1PLUS project Santeon 1

Zorg voor Uitkomst

Aan de slag met

uitkomstindicatoren

Dataduiding en organisatie

Dr. ir Wim F van den Bosch

St. Antonius Ziekenhuis

Drs. Mirjam Hulsenboom

Catharina Ziekenhuis

17 april 2015(potentiële) belangenverstrengeling

Geen

Voor bijeenkomst mogelijk relevante relaties met bedrijven

Geen

Sponsoring of onderzoeksgeldHonorarium of andere (financiële) vergoedingAandeelhouder

Geen van alle

Disclosure belangen sprekers

2

Sessie 1

Research

&

Analyse

Sessie 2

Research

&

Analyse

Sessie 3

Validatie

Nationale

Klankbord

groep

Research

&

Analyse

Sessie 4

Research

&

Analyse

Sessie 5

data request input

Eerste resultaten

Registraties & Datamanagement

Selectie

medische

condities

Care Delivery Value

Chain (CDVC)

Uitkomsten

hiërarchie Casemix variabelen

Waardeketen

Zorg voor Uitkomst: Een indicatorontwikkel- en rapportage-

programma gebaseerd op ‘Value Based Health Care’ principes

Porter

6 indicatoren

80 indicatoren

25 indicatoren

Prioriteren

International

Academic

Advisory Council

Valideren

Ontwikkelteam: medisch specialisten, nurse practitioners, adviseurs, data-analisten

* Advice on self screening * Counseling patient and family on the * Explaining patient treatment options/ * Counseling on the treatment process * Counseling on rehabilitation options, * Counseling on long term risk

* Consultation on risk factors diagnostic process and the diagnoses shared decision making (SDM) * Patient and family psychological process management

* Genetic counseling * Brochure KWF * Counseling on sexual consequences counseling * Psychological counseling

* Informing on diagnostic procedures * Brochure on disease * Counseling on incontinence * Brochure on side effects

* Brochures on diagnostic procedures consequences

* Patient and family psychological

counseling

* Brochure on treatment

* Rectal examination score * Rectal examination score * ASA score * Intervention-specif ic measurements * Side effects measurement * Labs

* PSA * Ultrasound (TRUS) * Labs * Physical QoL (Last meter) * Physical QoL (Last meter) * Physical QoL (Last meter)

* Pro-active bodyscan * Biopsy * Nutrition score (MUST or SNAQ) * Nutrition score (MUST or SNAQ) * Nutrition score (MUST or SNAQ)

* MRI * Comorbidity score * Pain score * Pain score

* CT scan * Life expectancy

* Bone scans

* PCA3 test

* PSA score

* Gleason score

* d'Amico score

* PET scan

* Pelvic lymfnode dissection

* GP visits * Office visits (outpatient) * Office visits (outpatient) * Hospital stays * Office visits (outpatient) * Lab visits

* Office visits (outpatient) * Lab visits * Hospital visits * Visits to outpatient radiation unit * Rehabilitation facility visits * Office visits (outpatient)

* High risk clinic visits * Lab visits * Pharmacy * Pharmacy

Chain link: 1. MONITORING/ PREVENTING 2. DIAGNOSING 3. PREPARING 4. INTERVENING (initial) 5. RECOVERING/ REHABING 6. MONITORING/ MANAGING

* Medical + family history * Anamnesis * Choosing treatment modality (chemotherapy, * Radical prostatectomy; or * Treatment of side effects (e.g. skin * Follow -up clinical exams

* Control of risk factors * Determining specif ic nature of disease RT, Surgery) (combined w ith pelvic lymfnode dissection) damage, complications, nausea, * Treatment for any continued or later

* Clinical exams (blood sample, bodyscan)(pathology, biopsy results, TNM-stage) * Choosing a treatment plan (timeline, dosage, ...) * Brachy therapy; or lymphodema and chronic fatigue) onset side effects or complications

* Medical + family history * Surgery preparation (anesthetic risk * External beam radiation therapy * In-hospital and outpatient w ound healing

* Formulate treatment options assessment, shaving, medication, nutrition) * Hormonal therapy * Physical therapy

* Hormonal therapy preparation (medication, nutrition,..)* Other therapy * Follow -up visit

* RT preparation (medication, ...) * Adjuvant therapy

* Neo-adjuvant hormonal therapy (hormonal medication, radiation, salvage)

Medical Specialist

Other provider entity

ACCESSING

Care Delivery Value Chain for initial treatment of prostate-cancer, version 3

INFORMING

AND

ENGAGING

MEASURING

CARE

DELIVERY

ACTIVITIES

* Diagnosing can either result in continuation to steps 3. Preparing and 4. Intervening, or in the reloop to step 1 (active surveillance)In hospital - no medical

specialist or not per se -

*

Patient

Value

Provider

Margin

Onderwerpen

• Transparantie en duiding van zorguitkomsten

• Invloed van cohortkeuze

• Criteria voor uitkomstindicatoren

• Aan de slag met verzamelen van brondata

Transparantie en duiding van zorguitkomsten

Website Antoni van Leeuwenhoek ziekenhuisOverleving longkanker patiënten

5

Website UMC Radboud

Overleving longkanker patiënten

X

Y

Gewenste transparantie voor de patiënt?

How care professionals may react to transparency

The data is wrong

The data is right, but it’s not a real problem

The data is right, it’s a real problem, but it’s not my problem

The data is right and it’s my problem

Bryan Jarman and Don Berwick

The data is right, but the interpretation is wrong

Gewenste transparantie voor de zorgverlener?

Ruwe uitkomsten; voorbeeld (fictief)

Indicator longkanker na resectie

Zieken-

huis X

Zieken-

huis Y

Significantie

niveau

Mediane overlevingstijd (jaren) na

diagnose stelling

5,9 5,6 P=0,71

Percentage positieve snijvlakken na

resectie long of deel van long

12% 13% P=0,40

Percentage complicaties binnen 30

dagen na resectie

25% 34% P=0,04

Enzovoort …. ….

X

Y

1010

overleving curatief geen resectie

hosp

Santeon

Antonius

Canisius

Catharina

Lucas Andreas

Martini

MST

OLVG

Performance Status = 0

PS = 1

PS = 2

PS = 3

stadium I

0 0,2 0,4 0,6 0,8 1 1,2 1,4

Santeon

Antonius

Canisius

Catharina

Lucas Andreas

Martini

MST

OLVG

0 1 2 3 4 5

Performance Status = 0

PS = 1

PS = 2

PS = 3

stadium I

stadium II

stadium III

leeftijd jonger 65 jaar

leeftijd 65 t/m 74 jaar

leeftijd 75 jaar en ouder

1. Cumulatieve 5-jaars overleving

zonder resectie ongecorrigeerd

2. Ziekenhuisvergelijking cumulatieve 5-jaars

sterfte zonder resectie gecorrigeerd (HRs)

3. Invloed belangrijkste casemix-variabelen

cumulatieve 5-jaars sterfte zonder resectie (HRs)

Keuze presentatie-format bij

lange termijn overleving

indicatorenWat wil je in ieder geval zien?

1. Ruwe uitkomst; gevoel met werkelijkheid

2. Vergelijking ziekenhuizen; correctie

casemix verschillen -> hazard ratios (HRs)

3. Welke casemixvariabelen doen er toe en in

welke mate -> gesprek patiënt en arts

11

0,0 0,5 1,0 1,5 2,0 2,5

Santeon

Antonius

Canisius

Catharina

Martini

MST

OLVG

0 1 2 3 4 5 6 7

Gleason-score laag

Gleason-score middel

Gleason-score hoog

stadium pT2

stadium pT3

stadium pT4

leeftijd jonger 65 jaar

leeftijd 65 t/m 74 jaar

leeftijd 75 jaar en ouder

11%

9%

9%

18%

20%

6%

17%

0% 5% 10% 15% 20% 25% 30%

Santeon gemiddelde

Antonius

Canisius

Catharina

Martini

MST

OLVG

1. % PSA>0,1 3 maand na prostatectomie,

ongecorrigeerd

2. Ziekenhuisvergelijking PSA>0,1 3 maand na

prostatectomie, gecorrigeerd (ORs)

3. Invloed belangrijkste casemix-variabelen

PSA>0,1 3 maand na prostatectomie, (ORs)

Keuze presentatie-format bij

indicatoren uitgedrukt in percentages

Wat wil je in ieder geval zien?

1. Ruwe uitkomst; percentage: gevoel met

werkelijkheid behouden

2. Vergelijking ziekenhuizen; correctie

casemix verschillen -> odds ratios (ORs)

3. Welke casemixvariabelen doen er toe en in

welke mate -> gesprek patiënt en arts

Kaplan-Meijer curve

XY

Ziekenhuis

Interpretatie van uitkomsten vaak lastigVoorbeeld: overleving palliatieve longkankerpatiënten

p=0,03X

Y

Eenjaars overleving longkanker patiënten stadium IV

distribution

clin stage

no therapy

chemo

radiation

total

mortality

clin stage

no therapy

chemo

radiation

Total

Distribution of treatment for clin stage IV patients

46% 28% 26% 100%18% 68% 14% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

no therapy chemo radiation total

X Y

1 year mortality clin stage IV patients

0%

20%

40%

60%

80%

100%

no therapy chemo radiation Total

X Y

X en Y verschillen

niet significant X en Y

verschillen

significant

Invloed van cohort keuze

Patiëntencohorten Ziekenhuis X

Bijvoorbeeld:

Antonius patiënt

geopereerd in het Antonius

ziekenhuis

Bijvoorbeeld:

Patiënt Hofpoort ziekenhuis

geopereerd in het

Antonius

ziekenhuis

Bijvoorbeeld:

Antonius patiënt bestraald

in het UMCU

Komt weinig voor

‘Eigen patiënt’ dwz

gediagnosticeerd in

ziekenhuis X

‘Verwezen patiënt’

dwz gediagnosticeerd

in ANDER ziekenhuis

en verwezen naar X

Primaire behandeling

in ziekenhuis X

Primaire behandeling

NIET in ziekenhuis X

Rapportage over vergelijkbare patiëntencohorten (1)

‘Eigen patiënt’ dwz

gediagnosticeerd in

ziekenhuis X

‘Verwezen patiënt’

dwz gediagnosticeerd

in ANDER ziekenhuis

en verwezen naar X

Primaire behandeling

in ziekenhuis X

Primaire behandeling

NIET in ziekenhuis X

Rapportage ketengerelateerde indicatoren

Rapportage over vergelijkbare patiëntencohorten (2)

‘Eigen patiënt’ dwz

gediagnosticeerd in

ziekenhuis X

‘Verwezen patiënt’

dwz gediagnosticeerd

in ANDER ziekenhuis

en verwezen naar X

Primaire behandeling

in ziekenhuis X

Primaire behandeling

NIET in ziekenhuis X

Rapport

age indic

ato

ren

ge

rich

t o

p p

rim

air

e in

gre

ep

Criteria Uitkomstindicator

Een goede uitkomstindicator is

• geoperationaliseerd (voorzien van een gebruiksdoel en kort-cyclisch)

• relevant voor de praktijk van de zorgverlening (gericht op probleem

en/of risico)

• valide: meet de indicator wat het bedoelt te meten ten aanzien van de

kwaliteit van zorg

• in staat veranderingen in kwaliteit te signaleren

• statistisch onderscheidend

• casemix gecorrigeerd

• betrouwbaar te registeren: iedereen registreert op dezelfde manier en

de registratie is volledig

Eisen te stellen aan uitkomstindicatoren

Operationalisatie en relevantie

• Voorbeeld: % patiënten met graad 3/4/5 complicaties binnen 30 dagen

na longresectie/lobectomie.

• Operationalisatie: geeft een indicatie van de kwaliteit van het chirurgisch

handelen (zorgvuldigheid, hygiëne, kundigheid) en van de kwaliteit van

de nazorg.

• Relevantie: gericht op de ernstige risico’s gepaard gaande met

longresectie/lobectomie.

Validiteit en signaleerfunctie

Lung cancer; standardised outcome of complications

after resection, per hospital (Antonius vs Catharina)

40

60

80

100

120

140

160

180

0 20 40 60 80

Predicted number of events

Sta

nd

ard

ise

d o

utc

om

e

rati

os

95% CI upper limit average (=100)

95% CI low er limit

ANT Mortality <= 90 d. after resection ANT Pos surgical margin

ANT Rethoracotomy ANT Infectious complications

ANT Pulmonal complications ANT Complications overall

CAT Mortality <= 90 d. after resection CAT Pos surgical margin

CAT Rethoracotomy CAT Infectious complications

CAT Pulmonal complications CAT Complications overall

Significantly high

Significantly low

• Validiteit

− Face validity

− Construct validity

• Signaleerfunctie

− Alarmbel gaat af bij

overschrijden control

limits

Onderscheidend vermogen

0

200

400

600

800

1000

1200

1400

1600

1800

2000

0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 11% 12% 13% 14% 15%

Landelijk gemiddelde percentage; bijvoorbeeld mortaliteit

Aan

tal

pati

en

ten

in

de n

oem

er

(van

een

do

ors

nee z

ieken

hu

is)

statistisch

onderscheidend

beperkt statistisch

onderscheidend

niet statistisch

onderscheidend

Voorbeeld: 30 daagse mortaliteit na

lobectomie of longresectie:

Landelijk gemiddelde: 2 a 3%

Jaarvolume grotere centra: 60 – 80

Conclusie: totaal niet onderscheidend,

ook niet indien 2 of 3 jaar tesamen

1 jaar2 jaar3 jaar

Betrouwbaarheid/volledigheid registratie, voorbeelden

Betrouwbaar Volledig

Indicator

Overlijden + +

Overlijdensdatum + +

Complicatie 0 0

Toxiciteit 0/- -

Positieve snijvlakken 0 + / 0

Zenuwen gespaard na prostatectomie 0/- 0

Casemixfactor

Leeftijd + +

Geslacht + +

Comorbiditeit 0 +

Performance status 0 0

Longfunctie 0 0

Rookhistorie - -

cTNM + / 0 +

PSA waarde + +

Gleason waarde + +

+ goed

0 redelijk

- matig/slecht

• Onderlinge vergelijking ziekenhuizen alleen reëel indien zorgzwaarte (casemix) meetelt

• Gebruik van binair logistisch regressiemodel

• Uitkomstvariabele (dood versus leven, wel of geen complicatie, etc.) relateren aan één

of meerdere ‘predictoren’.

• Werkelijke uitkomsten vergelijken met door model voorspelde uitkomsten en

standaardiseren op 100, middels de formule:

gestandaardiseerde

uitkomstratio

werkelijke uitkomst

voorspelde uitkomstmaal 100=

Casemix correctie en voorspellende waarde

• Berekening van de ‘C-statistic’, ook wel aangeduid als “Area Under the Curve’ (AUC),

voor iedere gestandaardiseerde indicator

• Zegt iets over de voorspellende kracht van het gebruikte regressie-model: 0,5 = geen

voorspellend waarde; 0,7- 0,8 = redelijk; > 0,80 = goed.

Hoe goed voorspelt het regressiemodel?

Voorbeeld:

Indicator: Mortaliteit 2 jaar na

diagnose longkanker alle stadia

C-statistic = 0,87

Casemix correctie en voorspellende waardeVoorbeelden Antonius, Catharina, OLVG 2008-2012

C-statistic = 0,874

Casemixfactoren in

volgorde van impact

• Stadium

• Performance Status

• Longfunctie

• Leeftijd

Mortaliteit 2 jaar na diagnose

alle stadia

% positieve snijvlakken na

longresectie/ lobectomie

% ongeplande re-interventie

na longresectie/ lobectomie

C-statistic = 0,777

Casemixfactor

• Stadium

C-statistic = 0,500

Geen casemixfactoren

Slecht

model?

Aan de slag met het verzamelen van brondata

Aan de slag!

• Plan

• Do

• Check

• Act

• Borging

Plan

• Draagvlak betrokken specialismen (!!!)

• Intern plan van aanpak maken

• Budget vrijmaken voor inzet dataverzamelaars (bijv.

co’s)

Verzamelen brondata

Retrospectief verzamelen

• Vroeg inzicht in welke indicatoren en casemix variabelen

relevant zijn

• Snel inzicht in eigen situatie (benchmark) vroegtijdig verbeteracties mogelijk

• Echter risico op onvolledigheid en minder betrouwbaar

Prospectief registreren

• Gericht op wat je nodig denkt hebben vollediger

en potentieel betrouwbaarder

• Echter late beschikbaarheid van data en dus van inzichten

• Risico op onnodige registratielast (van items die achteraf nutteloos blijken)

Do (1)

Dataverzameling (dossier)

• Interne projectgroep(en) samenstellen en projectleider(s) aanstellen

• Betrekken interne afdelingen die een rol hebben in dataverzameling

(Healthcare Intelligence Afdeling, Medisch Archief, Radiotherapie)

• Betrekken eventuele externe partijen die data kunnen leveren (IKNL,

Radiotherapie)

• Realiseren randvoorwaarden voor dataverzameling

− Werving dataverzamelaars

− Regelen arbeidsovereenkomsten

− Toegang (incl. autorisaties) tot EPD

− Realiseren toegang tot medisch archief

− Werkplek voor dataverzamelaars (incl. autorisaties)

− Toegang tot registratiebestanden op gezamenlijke server

Do (2)• Introductie ZvU bij dataverzamelaars

− Kennismaking met specialisten

− Kennismaking met Zorg voor Uitkomst (o.a. manual *)

− Afspreken wie voor welke vragen t.a.v. data benaderd kan

worden

− Afspreken wie met welk deel van de dataverzameling start

• Afspraak met dataverzamelaars over uren registratie

Data collection sheet Lung Cancer

Patient information Initial diagnosis

PIN Alfanumeric Date of birth Gender Comorbidities ; more than one

allow ed separated by semicolon (;) for

example: 3;9

Performance

Status ECOG at

time of diagnosis;

FEV1 % of

predicted

at time of

diagnosis

DLCO % of

predicted

at time of

diagnosis

Hospital

of

diagnosis

Date of

diagnosis

Morpholog

y of tumor

PIN w ith leading

zeros

May be handy

w hen copy

paste into ZIS

DD-MM-

YYYY

1=male

2=femal

e

0 = no comorbidity

1 = myocardial infarction

2 = congestive heart failure

3 = coronary artery disease

4 = cerebrovascular disease

5 = dementia

6 = COPD

7 = connective tissue disease

8 = peptic ulcer disease

9 = diabetes mellitus

10 = chronic kidney disease

11 = hemiplegia

12 = HIV illness or AIDS

13 = leukemia

14 = liver disease mild

15 = liver disease moderate to severe

16 = other cancer (w ithin last 5 years)

17 = peripheral vascular disease

99 = unknow n

Grade ECOG

0 = fully active

1 = restricted in

physical

strenuous activity

2 = ambulatory,

unable to carry

out any w ork

activities

3 = capable of

only limited

selfcare

4 = completely

disabled

5 = dead

8 = not applicable

9 = unknow n

Relative % is

needed:

observed/

predicted

Rounded

figure, for

example:

87

999=unknow

n

Relative % is

needed:

observed/

predicted

Rounded

figure, for

example:

87

999=unknow

n

0=other

hospital

1=ow n

hospital

9=unkno

w n

DD-MM-

YYYY

Combination

of cT- cN-

and cM-

values

1 = NSCLC

2 = SCLC

3 = other

9 =

unknow n

pin dbi gen cmo per fev1% dlco% hdi ddi cT cN cM ctnm mor

3562283 27-04-39 1 3;6;16;17 1 102 63 1 31-12-12 5 2 2 T1bNoMo 1

6815680 21-11-48 2 4 0 116 62 1 31-12-12 4 2 2 T1aNoMo 1

5784705 13-05-57 2 0 1 999 999 1 21-12-12 10 5 5 T4N3M1b 1

3632758 25-08-53 2 0 0 65 51 1 19-12-12 10 4 4 T4N2M1a 2

5914420 02-12-53 2 0 0 89 79 1 18-12-12 4 2 2 T1aNoMo 1

6834343 20-11-53 2 0 0 89 56 1 18-12-12 8 5 5 T2bN3M1b 1

3555107 13-08-39 1 17 1 55 59 1 17-12-12 9 2 2 T3NoMo 1

T N M

1 = Tx 1 = Nx 1 = Mx

2 = To 2 = No 2 = Mo

3 = T1 3 = N1 3 = M1

4 = T1a 4 = N2 4 = M1a

5 = T1b 5 = N3 5 = M1b

6 = T2

7 = T2a

8 = T2b

9 = T3

10 = T4

Tx, Nx, Mx means: value

unknow n

Clinical TNM stage at date of initial

diagnosis

Fill in the stage as determined during

MDO.

Excel provides three columns to be f illed in.

Indicate cT-category, cN-category and cM-

category

Voorbeeld retrospectieve dataverzameling(1)

33

Data collection sheet Lung Cancer

Patient informationTreatment resection related parameters

PIN

Alfanumeric

Primary

treatment

Resection

prevails over all

other therapies

and should be

registered as

Hospital of

primary

treatment.

In case of

chemoradiation

: hospital of

radiation

Secondary

treatment

Type of resection Date of

resection

Indicate w hether patient experienced one

or more grade 3, 4 or 5 complications

within 30 days follow ing treatment. More

than one complication allow ed: separate

by semicolon (;) for example: 5;13.

Tumor

residue

Rethoraco

tomy

w ithin 1

year after

resection

PIN w ith

leading zeros

May be

handy w hen

copy paste

into ZIS

0 = no therapy

1 = resection

2 = chemo

therapy

3 = radiation

therapy

4 =

chemoradiation

therapy

5 = other

9 = unknow n

0 = other

hospital

1 = ow n

hospital

8 = not

applicable

9 = unknow n

0 = no therapy

2 = chemo

therapy

3 = radiation

therapy

4 =

chemoradiation

therapy

5 = other

9 = unknow n

1 = bilobectomy

2 = lobectomy

3 = lung resection

4 = segment

resection

5 = sleeve

lobectomy

6 = w edge

resection

7 = other

8 = not applicable

9 = unknow n

DD-MM-

YYYY

88888 = not

applicable

99999 = not

know n

0 = no complication

1 = acute respiratory distress syndrome

(ARDS)

2 = air leakage after 48 hours

3 = anastomotic leakage

4 = bleeding requiring reoperation

5 = cardiovascular (AMI, cardiac

arrhythmia..)

6 = empyema

7 = initial ventilator support > 48 hours

8 = need for tracheostomy

9 = pneumonia needing treatment

10 = pulmonary embolus

11 = pulmonary other (respiratory failure,

atelectasis, bronchospasm, and

exacerbation of COPD)

12 = reintubation

13 = respiratory f istula

14 = w oundinfection post-operative

30 = other complication

pTNM 0 = no

residue

1 =

microscopi

c residue

2 =

macroscop

ic residue

8 = not

applicable

9 =

unknow n

0 = no

1 = yes

8 = not

applicable

9 =

unknow n

pin pri htr sec rty dre cmp pT pN pM ptnm res ret

3562283 3 0 0 8 88888 88 88 88 88 88 8 8

6815680 1 1 0 2 31-12-12 0 4 2 2 T1aNoMo 0 0

5784705 0 8 0 8 88888 88 88 88 88 88 8 8

3632758 2 1 0 8 88888 88 88 88 88 88 8 0

5914420 1 1 3 2 18-12-12 0 4 2 1 T1aNoMx 0 0

6834343 0 8 0 8 88888 88 88 88 88 88 8 8

3555107 1 1 2 3 27-02-13 0 8 3 1 T2bN1Mx 0 0

T N M

1 = Tx 1 = Nx 1 = Mx

2 = To 2 = No 2 = Mo

3 = T1 3 = N1 3 = M1

4 = T1a 4 = N2 4 =

M1a

5 = T1b 5 = N3 5 =

M1b

6 = T2

7 = T2a

8 = T2b

9 = T3

10 = T4

Tx, Nx, Mx means: value

unknow n

88 not applicable

Pathological TNM stage after

procedure

Excel provides three columns to be

f illed in.

Indicate pT-category, pN-category

and pM-category

34

Voorbeeld retrospectieve dataverzameling (2)

Do (3)

Dataverzameling (PROM)

• Inregelen structuur: wie vraagt wat

wanneer en waar wordt dit geregistreerd

• Afspreken hoe om te gaan met follow-up

van vragenlijsten

• Papieren vragenlijsten T0 in huisstijl printen

• Vastleggen in procedure en bespreken met

betrokkenen

Check

• Intervisiemomenten dataverzamelaars en specialisten, bijvoorbeeld:

− 10 cases door allen laten scoren en doorspreken

− Opvallende/lastige cases samen doorspreken

• Tussentijdse bespreking opvallende/lastige cases, ontbrekende items

en outliers met onderzoekers Zorg voor Uitkomst

Act

• Bespreken uitkomsten in projectgroep

• Verbetermaatregelen inzetten waar nodig:

− Inhoudelijk

− Registratie

Borgen

• Bespreken uitkomsten breder: RVE’s,

Oncologiecommissie

• Project afsluiten

• PDCA-cyclus op de registratie en verbetermaatregelen

continueren en beleggen bij RVE management

Afsluitend

• Wenselijkheid transparantie van zorguitkomsten

• Invloed cohort keuze op uitkomsten

• Eisen te stellen aan een goede uitkomstindicator

• Betrouwbaarheid en beschikbaarheid data

• Draagvlak betrokken specialismen is belangrijke randvoorwaarde

• Doorloop de PDCA cyclus: zorg voor een strakke organisatie

• Bevraag andere ziekenhuizen naar ervaringen

Vragen?

Kwaliteitsinstituut