Faser og fastfrysning af baseline

To måder at håndtere ændringer

bfh_qic() understøtter to relaterede men forskellige mekanismer for håndtering af interventioner og baseline-perioder:

part — flere faser med separate kontrolgrænser

Brug når du vil sammenligne to (eller flere) statistisk distinkte perioder, fx før og efter en kvalitetsforbedrings-intervention. Hver fase får egen centerlinje og egne kontrolgrænser.

library(BFHcharts)

# Pre-intervention: månedlig infektionsrate ~15%
# Intervention rullet ud i marts 2024
# Post-intervention: rate falder til ~8%
data <- data.frame(
  month = seq(as.Date("2024-01-01"), by = "month", length.out = 12),
  infections = c(15, 18, 14, 9, 8, 7, 8, 9, 7, 6, 8, 7),
  discharges = rep(100L, 12)
)

# part = 3 splitter dataset efter periode 3 (marts)
bfh_qic(data,
  x = month, y = infections, n = discharges,
  chart_type = "p",
  y_axis_unit = "percent",
  part = 3,
  chart_title = "Infektionsrate (intervention marts 2024)"
)
#> Warning: Phase(s) 1 have fewer than 8 observations. Control limits may be
#> statistically unreliable.

Anvendelse: - part = 3 splitter efter 3. observation - part = c(3, 9) opretter 3 faser med splits ved positioner 3 og 9 - Hver fase beregner sin egen p_bar, UCL, LCL

Hvornår bruges part: - Du har en kendt intervention med specifik dato - Du forventer at processen er statistisk anderledes efter - Du ikke ønsker at fase 1 forurener fase 2’s kontrolgrænser

freeze — fastlås baseline-grænser

Brug når du vil etablere en stabil baseline og vise hvordan efterfølgende perioder afviger. I modsætning til part får alle perioder samme kontrolgrænser (beregnet fra de første N punkter).

# Baseline = de første 6 måneder (jan-jun 2024)
# Baseline-grænser bruges for hele datasættet — afsløre intervention-effekt
bfh_qic(data,
  x = month, y = infections, n = discharges,
  chart_type = "p",
  y_axis_unit = "percent",
  freeze = 6,
  chart_title = "Infektionsrate (baseline jan-jun, frosset)"
)
#> Warning: freeze = 6: baseline has fewer than 8 observations. Control limits are
#> statistically unreliable.

Anvendelse: - freeze = 6 beregner CL/UCL/LCL kun fra observationer 1-6 - Alle observationer 7+ tegnes mod samme grænser - Punkter under LCL post-baseline = signifikant forbedring

Hvornår bruges freeze: - Du har en historisk stabil baseline du vil måle imod - Du ikke ønsker at post-intervention perioder skal “trække” centerlinjen - Du vil vise effektstørrelse af en intervention visuelt

Kombineret: part + freeze

Begge parametre kan kombineres når du har flere sekventielle interventioner:

# Baseline: jan-jun 2024 (frosset)
# Intervention 1: jul-sep 2024
# Intervention 2: okt-dec 2024
bfh_qic(data,
  x = month, y = infections, n = discharges,
  chart_type = "p",
  part = c(6, 9),
  freeze = 6
)

Resultat: 3 faser; fase 1’s grænser er frosne fra de første 6 punkter; fase 2 og 3 beregner deres egne grænser fra deres data.

Almindelige fejl

# ❌ Forkert: dynamisk freeze gør grænser ustabile
bfh_qic(data, ..., freeze = nrow(data) - 3)  # Sidste 3 ekskluderet hver gang

# ✅ Rigtigt: fast freeze-position fra original baseline
bfh_qic(data, ..., freeze = 12)  # 12 første måneder, fast

Klinisk eksempel: medicineringsfejl

# Antal medicineringsfejl per 1000 ordinationer
# Intervention: ny dobbeltkontrol-procedure indført okt 2024
data <- data.frame(
  month = seq(as.Date("2024-01-01"), by = "month", length.out = 18),
  errors = c(
    # Pre-intervention: ~12 fejl/1000
    11, 13, 14, 12, 10, 13, 14, 11, 15,
    # Post-intervention: ~6 fejl/1000
    7, 5, 6, 4, 7, 5, 4, 6, 5
  ),
  prescriptions = rep(1000L, 18)
)

# Vis effekt med frosset baseline
bfh_qic(data,
  x = month, y = errors, n = prescriptions,
  chart_type = "u",
  y_axis_unit = "rate",
  freeze = 9,
  chart_title = "Medicineringsfejl per 1000 ordinationer",
  target_text = "↓ Mål: <8 fejl/1000",
  target_value = 8
)

Punkter under LCL efter periode 9 demonstrerer signifikant forbedring; baseline fastfrosset så reduktion er visuelt tydelig.

Strict baseline mode (PDF-eksport, v0.12.0+)

Fra v0.12.0 defaulter bfh_export_pdf() til strict-baseline-mode: eksport afvises hvis freeze < 8 eller hvis en fase har færre end 8 datapunkter. Begrundelsen er at PDF’er fra eksport-pipelinen lander på QI-leadership-borde hvor R-warnings aldrig når en menneskelig læser, og Anhøj & Olesen (2014) anbefaler >= 8 baseline-punkter for pålidelig run-/crossing-detection.

result <- bfh_qic(data, x = month, y = errors, freeze = 5L, chart_type = "i")

# Default: error før render
bfh_export_pdf(result, "rapport.pdf")
#> Error: freeze = 5: baseline har faerre end 8 punkter ...
#> Saet strict_baseline = FALSE for at acceptere kortere baseline ...

# Eksplicit opt-out (warning-only-adfærd):
bfh_export_pdf(result, "rapport.pdf", strict_baseline = FALSE)

# Batch med session-niveau opt-out:
session <- bfh_create_export_session(strict_baseline = FALSE)
bfh_export_pdf(result, "rapport.pdf", batch_session = session)

bfh_qic() selv bevarer warning-only-adfærd — interaktiv brug giver analytikeren mulighed for at se warnings og træffe en informed beslutning. Strict-mode rammer kun eksport-pipelinen.

Se også

• vignette("chart-types") — vælg den rigtige charttype først
• vignette("targets-and-percent") — sat realistiske mål
• ?bfh_qic — @param part, @param freeze parameter-detaljer
• ?bfh_export_pdf — @param strict_baseline for fuld kontrakt