El control de calidad en medicina genera cada vez más interés. Los conceptos industriales del control de calidad han sido refinados y transformados para ser útiles en el control de calidad y la monitorización de la asistencia médica. Ello se basa en la confección e interpretación de las llamadas gráficas de control, cuya información es intuitiva e inmediata en la detección de desviaciones sobre los estándares de calidad que se establezcan, y en la comparación de resultados de distintas unidades asistenciales, sean facultativos concretos, servicios u hospitales. En el presente artículo se describen los 3 tipos de gráficas de control con mayor proyección actual en el ámbito clínico.
There is increasing interest in quality control in medicine. The industrial concepts of quality control have been refined and adapted for use in the quality control and monitoring of medical care. This process is based on creating and interpreting control charts. The information contained in these charts is intuitive and they can be used to immediately detect deviations from established quality standards and to compare outcomes in different healthcare units, whether concerning specific physicians, departments, or hospitals. The present article describes the three types of control chart that currently have the greatest relevance in the clinical setting.
Uno de los campos donde el análisis estadístico ha tenido un éxito enorme en los últimos tiempos es el relacionado con el control de calidad en la producción de bienes y servicios. La tecnología estadística que se aplica para ello se engloba en lo que se conoce como «control estadístico de procesos» (SPC en inglés) y se basa en la confección e interpretación de gráficas que permiten, simplemente de forma visual, conocer al detalle el estado y la tendencia evolutiva en el tiempo de los resultados de cualquier actividad.
Dicha tecnología nació en la década de 19201 y conoció su eclosión en la década de 1980 en la industria japonesa, para generalizarse después en todo el mundo de la industria. Su filosofía se sustenta en la idea de que en cualquier producto fruto de la actividad humana existe una variabilidad que puede considerarse lógica y normal así como inevitable, pero puede existir otra variabilidad de mayor magnitud, que no es deseable y que obedece a unas causas que se pueden corregir o evitar. El objetivo de las gráficas de control sería, pues, detectar de inmediato esta variabilidad especial y anómala, si es que se produce, distinguiéndola de la variabilidad común o asignable propia de cualquier proceso2,3.
Nuestra actividad clínica no es, desde luego, absolutamente equiparable a la actividad industrial. Quizá por esa falta de semejanza entre nuestra actividad clínica y la actividad de producción de bienes y servicios de la industria, las técnicas de SPC han tardado mucho en interesar al clínico, y de hecho, únicamente en los últimos 10-15años han comenzado a proliferar trabajos que utilizan esta tecnología en auditorías y en cuestiones puramente clínico-asistenciales4,5.
Gráficas de control en el ámbito clínicoNuestros resultados asistenciales tendrán una calidad correcta o suficiente si solo muestran una variabilidad común, pero si en algún momento mostraran una variabilidad especial —entiéndase excesiva—, entonces su calidad podría ser superior a lo normal (excelencia), o bien ser subóptima si sobrepasara ciertos límites por debajo de lo considerado como suficiente. Todo ello debe reflejarse en una gráfica de control.
Existen numerosos tipos de gráficas de control. Nos centraremos en explicar los 3 tipos fundamentales que se aplican a los procesos clínico-asistenciales. En primer lugar, las llamadas por su apariencia «gráficas de embudo» o Funnel Chart6,7, cuya finalidad es comparativa. En segundo lugar trataremos las gráficas más utilizadas en lo que concretamente constituye la monitorización de nuestros resultados. A este grupo de gráficas de control pertenecen las gráficas de riesgo ajustado (RA): las «gráficas RA-CUSUM de resultado observado versus esperado»8,9 y las «gráficas RA-CUSUM tipo RSPRT (Risk-adjusted Sequential Probability Ratio Test)»8,9. Ambas gráficas de riesgo ajustado pertenecen al amplio grupo de las llamadas gráficas de suma acumulada (gráficas CUSUM), puesto que analizan la suma de las diferencias acumuladas en el tiempo entre nuestros resultados reales y una cifra de referencia que manifiesta un resultado óptimo o deseable.
Gráficas de embudoEstas gráficas, propuestas por Spiegelhalter6, son actualmente imprescindibles en cualquier auditoría o estudio donde se comparen resultados asistenciales entre distintas unidades de producción clínica (fig. 1), como sustitución o como complemento de las antiguas gráficas de clasificación (League Tables), donde las unidades se ordenan de mejor a peor según sus resultados2.
Gráfica de embudo (Funnel Chart). Comparación entre varios centros de mortalidad postoperatoria en cirugía de urgencias.
Nota. Obsérvese que el hospital n.o 2 está en estado de alarma o «fuera de control» al presentar una mortalidad manifiestamente excesiva, y que los resultados tienden a ser mejores a mayor volumen de casos. El hospital n.° 9 y el n.° 12 rozan la excelencia. El hospital n.° 1 y el n.° 3 están en estado de alerta por malos resultados. Los demás están «en estado de control», es decir, dentro del estándar de calidad aceptable (variabilidad común).
La línea horizontal principal es el resultado promedio de todas las unidades comparadas, ponderado matemáticamente por el volumen de casos que cada una aporta al análisis. Hay 4 líneas que representan los límites de variabilidad común alrededor de la línea promedio y que suelen construirse estadísticamente con una seguridad del 95 y del 99,8%. Esto quiere decir que si un resultado —que es representado en la gráfica como un punto o un círculo— sobrepasa esos límites posee un exceso de variabilidad. De este modo, habrá resultados situados entre dichos límites expresando una calidad suficiente, y puede haber resultados situados en la zona de excelencia o en la zona subóptima. Estos 4 límites adoptan cierta forma de embudo porque su amplitud depende del volumen de casos.
El eje de abscisas contiene el volumen ordenado de casos; por lo tanto, la forma de la nube de puntos que engloba los resultados de cada unidad analizada nos puede mostrar si estos tienen la tendencia a ser mejores con el aumento del volumen de casos, si empeoran, o si muestran una distribución dispersa que no tiene relación con dicho volumen.
La filosofía de esta gráfica de embudo puede resumirse en 2 puntos. El primero, que cuando se comparan resultados asistenciales la referencia general debe ser el resultado promedio de todos los grupos comparados; no es por tanto la cifra de los que tienen mejores resultados, ni tampoco una cifra acordada por consenso. El segundo, que solo existen resultados aceptables o «normales», resultados excelentes y resultados malos, en contraposición a la impresión que transmiten las gráficas de clasificación.
Gráficas RA-CUSUM de resultado observado vs. esperadoEste tipo de gráfica de control de calidad (fig. 2) se utiliza generalmente para analizar la ejecución de un proceso clínico. Más raramente tratan mortalidad. Cuando analizan los primeros casos de un nuevo procedimiento dibujan la curva de aprendizaje10–14. Se pueden utilizar para el control de calidad individual y con fines comparativos.
Gráfica RA-CUSUM de resultado observado versus esperado con límites de variabilidad común acumulada según el volumen de casos.
Nota. Obsérvese que el cirujano 2 entra en estado de alerta a partir del caso n.° 12, para entrar finalmente en estado de alarma o «fuera de control» al acumular un exceso de reintervenciones que supera el límite más amplio establecido de variabilidad común (99%). El cirujano 1 empieza mal su serie pero la finaliza sin un exceso de reintervenciones desde el punto de vista de la variabilidad común. Los límites de variabilidad no suponen rigurosamente un test de significación estadística.
Aquí es absolutamente necesario establecer una cifra de referencia, que representará el resultado esperado o nivel de calidad esperada en un proceso clínico. Por ejemplo, podemos establecer que la tasa de reoperaciones en cirugía mamaria conservadora no debe superar el 15%. Dicho 15% de reintervenciones supone el riesgo basal general de reintervención. Esta cifra de referencia aparecerá en la gráfica como una línea horizontal enrasada al nivel 0. Nuestro resultado realmente observado es el que se va a comparar con el esperado3,9.
Supongamos que en nuestra casuística una paciente ha sido reintervenida tras cirugía conservadora de mama. En una paciente reintervenida su riesgo observado ha sido del 100%, puesto que en la práctica ha sido efectivamente reintervenida. De este modo, en esta paciente hemos aumentado su riesgo basal en un +85%, y por consiguiente, en otra no reintervenida habremos reducido su riesgo basal en un –15%. Si para cada caso de una casuística, ordenados sucesivamente, calculamos esta diferencia según su resultado en cuanto a reintervención, y hacemos una suma acumulada caso a caso de estas cifras, obtendremos la línea de resultados en la gráfica. Los resultados ordenados caso a caso fluctuarán, pues, alrededor de esta línea 0: por arriba indican que son mejorables y no alcanzan el nivel de calidad exigible, y por debajo de 0 indican un nivel adecuado de performance del proceso. Cualquier cambio de mejor a peor, o viceversa, es detectado de forma inmediata.
En la figura 2 puede observarse el resultado en 30 procedimientos comparando a 2 cirujanos. Resulta visible que uno de ellos presenta una acumulación excesiva de reintervenciones y que la tendencia es a seguir aumentando. Evidentemente, este cirujano necesita revisar su práctica habitual buscando los motivos de tanta reintervención y el modo de corregirse. El otro cirujano, aunque aún acumule a los 30 procedimientos un ligero exceso acumulado de reintervenciones, parece llevar un buen camino, aproximándose progresivamente a la línea 0 de referencia de calidad. Se han calculado unos límites de variabilidad común3,15 alrededor de la línea 0, al igual que en las gráficas de embudo, pero en estas gráficas RA-CUSUM no siempre se introducen.
Gráficas RA-CUSUM tipo RSPRTEste tipo de gráfica (fig. 3) se aplica más frecuentemente para detectar el estado y los cambios de tendencia en resultados trascendentales, como puede ser la mortalidad asociada a un proceso clínico, si bien se le puede dar otros usos, como el análisis de curvas de aprendizaje10–14. El test de significación estadística en el que basa sus cálculos pasa por ser el más potente en detectar desviaciones estadísticamente significativas sobre unas cifras de referencia previamente establecidas. Fueron popularizadas por Spiegelhalter et al.8 a raíz de los affaires Bristol y Shipman.
. Gráfica RA-CUSUM tipo RSPRT. Mortalidad postoperatoria en cáncer de esófago en un servicio quirúrgico.
Establecimiento de las cifras de referencia: p0=0,05 (5%); p1=0,1 (10%).
Puntuación derivada de p0 y p1 para los casos sin mortalidad: −0,058.
Puntuación derivada de p0 y p1 para los casos con mortalidad: +0,635.
......: Límites de significación estadística para el nivel 0,05: ±2,94.
–. –. –: Límites de significación estadística para el nivel 0,01: ±4,60.
– – – –: Límites de significación estadística para el nivel 0,001: ±6,91.
Hay un exceso de mortalidad estadísticamente significativo para el nivel 0,001 a partir del procedimiento 25.°: el proceso entra en la zona p1, o en un estado de alarma o «fuera de control».
Para construir este tipo de gráfica de control se precisa introducir 2 parámetros. El primero (p0) marca un nivel de resultados por debajo del cual la calidad del mismo podría considerarse apropiada o incluso excelente. El segundo (p1) marca un nivel por encima del cual el resultado sería claramente malo o subóptimo.
Supongamos que la mortalidad postoperatoria de la cirugía radical por cáncer de esófago pudiera ser considerada como óptima si fuera igual o inferior al 5% (esta cifra definiría el parámetro p0), o como claramente subóptima si fuera igual o superior al 10% (esta cifra definiría el parámetro p1). A partir de ellos8,9 se obtienen 2 tipos de puntuaciones individuales: una se aplicará a los casos que han fallecido tras la intervención y otra a los casos que han sobrevivido, es decir, se calcula una puntuación para los casos que han ido bien y otra para los casos que han ido mal. Si tomamos una serie de casos consecutivos en el tiempo y sumamos acumuladamente dichas puntuaciones obtendremos una línea que mostrará la tendencia de los resultados. Aquí la línea 0 vendrá determinada por el parámetro p0, y por arriba y debajo de ella se introducirán 2 o más líneas que marcan si se está de modo estadísticamente significativo en la zona p0 o en la zona p1.
En la figura 3 se muestra una gráfica RA-CUSUM tipo RSPRT de mortalidad postoperatoria del cáncer de esófago en un hospital. Ese hospital no debería continuar realizando esta cirugía, puesto que sus resultados de mortalidad postoperatoria llegan a estar dentro del territorio marcado por el parámetro p1 de resultados subóptimos. Lo siguiente sería investigar las causas de tal situación para buscar soluciones a la misma. Así pues, las gráficas de control informan sobre una situación, pero quedan al margen de conocer sus causas y subsanarlas.
Una variedad de esta gráfica RSPRT, algo más elaborada matemáticamente, se ha propuesto recientemente para estudiar una curva de aprendizaje, concretamente para detectar el número de procedimientos a partir del cual se logra una competencia suficiente en su desempeño. Pertenece al grupo de las LC-CUSUM (Learning Curve CUSUM). En cualquier tipo de gráfica de control, cuando una curva transcurre dentro de los límites establecidos se dice que el proceso está bajo control, o bien fuera de control cuando los atraviesa. En estas LC-CUSUM más modernas se invierte el planteamiento, básicamente invirtiendo el significado de p0 y p1, de modo que se alcanzará la debida competencia cuando la curva traspase los límites de control16.
El problema de establecer estándares y del ajuste estadísticoPara que una gráfica de control ofrezca una información no sesgada, es posible que se tenga que efectuar algún tipo de ajuste estadístico en los datos o sobre la cifra que utilizaremos como referencia5,9,12. Este es un problema frecuente en la esfera clínica, contrariamente a lo que ocurre en la esfera industrial. Por un lado, si se comparan distintas unidades clínicas y la complejidad de los casos tratados varía mucho entre ellas, será necesario ajustar los resultados de cada una por su case-mix antes de introducirlos en las gráficas. El problema aquí radica en qué variables concretas hay que utilizar para dicho ajuste, porque pueden ser distintas según el proceso que se analice, o incluso para un mismo proceso cuando es analizado por distintos autores. No es un asunto resuelto, ni mucho menos, por lo cual es conveniente recurrir a la bibliografía si nos planteamos una tarea de este tipo, o cuando valoremos críticamente una auditoría que nos afecte. Por otro lado, y relacionado con lo anterior, las cifras que se marcan como referencia de calidad pueden igualmente requerir algún matiz. En el ejemplo anterior sobre reintervenciones en cirugía conservadora de mama se había elegido una cifra global del 15% como estándar de calidad. Esta cifra afectaba a todos los casos por igual, pero podría suceder que cada caso requiriera una cifra particular debido a que las condiciones de riesgo basal o dificultad fuesen muy distintas. Establecer una cifra general supone globalizar, y la globalización no siempre es justa o está libre de sesgos. Cuando se considere que es necesario individualizar el riesgo basal se debe acudir al uso de modelos pronósticos o escalas de riesgo existentes (por ejemplo, POSSUM, APACHE, etc.), pero si no existen concretamente para el tema que se trata, hay que recurrir a las técnicas de estadística multivariante: de nuevo surge aquí el problema de qué variables de ajuste elegir, para lo cual también puede ser de gran ayuda acudir a la bibliografía.
ConclusiónLas gráficas de control constituyen el procedimiento estadístico actualmente recomendado para la monitorización y el control de calidad de cualquier proceso productivo, en los que se pueden incluir aquellos que habitualmente realizamos a diario en la clínica. Tienen la ventaja sobre otros métodos de detectar de forma inmediata cualquier desviación sobre la norma establecida y de permitir observar, incluso en tiempo real, la tendencia de nuestros resultados asistenciales.
Responsabilidades éticasProtección de personas y animalesLos autores declaran que para esta investigación no se han realizado experimentos en seres humanos ni en animales.
Confidencialidad de los datosLos autores declaran que en este artículo no aparecen datos de pacientes.
Derecho a la privacidad y consentimiento informadoLos autores declaran que en este artículo no aparecen datos de pacientes.
Conflicto de interesesLos autores declaran no tener ningún conflicto de intereses.
