
ARL en control deseado.
El valor óptimo de λ depende de la tasa de referencia y el tamaño del
turno a detectar, con tasas de referencia más altas que tienen un óptimo
óptimo más grande λ. Los pesos de alrededor de 0.01 funcionan bien en
un rango de tasas (tabla complementaria en línea A1). En Figura 1 la
EWMA se creó con un λ de 0.01, y activa una alarma en el mes 12. Si un λ
en su lugar, se usa el EWMA con las mismas señales ARL bajo control
un poco antes, en el mes 10 (aproximadamente el procedimiento número
400).
Diferentes configuraciones para el CUSUM
El gráfico CUSUM es más rápido para detectar aumentos en las tasas
que los otros gráficos, incluso cuando el cambio que está diseñado para
detectar difiere del cambio real (tabla complementaria en línea A2). Es
más rápido cuando el cambio hipotético coincide con el cambio real. Un
OR de 2 corresponde a un aumento realista de la tasa en un rango de
tasas de eventos de referencia (tabla complementaria en línea A2) y un
OR de ½ corresponde a una disminución realista. El CUSUM en Figura
1 se configuró para tener una tasa alternativa del 5% (OR de 1.7) y
activa una alarma en el mes 9. Se activa en el mismo mes si se utiliza
un OR de 2.
discusión
Hallazgos principales
Para pequeños aumentos absolutos en las tasas de eventos, menos de
alrededor del 10%, el CUSUM detecta los cambios más rápidamente que el
EWMA, y el EWMA detecta los cambios más rápidamente que el gráfico p
de Shewhart. Para aumentos mayores en las tasas, superiores al 10%, el
gráfico p de EWMA y Shewhart tienen un buen rendimiento, aunque no tan
bueno como el CUSUM. El gráfico g puede detectar disminuciones en las
tasas de eventos bajos, mientras que el gráfico p puede no ser capaz de
hacerlo sin aumentar sustancialmente la tasa de señal falsa. El CUSUM con
configuraciones óptimas es el más eficiente para detectar disminuciones.
El gráfico p de Shewhart es el gráfico más accesible, particularmente en
términos de configuración del gráfico. Sin embargo, la elección del período
de informe puede tener un gran efecto en su comportamiento. En contraste,
el CUSUM es el más difícil de los cuatro gráficos para construir e interpretar.
Fortalezas y limitaciones de nuestro estudio.
Hay muchos gráficos disponibles para monitorear datos binarios y no
los hemos cubierto todos. Para tomar un ejemplo, se ha propuesto
un gráfico EWMA diferente para eventos raros que, como el gráfico
g, monitorea el número de casos entre eventos. 27 28
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
Revisión narrativa
También hay diferentes versiones de los gráficos que hemos revisado que
podrían afectar las comparaciones de su rendimiento. Por ejemplo,
utilizamos el gráfico p de Shewhart con límites de 3 sigma y reglas de
ejecución suplementarias basadas en los límites de 2 sigma. Se ha
demostrado que el uso de reglas de ejecución es más eficiente para detectar
cambios que reducir los límites del gráfico Shewhart básico cuando se
monitorean las medias de variables continuas. 24 Comparamos el rendimiento
del gráfico p Shewhart con límites de control ajustables con los otros
gráficos, y nuestras conclusiones no se alteraron. Nuestras comparaciones
cubren una variedad de cambios en las tasas que se seleccionaron para ser
realistas para los resultados clínicos binarios o los datos del proceso de
atención. El rango no cubre cambios muy grandes. Sin embargo, los cambios
muy grandes deben quedar claros en los datos sin procesar. Los cambios
persistentes pero más pequeños son posiblemente más importantes de
detectar, ya que de lo contrario pueden pasar desapercibidos o disputados
sin métodos estadísticos para detectarlos. 3
Utilizamos ARL para comparar los gráficos. Las distribuciones de probabilidad
de las duraciones de las corridas están muy sesgadas, de modo que la mediana
de la corrida de las longitudes suele estar muy por debajo de la media, de modo
que se produciría más de la mitad de las falsas alarmas antes de la ARL
diseñada. Otra opción sería diseñar gráficos con probabilidades específicas de
detectar un cambio y señalar una falsa alarma durante un período de tiempo
determinado para el monitoreo. 3 También se han propuesto métodos para controlar
directamente la probabilidad condicional de una falsa alarma. 29
Hemos presentado comparaciones para gráficos configurados para
tener un ARL en control de 10 000 pacientes o procedimientos. Sin
embargo, la eficiencia comparativa de los gráficos fue similar cuando se
diseñaron con ARL de control más cortos. Por ejemplo, con los límites
estándar de 3 sigmas, el gráfico g configurado para detectar una
disminución en la tasa de 1% a 0.5% tenía un ARL bajo control de 5400
y un ARL fuera de control de 1460. El CUSUM con el mismo ARL en
control tenía un ARL fuera de control de 1000.
También hemos hecho varias suposiciones que pueden influir en el
comportamiento del gráfico y nuestras conclusiones sobre su eficiencia
comparativa. Asumimos que se conoce la tasa de eventos basales. En la
práctica, la recopilación de datos puede no preceder al inicio del monitoreo,
o una tasa de eventos muy baja puede ser mal estimada incluso cuando se
recopilan datos anteriores. Se ha demostrado que las gráficas basadas en
números entre eventos son más robustas que el CUSUM con una pobre
estimación de una baja tasa de eventos. 30 Se han propuesto métodos
técnicos para ajustar la incertidumbre debido a la estimación de
parámetros. 31
En aplicaciones clínicas, se puede usar alternativamente una tasa
objetivo externa, aunque esto alteraría la interpretación de la tabla y las
señales resultantes. Asumimos que los cambios en el rendimiento
ocurren al comienzo del período de monitoreo. El gráfico p de
Shewhart y el gráfico g no se actualizan con cada observación. Si se
produce un cambio en el rendimiento a la mitad de un período de
informe para el gráfico p de Shewhart, o en
925
 Revisión narrativa
entre dos eventos para el g-chart, esto aumentará sus ARL fuera de
control. Las simulaciones de cambios en el rendimiento a mitad del
monitoreo tuvieron poco efecto en nuestras estimaciones de ARL
(resultados no mostrados) y no cambiaron los hallazgos del estudio.
Asumimos que la probabilidad de un evento es constante a lo largo del tiempo
bajo la hipótesis nula de que el rendimiento clínico no cambia. En la práctica, los
datos de resultados clínicos suelen ser propensos a una variabilidad sistemática
que no sea cambios en el rendimiento, como la estacionalidad, la variación en los
factores de riesgo del paciente y los cambios en la calidad de los datos. Con
base en datos simulados, se ha demostrado que los ARL en control son más
cortos cuando se monitorean los resultados en grupos de pacientes de alto
riesgo, lo que lleva a una tasa más alta de falsas alarmas que la que se diseñó
con la tabla. 32
Sin embargo, las comparaciones de las versiones de los gráficos ajustadas al
riesgo han encontrado que CUSUM es más eficiente a través de variaciones
simuladas en la combinación de casos dieciséis y el CUSUM ajustado al riesgo se ha
recomendado para controlar los resultados quirúrgicos. 4 21 33
Comparación con la literatura.
Los estudios que examinan el rendimiento de ARL de diferentes gráficos son
estándar en la literatura de SPC industrial y no tan comunes en la literatura de
SPC de atención médica. Para los datos binarios, otros estudios coinciden en
que el CUSUM y el EWMA son más rápidos que el gráfico p de Shewhart para
detectar pequeños aumentos en las tasas, y varias revisiones han
recomendado el CUSUM para los datos binarios individuales, incluidos los
datos de resultados quirúrgicos. 4 16 18
Las diferencias entre los entornos industriales y sanitarios limitan la
aplicabilidad de algunos de los hallazgos del primero al segundo. Por
ejemplo, los datos de resultados binarios son más comunes en
aplicaciones sanitarias. Las comparaciones en la literatura industrial de
SPC que demuestran un mejor rendimiento del gráfico p de Shewhart
para detectar grandes cambios no siempre se aplican al monitoreo de
datos binarios individuales. Los turnos de 2 o 3 SD a menudo se definen
como grandes, 15 pero tales cambios grandes son raros con datos clínicos
binarios. Esta diferencia en la definición de los cambios pequeños y
grandes puede explicar el hallazgo de Grigg y Farewell de que el gráfico
p de Shewhart funciona peor que el CUSUM incluso para los cambios
"grandes" en las tasas. Aquí caracterizan un gran cambio utilizando un
OR de 5. Esto corresponde a un aumento de 6.6% a 26.1% en su
ejemplo de mortalidad después de la cirugía cardíaca, pero es un cambio
de solo 1 SD en los datos individuales. dieciséis Una comparación de CUSUM
y EWMA que encontró que tenían un rendimiento similar fue para
monitorear una variable continua, no una variable binaria. 34
El monitoreo en el cuidado de la salud generalmente cubre al 100% de los
pacientes, por lo que el uso de la gráfica p de Shewhart requiere que los datos se
agreguen durante un período de informe, como una semana o un mes. Por el
contrario, el muestreo de la salida de un proceso a intervalos cortos es común en
aplicaciones industriales, y el tamaño de la muestra a menudo no es una restricción. 7
7
El efecto de la agregación de datos en la eficiencia de
926
Reynolds y Stoumbos examinaron el gráfico CUSUM, quienes
compararon el CUSUM para datos binarios individuales y para datos
binarios agrupados. 22 Descubrieron que el primero tiene ARL fuera de
control más cortos que el segundo para un ARL bajo control fijo, aunque
ambos gráficos funcionaron mejor que el gráfico p de Shewhart. En
relación con esto, el gráfico p de Shewhart no siempre se puede
optimizar en aplicaciones sanitarias de la misma manera que en muchas
aplicaciones industriales. Cuando los tamaños de muestra no son una
restricción, a menudo se usa la regla general de np ≥5 observaciones,
donde n es el tamaño de muestra por período y p es la tasa de eventos.
Se recomiendan tamaños de muestra superiores a este para detectar
reducciones en las tasas. 35 La regla se basa en el umbral en el que la
distribución binomial se puede aproximar con la distribución normal y los
límites de 3 sigma funcionan según lo previsto. 22 En aplicaciones de
atención médica, puede ser difícil lograr tamaños de muestra
suficientemente grandes sin agregar datos durante períodos de informe
muy largos, lo que puede causar demoras en la detección de cambios
hasta el final del período de informe. dieciséis Otra opción sería utilizar
límites binomiales exactos en lugar de los límites de 3 sigmas.
Implicaciones prácticas
Hemos comparado la eficiencia de los gráficos para detectar cambios en las
tasas de datos binarios en condiciones ideales. Sin embargo, otras
consideraciones prácticas influirán en la elección del gráfico.
Una consideración es la frecuencia del procedimiento o la prevalencia de
la afección para la cual se están monitoreando los resultados o procesos de
atención. Para procedimientos de bajo volumen y condiciones poco
frecuentes, puede que no sea posible alcanzar volúmenes por período de
informe que alcancen los niveles de ARL deseados. Por ejemplo, la cirugía
de cáncer esofagogástrico se realiza en 25-30 pacientes por año en un
hospital típico inglés. Con una mortalidad postoperatoria tan baja como el
3%, hemos sugerido 200 pacientes por período de informe para dar un ARL
en control de
10.000 pacientes Para este procedimiento, se necesitarían períodos de
informes de varios años, lo cual es inapropiado para un monitoreo
continuo. Por otro lado, los ARL en control más cortos pueden ser más
apropiados, ya que incluso los ARL cortos corresponden a largos
períodos de tiempo calendario. En tales configuraciones, es útil estimar la
ARL bajo control al seleccionar períodos de informes, utilizando Tabla 3 como
guía. También hay un caso más sólido para usar CUSUM o EWMA que
puede actualizarse con cada procedimiento.
La importancia práctica de las falsas alarmas y los tiempos de detección
también variarán. Para un equipo de mejora de la calidad que supervisa un
proceso de atención, como la evaluación oportuna o la prescripción de un
medicamento apropiado, las falsas alarmas no son necesariamente un
problema para el seguimiento de los resultados. Cada señal puede
investigarse en detalle y tomarse medidas sin comprometer la seguridad del
paciente o causar un trabajo innecesario. En esta situación, el gráfico p
Shewhart con reglas de ejecución
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526

puede representar la mejor opción y los períodos de informes más cortos, que
corresponden a ARL en control más cortos, pueden ser apropiados. El gráfico
g también puede ser útil para detectar mejoras. Sin embargo, todavía creemos
que es importante que los usuarios sean conscientes de los impactos de sus
elecciones en los ARL y que de nuevo puedan usar tablas 2 y 3 como guía.
Por el contrario, las falsas alarmas pueden ser más perjudiciales cuando
los informes están abiertos al público en lugar de usarse únicamente para la
revisión interna del desempeño, particularmente cuando se informan
resultados como la mortalidad. 36 Para los indicadores de seguridad del
paciente, la detección temprana de un problema también es importante. En
estos casos, los gráficos deben diseñarse con ARL bajo control
suficientemente largos y la eficiencia de CUSUM y EWMA puede ser una
ventaja particular. Hemos sugerido configuraciones para estos gráficos y
también proporcionamos las ARL bajo control para diferentes límites de control
en el apéndice complementario en línea.
La simplicidad y la facilidad de interpretación de los gráficos para los equipos
de atención médica son importantes. Tanto el gráfico p de Shewhart como el
EWMA proporcionan una traza que puede interpretarse como una estimación de
la tasa de eventos actual y representarse en una escala natural como una
proporción o porcentaje. El g-chart también tiene una interpretación natural.
También hay disponible una variedad de herramientas y videos instructivos para
ayudar a configurar los cuadros de Shewhart, como los recursos de la Escuela
Abierta del Instituto para el Mejoramiento de la Salud.
[http: // www. ihi org / education / IHIO-
penSchool / resources / Pages / AudioandVideo / Whiteboard13. áspid]
El CUSUM carece de esta interpretabilidad. Una sugerencia es que
los límites de control de CUSUM se pueden superponer en un OE o Pantalla
de ajuste de vida variable ( VLAD) que muestra el número acumulado
de eventos observados (O) menos el número esperado (E). 37 Se
necesitan herramientas para hacer que estos métodos sean más
accesibles si se van a utilizar más ampliamente, y también se necesita
un mejor acceso a analistas calificados con servicios de salud. 38
Agradecimientos Los autores agradecen particularmente al editor, Kaveh Shojania,
y al editor asociado, Tom Woodcock, por sus reflexivas revisiones y contribución
sustancial al pensamiento en este documento. Los autores también agradecen a sus
revisores por sus útiles comentarios y a Chris Rogers, Martin Bardsley y Naomi
Wakeman por sus primeras discusiones y sugerencias. El NHS Digital puso a
disposición las estadísticas de episodios hospitalarios.
Colaboradores JN y KW son primeros autores conjuntos. Concibieron la idea para el
estudio, realizaron la búsqueda bibliográfica y sintetizaron los hallazgos. JN, KW, JvdM
y DAC desarrollaron la idea para el estudio. DAC asesoró en la búsqueda de literatura.
JN y KW llevaron a cabo los análisis. JN y KW redactaron y revisaron el documento.
Todos los autores contribuyeron a revisar el documento y todos revisaron y aprobaron
el borrador final.
Fondos JN fue financiado por una beca posdoctoral del Instituto Nacional de
Investigación en Salud (PDF-2013-06-078). Las opiniones expresadas en esta
publicación son las de los autores y no necesariamente las del NHS, el Instituto
Nacional de Investigación en Salud o el Departamento de Salud.
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
Revisión narrativa
Conflicto de intereses Ninguno declarado.
Consentimiento del paciente El estudio implica un análisis secundario de datos
anonimizados.
Procedencia y revisión por pares No comisionado; revisado por pares externamente.
Acceso abierto Este es un artículo de acceso abierto distribuido de acuerdo con la
licencia Creative Commons Attribution Non Commercial (CC BY-NC 4.0), que
permite a otros distribuir, remezclar, adaptar, construir sobre este trabajo de manera
no comercial y licenciar sus trabajos derivados en diferentes términos, siempre que
el trabajo original se cite correctamente y el uso no sea comercial. Ver: http: //
creativecommons. org / licens / by- nc / 4. 0 /
© Autor (es) del artículo (o su (s) empleador (es) a menos que se indique lo contrario en el
texto del artículo) 2017. Todos los derechos reservados. No se permite el uso comercial a
menos que se otorgue expresamente lo contrario.
REFERENCIAS
1 Benning A, Ghaleb M, Suokas A, et al. Gran escala
intervención organizacional para mejorar la seguridad del paciente en cuatro hospitales del
Reino Unido: evaluación de métodos mixtos. BMJ 2011; 342: d195. 2 Nicolay CR, Purkayastha
S, Greenhalgh A, et al. Sistemático
revisión de la aplicación de metodologías de mejora de la calidad de la industria
manufacturera a la atención médica quirúrgica. Br J Surg 2012; 99: 324–35. 3
Sherlaw-Johnson C, Bardsley M. Monitoreo del cambio en la salud
atención a través de métodos de control de procesos estadísticos. La confianza de Nuffield 2016
http: // www. Confianza org. Reino Unido / Publicaciones / Monitoring- Change- Health- Care-
Through- Statistic- ProcessControl- Methods (consultado el 22 de diciembre de 2016). 4
Woodall WH, Fogel SL, Steiner SH. El seguimiento y
mejora de la calidad del resultado quirúrgico. J Qual Technology
2015; 47: 383–99.
5 Schmidtke KA, Watson DG, Vlaev I. El uso de gráficos de control
por laicos y tomadores de decisiones del hospital para guiar la toma de decisiones. QJ
Exp Psychol 2017; 70: 1114–28. 6 Anhøj J, Hellesøe AB. El problema con rojo, ámbar,
verde: el
Es necesario evitar la distracción por variación aleatoria en las medidas de desempeño
organizacional. BMJ Qual Saf 2017; 26: 81–4. 7 Woodall WH. El uso de cuadros de control en
la asistencia sanitaria y
vigilancia de salud pública. J Qual Technology 2006; 38: 89-104. 8 Schmidtke KA,
Poots AJ, Carpio J, et al. Considerando la posibilidad
en medidas de rendimiento de calidad y seguridad: un análisis de los informes
de rendimiento de las juntas en inglés NHS trusts. BMJ Qual Saf 2017; 26: 61–9. 9
Thor J, Lundberg J, Ask J, et al. Aplicación de estadísticas
control de procesos en la mejora de la asistencia sanitaria: revisión sistemática.
Qual Saf Health Care 2007; 16: 387–99. 10 Spiegelhalter DJ.
Monitoreo del desempeño clínico: a
comentario. J Thorac Cardiovasc Surg 2004; 128: 820–2. 11 Aylin P, Mejor N,
Botella A, et al. Siguiendo a Shipman: un piloto
sistema de monitoreo de tasas de mortalidad en atención primaria. Lanceta
2003; 362: 485–91. 12 Rogers CA, Ganesh JS, Banner NR, et al. Riesgo
acumulado
Monitoreo ajustado de la mortalidad a los 30 días después del trasplante cardiotorácico:
experiencia en el Reino Unido. Eur J Cardiothorac Surg
2005; 27: 1022–9.
13 Mohammed MA, Worthington P, Woodall WH. Trazado básico
cuadros de control: notas tutoriales para profesionales de la salud. Qual Saf Health
Care 2008; 17: 137–45. 14 Benneyan JC. Número entre calidad estadística de tipo g
tablas de control para monitorear eventos adversos. Cuidado de la salud Manag Sci 2001;
4: 305-18.
927
 Revisión narrativa
15 Montgomery DC. Introducción al control estadístico de calidad.
6ta ed. Nueva York: Wiley & Sons, 2009.
16 Grigg O, Farewell V. Una visión general de los gráficos ajustados al riesgo. JR
Stat Soc Ser A Stat Soc 2004; 167: 523–39. 17 Spiegelhalter D,
Sherlaw-Johnson C, Bardsley M, et al.
Métodos estadísticos para la regulación sanitaria: calificación, detección y
vigilancia. JR Stat Soc Ser A Stat Soc 2012; 175: 1–47. 18 Szarka JL, Woodall WH.
Una revisión y perspectiva sobre
vigilancia de los procesos de Bernoulli. Qual Saf Health Care
2011; 27: 735–52.
19 Cook DA, Coory M, Webster RA. Ponderada exponencialmente
tablas de promedio móvil para comparar los valores observados y esperados para
monitorear los indicadores hospitalarios ajustados al riesgo. BMJ Qual Saf 2011; 20:
469–74.
20 páginas ES. Cuadros de control con líneas de advertencia. Biometrika
1955; 1: 243–57.
21 Steiner SH, Cook RJ, Farewell VT. Monitoreo ajustado al riesgo de
Resultados quirúrgicos binarios. Med Decis Making 2001; 21: 163–9. 22 Reynolds
MR Jr, Stoumbos ZG. Un gráfico CUSUM para
monitorear una proporción cuando se inspecciona continuamente. Revista de Tecnología de
Calidad 1999; 3: 1.
23 Estadísticas de episodios hospitalarios. http: // www. hscic gobernador uk / hes
(consultado en marzo de 2016).
24 Champ CW, Woodall WH. Resultados exactos de Shewhart
Gráficos de control con reglas de ejecución suplementarias. Tecnometría
1987; 29: 393–9.
25 Jc F, Spiring FA, Xie H. En las duraciones promedio de calidad
esquemas de control utilizando un enfoque de cadena de Markov. Estadísticas y cartas
de probabilidad 2002; 56: 369–80. 26 Bland JM. El odds ratio. BMJ 2000; 320: 1468. 27
Spliid H. Monitoreo de procedimientos médicos por exponencial
alisado Stat Med 2007; 26: 124–38.
28 Spliid H. Un control de media móvil exponencialmente ponderado
gráfico para datos de Bernoulli. Qual Reliab Eng Int 2010; 26: 97-113.
928
29 Gombay E, Hussein AA, Steiner SH. Monitoreo binario
resultados utilizando gráficos ajustados al riesgo: un estudio comparativo. Stat Med 2011;
30: 2815–26. 30 Lee J, Wang N, Xu L, et al. El efecto de la estimación de parámetros
en gráficos de suma acumulativa de Bernoulli de los lados superiores. Qual Reliab Eng Int 2013;
29: 639–51.
31 Weiss CH, Atzmüller M. Gráficos de control EWMA para monitoreo
Procesos binarios con aplicaciones a datos de diagnóstico médico.
Qual Reliab Eng Int 2010; 26: 795–805. 32 Tian W, Sun H, Zhang X, et
al. El impacto de variar
poblaciones de pacientes en el rendimiento bajo control de la tabla
CUSUM ajustada al riesgo. Int J Qual Health Care
2015; 27: 31–6.
33 Grigg OA, Farewell VT, Spiegelhalter DJ. Uso de riesgo ajustado
Gráficos CUSUM y RSPRT para monitoreo en contextos médicos.
Métodos estadísticos Med Res 2003; 12: 147–70. 34 Lucas JM, Saccucci MS.
Movimiento ponderado exponencialmente
esquemas de control promedio: propiedades y mejoras.
Tecnometría 1990; 32: 1–12. 35 Morris RL, Riddle EJ. Determinación del
tamaño de la muestra
detectar la mejora de la calidad en los gráficos p. Qual Eng
2008; 20: 281–6.
36 Lilford R, Mohammed MA, Spiegelhalter D, et al. Uso y
Uso indebido de los datos de procesos y resultados en la gestión del desempeño de la atención
médica aguda: evitar el estigma institucional. Lanceta
2004; 363: 1147–54.
37 Sherlaw-Johnson C. Un método para detectar series de buenas
y malos resultados clínicos en gráficos de visualización de vida ajustada variable
(VLAD). Cuidado de la salud Manag Sci 2005; 8: 61-5. 38 Bardsley M. Comprensión de la
capacidad analítica en salud
cuidado. ¿Tenemos más datos que ideas? London: The Health Foundation, 2016.
htt p:// www. heal th.o rg.u k/si tes/ heal th/f iles/ Unders tanding Anal yti calCap
ability InHeal thCare. pdf. (accessed 22 Dec 2016).
Neuburger J, et al. BMJ Qual Saf 2017; 26: 919–928. doi: 10.1136 / bmjqs-2016-005526
Reproduced with permission of copyright owner. Further reproduction
prohibited without permission.