Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Transcription

1 Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr Faculté de Médecine Université de la Méditerranée 1

2 plan 1. Principe du contrôle statistique 1.1 Introduction 1.2 Définition 2. Qu est-ce qu une carte de contrôle? 2.1 Fluctuations d échantillonnage 2.2 Construction d une carte de contrôle 3. s des paramètres des cartes de contrôle 4. et utilisation des cartes de contrôles 4.1 Séquences ou «runs» 4.2 Durée moyenne de séquences ou «Average Length Run» 4.3 Compléments 4.4 Quand changer le processus «act» 2

3 1.1 Introduction Check Contrôle Statistique Principe du Contrôle Statistique recueil et analyse d indicateurs Introduction Définition Statistical control process Principe Shewhart ~1920 (pour l industrie) Check Caractériser un processus échantillons de produits de ce processus distributions, paramètres des lois estimation et prédiction fluctuations d échantillonnages lois statistiques 3

4 1.2 Définitions Contrôle Statistique Introduction Définition Principe du Contrôle Statistique Statistical control process Un processus qui varie uniquement de façon aléatoire (fluctuations d échantillonnage) est dit sous contrôle statistique. Un processus qui varie pour des causes identifiables (non aléatoires) est dit hors contrôle statistique. régulation de ces causes pour retrouver des fluctuations aléatoires du processus. NB: la variation d un processus est identifié par la variation de l indicateur qui le caractérise 4

5 Qu est-ce qu une carte de contrôle? Control Chart 2.1 Fluctuation d échantillonnage Exemple: Production de comprimés poids X des cp, X~>N (µ=63mg; σ=0,01 mg) 1 ère étude: tirage au sort de 1 cp tous les jours pendant 1 an distribution des valeurs des poids de chaque comprimé X~>N (µ=63mg; σ=0,01 mg) 2 ème étude: tirage au sort d échantillons de 5 cp Fluctuation d échantillonnage Construction d une carte de contrôle >cp<-read.csv2("c:\\eisis\\opt14\\poids_cp.csv",header=true) >attach(cp) distribution des moyennes des poids de chaque échantillon σ ~>N (µ=63mg; mg) X 5 = 0,005 5

6 >hist(poids,breaks=15,freq=true,xlim=c(62.9 6,63.04),ylim=c(0,90),col="blue",main="poid s des comprimés, n=1") Fluctuation d échantillonnage Construction d une carte de contrôle -3σ +3σ j1 j2... j365 x 1 =63,012 mg n 1 =1 x 2 =62,992 mg n 2 =1 x 365 =63,036 mg n 365 =1 6

7 >hist(moyenne5,breaks=15,freq=true,xlim=c( 62.96,63.04),ylim=c(0,90),col="cyan",main= "moyenne des poids des comprimés, n=5") Fluctuation d échantillonnage Construction d une carte de contrôle 3 σ σ 5 j1 j2... j365 m 1 =63,01 mg s 1 = mg n 1 =5 m 365 =63,003 mg s 365 = mg n 365 =5 m 2 =62,997 mg s 2 = mg n 2 =5 7

8 >hist(mod_moyenne5,breaks=15,freq=true,xli m=c(62.96,63.04),ylim=c(0,90),col="red",ma in="moyenne des poids des comprimés, n=5",add=true) Fluctuation d échantillonnage Construction d une carte de contrôle 63 mg 63,03 mg Si modification de la machine de fabrication (usure...) comprimés plus lourds en moyenne La plupart des échantillons au-delà de la limite supérieur (seuil d alerte) ALEATOIRE cause? NON ALEATOIRE 8

9 Fluctuation d échantillonnage Construction d une carte de contrôle 2.2 Construction d une m sous contrôle stat. cause hors contrôle stat. + 3 σ σ 5 éch. 9

10 Fluctuation d échantillonnage Construction d une carte de contrôle Hypothèses de travail: - Distribution de l indicateur étudié: poids des comprimé ~>N (µ=63mg; σ=0,01 mg) - Processus de fabrication sous contrôle statistique lors de la construction de la carte. Choix des limites: µ Intervalle de fluctuation à 99,73% ± 3σ n Si le processus est sous contrôle, on n observera des échantillons extrêmes (moyennes observées très petites ou très grandes) que dans α=0,27% des cas autre choix µ Intervalle de fluctuation à 95% ±1,96 σ n 10

11 Fluctuation d échantillonnage Construction d une carte de contrôle Tests statistiques: Placer une moyenne observée sur une carte de contrôle = test de comparaison d une moyenne observée à une moyenne théorique Risque α dépend des limites de la carte de contrôle. Application clinique: Industrie processus a priori contrôlé («entrées» maîtrisé) voir UE MET2 Clinique grande variabilité des individus («entrées» non maîtrisable) (décès de patients malgré des soins optimaux, survie de patients malgré des soins de qualité médiocre...) 11

12 Fluctuation d échantillonnage Construction d une carte de contrôle entrées maîtrisées Processus Industriel Variabilité du processus reflet de la qualité du processus Variabilité mesurée Processus Clinique reflet de la qualité du processus et des entrées entrées non maîtrisées Variabilité du processus Variabilité mesurée 12

13 des paramètres des CC 3.1 Principe de l estimation Initialement: État du processus inconnu s Exemple réduire la variabilité jusqu à un état de référence acceptable Échantillonnage: ~20 à 25 échantillons de 5 observations conditions d échantillonnages notées (ex. t, matériel utilisé, identité...) 13

14 s Exemple s: pour k échantillons de même taille n de la moyenne m i moyenne de l échantillon i de l écart-type s i écart-type de l échantillon i c 4 paramètre issue d une loi gamma pour n>25, 4n 4 c4 4 n 3 Limites de contrôle Placer chaque observation sur la carte Supprimer les observations extrêmes Recommencer l estimation Jusqu à obtenir un processus stable tables ˆµ k i= = 1 ˆ σ = k m 4 i k si i= 1 kc ˆ σ ˆ µ ± 3 n causes? modifiable 14

15 s Exemple 3.2 Exemple délai d attente de la prise en charge de patient, en ambulatoire. 20 échantillons, 1 par jour de semaine, pendant 4 semaines, de 30 individus chacun, >at<-read.csv2("c:\\eisis\\opt14\\attente.csv",header=true) >attach(at) >mean(delai[ech==1]) >sd(delai[ech==1])... 15

16 s Exemple >boxplot(delai~ech,xlab="échantillo n", ylab="délai d attente") 16

17 logiciel R: package qcc s Exemple Construction d un tableau avec les échantillons en lignes et les sujets en colonnes >delai<- qcc.groups(delai, ech) >fix(delai) colonnes lignes 17

18 s Exemple >qcc(delai,type="xbar",size=30,std.dev="mvlue-sd",nsigmas=3) données fonction control chart limites de contrôle type: moyenne méthode d estimation de l écart-type 10 j 15 j effectif des échantillons 5 j Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max Group sample size: 30 Number of groups: 20 Center of group statistics: Standard deviation: Control limits: LCL UCL µˆ σˆ 18

19 s Exemple >delai2<-delai[-5,] >delai3<-delai2[-9] (10ème jour) >delai4<-delai3[-13] (15ème jour) >qcc(delai4,type="xbar", size=30,std.dev="mvlue- SD",nsigmas=3) 20 j 19

20 s Exemple >qcc(delai4[1:16,],type="x bar",size=30,std.dev="mvlu E-SD",nsigmas=3) Processus sous contrôle statistique la CC est prête à être utilisée µˆ σˆ 20

21 s Exemple Valeurs extrêmes: Jours 5, 10, 15, 20: les vendredis, délais d attentes plus long, afflux de patients pour des surveillances particulières (ECG) Action: mieux organiser le calendrier des surveillances particulière. 21

22 Runs ALR Compléments Act 4.1 Séquences Carte de contrôle construite utilisée pour monitorage Objectif: reconnaître rapidement et de façon objective si le processus devient hors contrôle statistique. Repérage de phénomènes hors limites, dans les limites: séquences particulières ou runs séries de valeurs présentant les mêmes caractéristiques, non réparties aléatoirement autour de la valeur centrale. 22

23 Runs ALR Compléments Act voir CC temporelle 23

24 Runs ALR Compléments Act 4.2 Durée moyenne de séquences Average Length Run Rappel: un processus est sous contrôle aussi longtemps que les valeurs restent entre les limites probabilité d observer une valeur extrême: α (" perte contrôle"/ sous contrôle) = p( rejet H 0 / H vraie) = α p 0 un processus devient hors contrôle si les valeurs sortent des limites probabilité de ne pas détecter la perte de contrôle: β (" sous contrôle"/ hors contrôle) = p( non rejet H 0 / H fausse) = β p 0 24

25 Runs ALR Compléments Act Question 1: Quel est le «délai» moyen entre la perte de contrôle et sa détection? perte de contrôle? détection 25

26 Runs ALR Compléments Act Quel est le délai moyen entre la perte de contrôle et sa détection? Après la perte de contrôle probabilité que le 1 er échantillon la détecte: 1-β probabilité que le 1 er ne la détecte pas ET le 2 ème la détecte: β (1-β) probabilité que seul le 3 ème la détecte: β β (1-β) probabilité que seul le k ème échantillon détecte la perte de contrôle: β (k-1) (1-β) 1 En moyenne, il faut ALR 1 β = échantillons 1 β avant de détecter une perte de contrôle UE MET2 puissance et NSN loi Gamma 26

27 Question 2: Contrôle Statistique Pour un processus sous contrôle, quel est le délai moyen avant d observer une valeur hors limites?? Runs ALR Compléments Act valeur extrême / contrôle 27

28 Runs ALR Compléments Act Pour un processus sous contrôle, quel est le délai moyen avant d observer une valeur hors limites? Processus sous contrôle probabilité que le 1 er échantillon soit hors limites: α probabilité que le 1 er soit dans le limites ET le 2 ème hors limites: (1-α) α probabilité que seul le 3 ème soit hors limites: (1-α) (1-α) α probabilité que seul le k ème échantillon soit hors limites (à tord): (1-α) (k-1) α loi Gamma 1 En moyenne, il faut ALRα = échantillons avant d observer α une valeur hors limites, alors que le processus est sous contrôle 28

29 Runs ALR Compléments Act En pratique: pour une puissance de 80% β=0,20 Si le processus est hors contrôle, on peut s attendre à le détecter en moyenne au 1 er échantillon pour des limites de contrôle ± 3σ α=0,0027 Si le processus est sous contrôle, on peut s attendre à observer une valeur hors limites en moyenne au 370 ème échantillon ALR 1 = 1 β 1 β = 1,25 1 = 370,37 = α ALR α 29

30 Runs ALR Compléments Act 4.3 Outils complémentaires Check list: noter systématiquement les problèmes survenus au cours du monitorage nombres d erreurs par types de problèmes Diagramme de V. Pareto ( 1923) / J. Juran ( 2008) 20% des causes produisent 80% des effets diagramme bâton ordonné par ordre de fréquences décroissantes + probabilités cumulées 30

31 Runs ALR Compléments Act Exemple: étude du délai d attente Check list 10 causes d attentes cardiologie, urgence, cancérologie, atopie, odontologie... pour chaque cause, recherche de patients avec une attente hors limite >at<-read.csv2("c:\\eisis\\opt14\\paret.csv",header=true) >attach(paret) >names(erreurs)<-causes 31

32 Runs ALR Compléments Act >pareto.chart(erreurs, ylab="errors frequency",col=rainbow(length(erreurs))) variable étudiée Pareto chart analysis for erreurs Frequency Cum.Freq. Percentage nom Cum.Percent. de l axe y CARD PSY fonction diagramme NUT. de pareto GER ATOP CANC DIAB SUIT URG ODO un peu de couleurs!! 20% causes 80% effets 32

33 Runs ALR Compléments Act 4.4 Quand est-il approprié de modifier un processus? Processus change à modifier On ne peut modifier qu un processus stabilisé (sous contrôle) même s il n est pas satisfaisant. Si on modifie un processus hors contrôle, pas de vérification de l efficacité de la modification non attendre Processus sous contrôle? non modifier oui satisfaisant? oui surveiller 33

34 Runs ALR Compléments Act Exemples Processus sous contrôle Processus sous contrôle Processus hors contrôle ATTENDRE Processus sous contrôle, non satisfaisant CORRIGER 34

35 Un livre de référence: Winckel P, Zhang NF Statistical Development of Quality in Medicine eds. Wiley, Statistics in Practice 35