TÓM TẮT:

Cải tiến chất lượng đúng nghĩa xét cho cùng chính là nghiên cứu can thiệp trên một cộng đồng nào đó. Hoạt động này không mấy xa lạ trong nghiên cứu y học, nhưng vẫn còn khá mới mẻ với các bác sỹ và điều dưỡng trong cải tiến thực hành lâm sàng hàng ngày ở Việt Nam. Đối với nhà nghiên cứu, sau khi xác định vấn đề, bước kế tiếp cần chọn một thiết kế phù hợp nhằm đạt mục tiêu và đảm bảo chất lượng kết quả nghiên cứu. Với bài viết này, tác giả mong muốn giới thiệu một hướng nghiên cứu ứng dụng, phù hợp với thực tiễn tại Việt Nam nhằm thúc đẩy hoạt động cải tiến chất lượng lâm sàng tại các bệnh viện. Tiếp cận phương pháp mới đòi hỏi người tham gia cần phải nghiền ngẫm về lý thuyết để nắm vững khái niệm, cùng với rèn luyện kỹ năng thực hành để nó mang lại hiệu quả thực tiễn. Bởi mọi thành quả trên đời này, suy cho cùng luôn bắt nguồn từ sự nỗ lực lao động. Và chân lý luôn là thứ ánh sáng nằm ở cuối đường hầm, nó chỉ có thể được tìm thấy bằng sự nỗ lực, với lòng quyết tâm cao độ và cả sự đam mê.

Từ khoá & viết tắt: CTCL: Cải tiến chất lượng; NC: nghiên cứu; PPNC: Phương pháp nghiên cứu.

RESEARCH METHODOLOGY IN QUALITY IMPROVEMENT

Do Van Niem, Le Minh Thuong

ABSTRACT:

At the considerating endpoint, quality improvement is to implement a bundle of interventions somewhere. These activities have been very familiar in medical research, but still strange to clinical physicians and nurses in daily practice in Vietnam. In a role of the scientific reseacher, the following step after identifying studying issue is to choose a appropriate design for meeting the targets and ensuring good results. In this note, the writer only have a purpose to introduce a new trend for applied researchs, that is suitable to deploy in Vietnamese reality for promoting clinical quality improvement in healthcare facitities. Approaching a new technique, doers need to consider theory carefully to absorb concepts and try to enhancing practical skills, so that the method could be effective in reality. All successful things in life seem to begin from the effort labour. The truth is always a type of the light at the tunnel's end. It could be explore by efforts, in combining with high-level committed minds and compassionate hearts.

Key words: Research methodology, Quality Improvement.

[1] Trưởng phòng Quản lý chất lượng, BV. Nhi đồng 1 – TP. Hồ Chí Minh

[2] Phó Trưởng phòng Chỉ đạo tuyến, BV. Nhi đồng 1

I. GIỚI THIỆU

Quá trình tái cấu trúc hệ thống cung cấp dịch vụ và đổi mới cơ chế tài chính trong lĩnh vực y tế, bước đầu đã xác lập và thúc đẩy hoạt động CTCL ở các cơ sở khám chữa bệnh tại Việt Nam. Mặc dù hoạt động này phát triển còn chậm, nhưng bước đầu đã góp phần cải thiện chất lượng, nhất là dịch vụ hỗ trợ ở một vài cơ sở y tế. Đó là một tín hiệu đáng mừng cho cả hệ thống.

Tuy nhiên, nếu điểm qua các NC liên quan đến chất lượng đã được báo cáo tại các diễn đàn trong thời gian qua, chúng ta có thể thấy nổi lên 3 vấn đề cơ bản. Một là, rất nhiều NC mô tả về thực trạng chất lượng, an toàn nhưng quá ít NC can thiệp nhằm tạo ra những thay đổi mang tính đột phá để cải thiện những vấn đề đã được tìm thấy, góp phần giải quyết các bức xúc mà cộng đồng xã hội đã nhiều lần lên tiếng, nhất là “tăng giá thu có làm tăng chất lượng dịch vụ y tế hay không”. Những vấn đề chất lượng thường gặp hiện nay, bên cạnh quy trình thực hành y khoa còn rất nhiều nội dung liên quan đến thái độ và hành vi của người cung cấp dịch vụ. Hai là, hầu hết hoạt động cải tiến tập trung vào thay đổi thủ tục hành chính trong khám chữa bệnh và dịch vụ khách hàng. Có rất ít NC CTCL lâm sàng và an toàn người bệnh. Trong khi ai cũng hiểu, chất lượng dịch vụ y tế xét cho cùng phải lấy dịch vụ lâm sàng và an toàn người bệnh làm nền tảng. Ba là, nhiều báo cáo NC cải tiến chủ yếu cung cấp thông tin về những việc đã làm, mà chưa nêu được những bằng chứng xác thực, mang tính định lượng để chứng minh hiệu quả của các can thiệp. Nói cách khác, chưa có những chỉ số đánh giá kết quả CTCL đáng tin cậy.

Với bài viết này, tác giả mong muốn chia sẻ một hướng NC ứng dụng, tuy không quá mới về PPNC khoa học, bao gồm cả NC y học, được sử dụng phổ biến trong kinh tế và quản trị, nhưng còn khá xa lạ với nhiều bác sỹ và điều dưỡng lâm sàng, kể cả quản lý cấp khoa, phòng ở các bệnh viện tại Việt Nam hiện nay. Hơn thế nữa, nó phù hợp hơn với thực tiễn Việt Nam nhằm thúc đẩy hoạt động CTCL, nhất là chất lượng lâm sàng. Qua đó góp phần giải quyết các yêu cầu cấp bách trong CTCL chăm sóc, điều trị và đảm bảo an toàn người bệnh. Phương pháp này thích hợp hơn so với thử nghiệm lâm sàng ngẫu nhiên có đối chứng đòi hỏi nhiều điều kiện, khó khả thi, nhất là tại các bệnh viện ít có các đối tác quốc tế tham gia tài trợ.

II. CÁC VẤN ĐỀ THỰC TIỄN TRONG TIẾP CẬN NGHIÊN CỨU ĐO LƯỜNG VÀ CẢI TIẾN CHẤT LƯỢNG DỊCH VỤ Y TẾ

Cải tiến chất lượng dịch vụ y tế đúng nghĩa, xét cho cùng chính là NC can thiệp trên một cộng đồng nào đó. Cộng đồng ở đây có thể chỉ là một nhóm nhỏ, một khoa phòng, một bệnh viện hay cả hệ thống y tế. Xét ở góc độ đối tượng NC, có một điều khá đặc biệt, không giống như các can thiệp dựa trên cá thể thường gặp trong NC lâm sàng, rất khó để nhà NC tìm thêm cộng đồng tương đồng và kiểm soát các yếu tố ảnh hưởng trên những cộng đồng đó để làm đối tượng so sánh. Vì vậy, nội dung phần tiếp theo chủ yếu bàn về bối cảnh nhà NC chỉ can thiệp trên một nhóm duy nhất, không có nhóm chứng. Nhiều giải pháp can thiệp như đào tạo, huấn luyện, thông tin & truyền thông… ngay lập tức tác động toàn bộ cộng đồng, cả nhóm có và không can thiệp, nhất là trong bối cảnh thế giới phẳng của thời đại truyền thông đa phương tiện ngày nay. Mục đích của loại NC này cũng rất khác biệt, không phải nhà NC đi tìm và chứng minh sự đúng đắn của một lý thuyết mới, mà chủ yếu vận dụng các lý thuyết đã có vào thực tiễn, nhằm trả lời câu hỏi: giải pháp này có hiệu quả về kinh tế, xã hội trong bối cảnh cụ thể mà nhà NC mong muốn hay không. Kết quả NC (dù tích cực hay tiêu cực) ngay lập tức tác động đến cộng đồng được NC. Nhiều giải pháp can thiệp áp dụng trên nhóm đối tượng là nhân viên y tế, trong khi kết quả của can thiệp lại đo lường trên người bệnh. Nói cách khác, NC này thường có 2 tập hợp có tương quan chặt chẽ với nhau, nghĩa là “có dân số nghiên cứu kép”.

Trong loại NC này, có 3 nhóm rào cản quan trọng đối với nhà NC. Một là, đo lường các khái niệm NC, nhất là khái niệm tiềm ẩn. Người thu thập dữ liệu có thể chính là người thực hiện can thiệp. Họ vừa có rất ít thời gian, vừa không chuyên nghiệp trong thu thập dữ liệu. Hai là, kiểm soát các yếu tố ảnh hưởng không thuộc phạm vi can thiệp của nhà NC. Ba là, dù bản chất là mô hình đa biến, nhà NC thường phải giản lược mô hình và sử dụng phân tích đơn biến, hoặc chỉ một số biến can thiệp tối thiểu nên có thể phát sinh một số yếu tố gây nhầm lẫn nghiêm trọng.

Đo lường khái niệm nghiên cứu: Vấn đề thứ nhất liên quan đến tính chính xác của dữ liệu và tính giá trị, độ tin cậy của công cụ đo lường khái niệm NC. Nếu không giải quyết tốt vấn đề này, chất lượng dữ liệu sẽ kém và lẽ đương nhiên nhà NC không thể sử dụng các phương pháp phân tích số liệu để bù đắp. Đối với các khái niệm tiềm ẩn như sự hài lòng và trung thành của khách hàng, văn hóa tổ chức... nhà NC thường sử dụng phương pháp đo lường gián tiếp thông qua bộ câu hỏi. Nếu không cẩn trọng, bộ câu hỏi chưa được kiểm định độ tin cậy và tính giá trị có thể dẫn đến sai lệch thông tin. Nhà NC có thể sử dụng bộ câu hỏi đã được công nhận trước đó. Tuy nhiên, sự khác biệt về ngôn ngữ, văn hóa và các yếu tố bối cảnh khác có thể dẫn đến sai lệch lớn trong đo lường khái niệm. Vì vậy, kiểm định chất lượng của thang đo trước khi áp dụng là điều cần đặc biệt quan tâm khi thực hiện các NC có sử dụng bộ câu hỏi. Quy trình khảo sát cần được chuẩn hóa bằng văn bản và người khảo cần được đào tạo kỹ năng nhằm giảm thiểu sai lầm chọn lựa và phỏng vấn (nếu kết hợp phỏng vấn trong khảo sát). Một khía cạnh khác cần lưu ý là ảnh hưởng của thời gian đối với khái niệm NC. Nếu khái niệm có khuynh hướng theo thời gian hoặc có tự tương quan (autocorrelation) mạnh có thể ảnh hưởng nghiêm trọng kết quả phân tích và phương pháp hồi quy tuyến tính truyền thống hầu như cho kết quả sai lệch. Cần lưu ý đưa biến thời gian vào mô hình và hiệu chỉnh yếu tố mùa khi cần thiết.^[2] Theo Magaret (2018), hệ số R² ít giá trị trong đánh giá mô hình hồi quy đối với dữ liệu chuỗi thời gian và nên thay thế bằng tiêu chuẩn cực tiểu hoá AIC (Akaike Information Criterion) và BIC (Bayesian Information Criterion).^[6] Có rất nhiều khái niệm đo lường có khuynh hướng tốt lên theo thời gian, dễ làm cho nhà NC lầm tưởng đó là hiệu quả của các can thiệp, nếu không đủ số điểm dữ liệu và chọn mô hình phù hợp có thể so sánh khuynh hướng trước và sau can thiệp. Nhà NC cũng cần đo lường đủ các chỉ số quá trình và kết quả thì mới có thể đánh giá được hiệu quả của hoạt động cải tiến.^[5] Lưu ý, chỉ số đầu vào chỉ thực sự cần thiết trong bối cảnh cải tiến cần sử dụng nhiều nguồn lực. Nói cách khác cần đánh giá tương quan giữa mức đầu tư với hiệu quả do cải tiến mang lại. Để giải quyết nhóm vấn đề trên, nhà NC một mặt cần đơn giản và tiêu chuẩn hoá bộ công cụ đo lường. Mặt khác cần chuẩn hoá hệ thống quy trình làm việc để có thể tận dụng nguồn dữ liệu phát sinh từ hoạt động hàng ngày mà vẫn đảm bảo chất lượng dữ liệu, nhờ đó đảm bảo tính đồng nhất về phuơng pháp đo lường dữ liệu chuỗi thời gian, cũng như khả năng duy trì bền vững hoạt động đo lường.

Kiểm soát các yếu tố ảnh hưởng: Do hầu như không thể kiểm soát các yếu tố ảnh hưởng, nhà NC cần chọn lựa một thiết kế phù hợp với đặc điểm của giải pháp can thiệp và phương pháp phân tích số liệu dự kiến, nhằm giảm bớt tác động không mong muốn của chúng. Có 4 đặc điểm quan trọng cần lưu ý đối với giải pháp can thiệp: [1] Dùng một hay nhiều giải pháp, [2] Can thiệp đồng thời hay bắt buộc phải triển khai lần lượt theo thứ tự (có thể vì lý do tài chính và nguồn lực), [3] Thời điểm can thiệp có thể xác định rõ ràng hay không, [4] Hiệu quả của giải pháp được áp dụng là tức thì hay có độ trễ dựa trên các bằng chứng đã có. Trên thực tế, trong điều kiện ngắn hạn, nhà NC thường phải chấp nhận một giả định là khi những điều kiện khác không đổi, sự thay đổi các khái niệm thuộc nhóm yêu cầu chất lượng (biến phụ thuộc) là do thay đổi của các yếu tố can thiệp (biến độc lập). Điều này lẽ đương nhiên là không thể đúng trong dài hạn do tác động của yếu tố thời gian như đã nói ở phần trên và cũng chính là một điểm yếu cần lưu ý trong các NC CTCL. Do đó, nhà NC cần phải rất thận trọng khi diễn giải kết quả NC và kết luận, nhất là khi sử dụng các công cụ phân tích tiện lợi trong quản trị (vì chúng thường hàm ý chấp nhận một số giả định nào đó, nhất là giả định về tính dừng của dữ liệu chuỗi thời gian và dạng phân phối của đại lượng đo lường trong NC).

Mô hình đa biến trong nghiên cứu cải tiến chất lượng: Chất lượng nói chung và chất lượng dịch vụ y tế nói riêng chịu ảnh hưởng của rất nhiều yếu tố. Từ những yếu tố đầu vào như thuốc, vật tư y tế và nguồn lực như trang thiết bị và nhân lực, còn có quá trình thao tác của người cung cấp dịch vụ, yếu tố cơ địa của người bệnh và rất nhiều yếu tố khác về điều kiện kinh tế, tâm lý, xã hội. Vì vậy, bản chất thực sự của mô hình phân tích NC trong CTCL và an toàn người bệnh hầu như luôn là mô hình đa biến. Trong đó, ngoài các biến can thiệp (giải pháp), còn có yếu tố ảnh hưởng quan trọng là thời gian, yếu tố tâm lý của các đối tượng trong cộng đồng được can thiệp. Nhằm đơn giản hóa việc phân tích và diễn giải số liệu, các nhà quản trị thường sử dụng các công cụ đơn giản nhưng khá hiệu quả để phân tích khuynh hướng theo thời gian của đại lượng thống kê như biểu đồ con chạy (run chart), biểu đồ kiểm soát (control chart). So sánh khuynh hướng chuỗi thời gian trước và sau can thiệp được khuyến cáo áp dụng thay cho so sánh trước sau truyền thống để loại trừ cạm bẫy của ảnh hưởng tâm lý (hiệu ứng Hawthorne) đã được mô tả từ thập niên 1920.^[3]

III. NGHIÊN CỨU PHÁT TRIỂN VÀ KIỂM ĐỊNH CHẤT LƯỢNG THANG ĐO CÁC KHÁI NIỆM TIỀM ẨN TRONG QUẢN LÝ CHẤT LƯỢNG

Có 2 tình huống thường gặp là phát triển một thang đo khái niệm tiềm ẩn mới và áp dụng một thang đo đã được NC trước đó (kể cả thang đo chuyển ngữ).

Một số NC liên quan ở các cơ sở y tế tại Việt Nam thời gian vừa qua chỉ đánh giá chất lượng thang đo thông qua tính nhất quán nội tại (Cronbach’s alpha). Điều này dễ gây nhầm lẫn, vì hầu hết các nhà NC trên thế giới xem tính nhất quán nội tại như là điều kiện sàng lọc dữ liệu đầu vào trước khi phân tích nhân tố khám phá.

Một số yêu cầu khi đánh giá chất lượng thang đo cũng có sự thay đổi đáng kể: cỡ mẫu NC đủ lớn (>200, đảm bảo tỷ lệ cỡ mẫu/số mục hỏi > 10, một số tác giả khuyến cáo tỷ lệ này > 30), số lượng mục hỏi trong mỗi thang đo của một khái niệm >= 4; đảm bảo tính nhất quán nội tại (độ tin cậy Cronbach’s alpha >= 0,75 và độ tin cậy tổng hợp [composite reliability] >= 0,7; tổng phương sai trích > 0,5); chỉ số giá trị nội dung (content validity index) >= 0,8; cấu trúc đảm bảo tính hội tụ, phân biệt và giá trị tiêu chuẩn (tương quan giữa các mục hỏi trong 1 nhân tố >= 0,4; tương quan với mục hỏi ngoài nhân tố < 0,2; hệ số tải của biến đo lường lên nhân tố >= 0,6); và đảm bảo độ phù hợp tổng quát của mô hình đo lường.^{[7], [11], [12]}

Đối với thang đo đã có, nhà NC cần lưu ý xem xét bổ sung các mục hỏi theo ngữ cảnh và thực hiện kiểm định chất lượng trước khi sử dụng chính thức.

Quy trình xây dựng thang đo mới cần chú ý phân tích các nền tảng lý thuyết để thiết lập khung cấu trúc của thang đo. Sử dụng các PPNC định tính như phương pháp lý thuyết nền (GT: Grounded Theory) hoặc phương pháp tình huống, với các công cụ như quan sát, thảo luận tay đôi hay thảo luận nhóm (Nguyễn 2013)^[12] để phát triển mô hình đo lường nhằm tránh cạm bẫy do lệ thuộc số liệu thống kê (Rossiter 2011), nghĩa là trao quyền quyết định cấu trúc cho người trả lời các mục hỏi, dù họ không phải là chuyên gia trong lĩnh vực liên quan khái niệm đang NC.^[9] Nếu chưa đủ cơ sở lý thuyết, nhà NC có thể chọn lựa phân tích nhân tố khám phá (EFA: Explanatory factor Analysis) để hoàn chỉnh mô hình lý thuyết trước khi thực hiện kiểm định thang đo bằng phân tích nhân tố khẳng định (CFA: Confirmed Factor Analysis). Cần lưu ý kiểm tra giả định phân phối chuẩn của dữ liệu, nhất là độ nhọn (Kurtosis) và đảm bảo cỡ mẫu đủ lớn đối với các phân tích này. Nếu dữ liệu vi phạm giả định phân phối chuẩn đa biến và cỡ mẫu đủ lớn, tuy không phải là “thuốc chữa bách bệnh” nhưng có thể sử dụng phương pháp bootstrap để đánh giá mức độ sai số nhằm đảm bảo chất lượng thang đo. CFA còn cho phép nhà NC có thể hiệu chỉnh sai số đo lường và đánh giá mức độ ổn định của mô hình đo lường qua phân tích tính bất biến đối với các phân nhóm (theo Trương 2017, trang 274-275 và 448-453), nhằm đảm bảo chất lượng bộ câu hỏi.^[11] Điều này không thể thực hiện với EFA.

Những phương pháp đo lường và mô hình NC tâm lý đã phát triển rất mạnh nhờ phương pháp phân tích thống kê thế hệ 2 có khá nhiều ưu điểm, nhất là khả năng phân tích đồng thời sai số, với sự hỗ trợ của công nghệ máy tính. Chúng được áp dụng ngày càng rộng rãi trong quản trị, nhưng vẫn còn đó khá nhiều cạm bẫy nếu nhà NC không có kinh nghiệm chuyên môn trong lĩnh vực NC. Nhà NC không nên xa rời các nền tảng lý thuyết đã có và lạm dụng các phương pháp phân tích thống kê thế hệ 2 trong đo lường khái niệm và thiết lập các mô hình, mà cần vận dụng có cân nhắc dựa trên nền tảng lý thuyết để kịp thời phát hiện các cạm bẫy ẩn mình, cái có thể dẫn đến diễn giải sai lệch kết quả thu được. Như George đã nói: “All models are wrong, but some are useful.” (George Box, 1976).

IV. THIẾT KẾ NGHIÊN CỨU GIỐNG THỰC NGHIỆM (QED: Quasi-Experimental RESEARCH Design) KHÔNG NHÓM CHỨNG TRONG CẢI TIẾN CHẤT LƯỢNG

Thiết kế giống thực nghiệm là một chọn lựa hữu hiệu để đánh giá hiệu quả can thiệp thay thế thử nghiệm lâm sàng ngẫu nhiên có đối chứng, trong tình huống nhà NC gặp những giới hạn về đạo đức và thực hành, do áp lực thời gian hay những yêu cầu pháp lý đòi hỏi triển khai can thiệp gần như lập tức. Sự khác biệt lớn nhất giữa QED với NC thực nghiệm là không có sự ngẫu nhiên hóa đối tượng NC vào các nhóm so sánh, lẽ đương nhiên sẽ không có làm mù. Nhưng giữa chúng có một điểm chung quan trọng là việc tuân thủ quy trình thực hiện được xem là yêu cầu cực kỳ quan trọng nhằm đảm bảo chất lượng kết quả NC. Kiểm soát điều này khó hơn rất nhiều trong QED so với NC thực nghiệm. Vì vậy, nhà NC cần xem xét điều này như một yêu cầu bắt buộc trong phân tích dữ liệu chuỗi thời gian, đó là đánh giá mức độ tuân thủ (tính hiệu lực) của giải pháp trên thực tế (hay theo cách nói của nhà quản trị là đo lường chỉ số quá trình). QED có 3 nhánh chính: thử nghiệm với nhóm chứng không tương đồng (Non-equivalent control group), thiết kế so sánh trước sau (pretest-and-posttest design) hay thiết kế chuỗi thời gian trước sau (before-and-after time series design) và thiết kế nhiều chuỗi thời gian có nhóm chứng (Multiple time series design). Trong những tình huống can thiệp có liên quan thái độ và hành vi thì thiết kế so sánh trước sau có thể gặp nhiều cạm bẫy như đã đề cập ở cuối phần II của bài viết này.^[3] Vì vậy, các dạng thiết kế chuỗi thời gian thường được khuyến cáo đối với NC can thiệp liên quan đến điều chỉnh hoặc thay thế một trong các yếu tố cấu thành 7P (Programs, Practices, Principles, Procedures, Products, Pills, Policies) và cũng là những yêu cầu thường gặp trong CTCL. Nói cách khác, những tình huống can thiệp có liên quan đến thay đổi thái độ và hành vi, nghĩa là có yếu tố tác động về tâm lý thường sử dụng thiết kế này. Một dạng biểu hiện đơn giản, thường dùng trong quản trị là tiếp cận theo chu trình Plan-Do-Check-Act hay mô hình cải tiến (Model for Improvement) và những biến thể của chúng. Cần lưu ý rằng, dù bạn thực hiện cải tiến kỹ thuật lâm sàng (mới thoáng qua cứ nghĩ là thuần túy về chuyên môn) thì đích đến cuối cùng vẫn cần phải hình thành một chuẩn mực hành vi mới trong công việc (đòi hỏi sự cam kết, quyết tâm và tuân thủ trong thực hành hàng ngày), nghĩa là đã thay đổi văn hóa tổ chức theo khuynh hướng tiến bộ.

Trong đa số tình huống, các giải pháp can thiệp đề xuất của nhà quản trị thường không đủ bằng chứng về hiệu quả trong bối cảnh can thiệp được mong đợi. Vì lý do kinh tế và an toàn, nhà quản trị thường tiếp cận theo hướng thử nghiệm giải pháp trên phạm vi nhỏ để hoàn thiện trước khi nhân rộng. Như vậy, chỉ có một nhóm can thiệp và giả thuyết NC trong trường hợp này là linh hoạt, được bổ sung và điều chỉnh theo thời gian. Nhà NC có thể chọn lựa tiếp cận can thiệp đồng thời cả nhóm giải pháp sau đó điều chỉnh theo thời gian, hay áp dụng riêng lẻ từng giải pháp lần lượt ở các thời điểm khác nhau theo một trật tự định trước dựa trên cân nhắc về tài chính và những bằng chứng về hiệu quả, an toàn đã có của giải pháp (giải pháp đơn giản, chi phí thấp trước và bổ sung dần các giải pháp cho đến khi đạt được ngưỡng mục tiêu mong muốn của nhà quản trị). Các thiết kế có thể sử dụng là chuỗi thời gian trước sau, chuỗi thời gian từng phần (ITS: interrupted time series design) hoặc thêm vào lần lượt (stepped wedge design).^[6] Cần lưu ý, thiết kế ITS hoặc thêm vào lần lượt kết hợp với phân tích hồi quy từng phần chỉ có thể áp dụng khi xác định rõ thời điểm can thiệp và thời gian can thiệp.

Thiết kế chuỗi thời gian trước sau cần thu thập dữ liệu theo khoảng cách đều cả trước và sau can thiệp, đủ số điểm dữ liệu để đánh giá khuynh hướng. Dữ liệu cần thu thập theo chu kỳ một cách đều đặn, khoảng cách khá gần nhau với cỡ mẫu nhỏ hoặc vừa phải, chọn mẫu theo định mức (quota) hoặc thuận tiện và lưu ý kỹ thuật chọn phân nhóm hợp lý nhằm tối thiểu hóa biến thiên tại mỗi điểm dữ liệu nhưng tối đa biến thiên giữa các điểm dữ liệu. Kiểu chọn mẫu này khá khác biệt so với các dạng thiết kế NC khác, đó là nhà NC thường được yêu cầu chọn mẫu đủ lớn và đảm bảo sự ngẫu nhiên để tránh sai số do chọn lựa đối tượng quan sát. Nhà NC có thể sử dụng các công cụ phân tích đơn biến thường dùng trong quản trị như biểu đồ con chạy hay biểu đồ kiểm soát. Sử dụng các quy luật đánh giá lệch tâm hoặc hình dáng dữ liệu bất thường không phù hợp với phân bố bình thường theo giả định phân phối của dữ liệu để đánh giá hiệu quả cải tiến. Nghiên cứu mô phỏng (simulation) của Anhoej (2015) cho thấy những công cụ này có độ nhạy cảm và đặc hiệu tốt khi sử dụng để phát hiện các bất thường của dữ liệu chuỗi thời gian trong đánh giá các quá trình.^[1] Việc chọn lựa biểu đồ kiểm soát phù hợp với kiểu dữ liệu là bắt buộc vì các công cụ này cần giả định về dạng phân phối của dữ liệu. Hầu hết các thay đổi lớn (2-3 độ lệch chuẩn) trong khuynh hướng các khái niệm được đo lường có thể phát hiện được bằng các công cụ đơn giản này. Đối với các thay đổi nhỏ (0,5-1 độ lệch chuẩn), những công cụ phức tạp hơn như biểu đồ tổng tích lũy CUSUM (Cummulative Sum) hay biểu đồ trung bình trượt có trọng số EWMA (Exponentially Weighted Moving Average) có thể cần dùng. Trường hợp biến đánh giá là biến sự kiện, nhưng vùng cơ hội nhỏ không đủ mức tối thiểu để phân tích, sử dụng các dạng thay thế như biểu đồ T (thời gian giữa 2 sự kiện) hoặc G (số cơ hội giữa 2 sự kiện). Trường hợp cần thiết, cần đánh giá tác động đa biến, hoặc có xu hướng tự tương quan, những dạng biểu đồ kiểm soát đa biến như Hotelling’s T-squared hoặc Multivariate CUSUM có thể sử dụng. Nếu số lượng biến đầu vào nhiều (> 10) và có mức độ cộng tuyến mạnh, có thể sử dụng kỹ thuật phân tích thành phần chính (PCA: Principal Component Analyis) để rút gọn dữ liệu và dùng thành phần rút gọn để thiết lập biểu đồ đa biến.^[8],[10] Nhược điểm của phương pháp này là tính toán phức tạp và các giá trị tính toán vô hướng đôi khi gây khó hiểu và khó diễn giải (tương tự như các trường hợp chuyển dạng dữ liệu).

Thiết kế ITS thường cần lấy mẫu đủ lớn ở mỗi điểm dữ liệu, chọn mẫu đảm bảo tính ngẫu nhiên và khoảng cách các điểm lấy mẫu đủ xa để giảm bớt hiện tượng tự tương quan (thực hiện một loạt các khảo sát cắt ngang ngắt quãng cả trước và sau can thiệp). Bản chất thực sự là kết hợp thiết kế chuỗi thời gian với mô hình phân tích hồi quy. Do mô hình hồi quy có một số điểm hạn chế đối với dữ liệu chuỗi thời gian^[4] như đã nói ở phần trên nên cần thiết phải lưu ý những yêu cầu này để giảm thiểu sai lệch trong ước lượng và dự báo. Thiết kế này thích hợp với những can thiệp có thời gian kéo dài, hay có hiệu ứng tác động trễ. Thiết kế thêm vào lần lượt cần lưu ý lấy đủ số điểm dữ liệu đánh giá khuynh hướng cho mỗi giai đoạn thêm vào một can thiệp. Mức tối thiểu để có thể xác định khuynh hướng là 3 điểm dữ liệu, nhưng thực tế thường cần ít nhất 5-6 điểm dữ liệu hoặc nhiều hơn. Điều này tùy thuộc vào mức độ khác biệt trước và sau can thiệp của đại lượng đo lường. Cần lưu ý sự mất cân đối quá lớn về số điểm dữ liệu giữa 2 giai đoạn trước và sau can thiệp quá lớn có thể làm sai lệch kết quả phân tích trong hầu hết các mô hình chuỗi thời gian. Kỹ thuật phân tích hồi quy từng phần có hoặc không có biến giả 0 - 1 (dummy) nhằm đánh giá sự thay đổi khuynh hướng qua các giai đoạn có thể sử dụng cho cả 2 loại thiết kế này. Nguyên tắc xác định biến giả cần nhớ là số biến giả bằng số đặc tính muốn gán biến giả (k) trừ 1 (theo Nguyễn 2013, trang 539-541).^[12]

Minh họa tình huống ITS: Bệnh viện A đã thiết lập hệ thống đo lường hài lòng chung của người bệnh điều trị nội trú qua bộ câu hỏi CSQ8-m (Client Satisfaction Questionnaires-8 modified) với 8 thành phần, theo thang đo Likert [1-5]. Bộ câu hỏi này được hiệu chỉnh từ CSQ8 và đã có một NC đánh giá lại tính giá trị và độ tin cậy của bộ câu hỏi trong bối cảnh áp dụng. Quá trình đo lường hài lòng người bệnh được thực hiện bởi một nhóm nhỏ, được đào tạo đầy đủ và theo một quy trình thực hiện được văn bản hóa, nhằm đảm bảo tính nhất quán của hoạt động đo lường và xử lý số liệu theo thời gian. Mẫu khảo sát được chọn ngẫu nhiên, phân tầng theo khoa dựa trên khung mẫu là danh sách người bệnh có mặt trong ngày khảo sát được cung cấp bởi ứng dụng quản lý người bệnh nội trú. Chu kỳ đo lường được thực hiện mỗi quý, vì các nhà quản trị cho rằng nếu đo lường gần hơn sẽ có hiệu ứng nhớ lại bởi khá nhiều người bệnh nhập viện lặp lại để điều trị theo chương trình, do đặc điểm của mô hình bệnh tật. Theo dõi chỉ số hài lòng người bệnh, bộ phận quản lý nhận thấy chưa đạt mục tiêu quản trị và quyết định thay đổi thông qua một số chương trình cải tiến về kỹ năng giao tiếp, ứng xử và hoạt động thông tin, tư vấn làm tăng sự tương tác của nhân viên với người bệnh, trên cơ sở làm chi tiết và lồng ghép các nội dung này vào quy trình chuyên môn hằng ngày của bác sỹ và điều dưỡng để làm cơ sở từng bước định hình một nét mới về văn hóa tổ chức. Do nội dung can thiệp thuộc về yếu tố văn hóa tổ chức nên để thấy được hiệu quả cần thời gian kéo dài. Nhóm đã thực hiện hoạt động giám sát và phản hồi điều chỉnh trong thời gian 6 tháng đầu, sau đó chuyển sang giai đoạn duy trì trong 18 tháng. Tình huống này nhóm có thể sử dụng biểu đồ khuynh hướng để phân tích số liệu, nhưng cũng rất phù hợp với thiết kế ITS.

Mô hình chuỗi thời gian đơn giản trong trường hợp chỉ có 1 biến can thiệp X_t, có xem xét tương tác biến độc lập - thời gian và không có hiệu ứng trễ là: Y_t = b_o + b₁T + b₂X_t + b₃TX_t + e_t (T: thời gian, b_o: hệ số chặn, b₁: khuynh hướng trước can thiệp, b₂: hiệu quả can thiệp, b₃: thay đổi khuynh hướng, e_t: sai số). Mô hình đơn giản này có thể phân tích trên các ứng dụng thống kê thường dùng trong NC và ngay cả trên Microsoft Excel. Những mô hình phân tích và dự báo phức tạp hơn như ARIMA (AutoRegressive Integrated Moving Average) có thể cần đến đối với một số trường hợp, nhưng nó đòi hỏi số lượng điểm dữ liệu lớn hơn rất nhiều (khuyến cáo ít nhất 20-25 điểm trước và 20-25 điểm sau can thiệp).

V. KẾT LUẬN

Thiết kế và đo lường khái niệm NC không bao giờ được xem nhẹ và đơn giản quá mức đối với các nhà NC trong mọi trường hợp. Đánh giá tác động của giải pháp trong NC không sử dụng nhóm chứng cần tập trung phân tích sự thay đổi khuynh hướng của khái niệm được đo lường theo chuỗi thời gian ở cả 2 giai đoạn trước và sau can thiệp, nhằm hạn chế sai lầm do hiệu ứng Hawthorne. Những công cụ phân tích đơn giản như biểu đồ con chạy, biểu đồ kiểm soát cổ điển và các biến thể có thể sử dụng thay thế cho các mô hình phân tích và dự báo phức tạp. Nếu thời điểm can thiệp xác định rõ và không có hiệu ứng trễ, phương pháp phân tích hồi quy từng phần với biến giả đối với dữ liệu chuỗi thời gian có thể sử dụng để đánh giá hiệu quả các can thiệp trong CTCL dịch vụ y tế.

Thay cho lời kết, quản trị cũng tương tự như các lĩnh vực khác, nhà quản trị thường phải liên tục tìm kiếm đường đi phù hợp nhất với bối cảnh và nguồn lực hiện có. Nhưng chân lý luôn là thứ ánh sáng nằm ở cuối đường hầm, nó chỉ có thể được tìm thấy bằng sự nỗ lực, với lòng quyết tâm cao độ và cả sự đam mê.

TÀI LIỆU THAM KHẢO:

[1] Jacob Anhoej (2015). Diagnostic Value of Run Chart Analysis: Using Likelihood Ratios to Compare Run Chart Rules on Simulated Data Series. PLOS ONE, 10 (3): e0121349 - DOI: 10.1371/journal.pone.0121349

[2] James Lopez Bernal, Steven Cummins, Antonio Gasparrini (2017). Interrupted time series regression for the evaluation of public health intervention: a tutorial. International Journal of Epidermiology, 46 (1): 348-55.

[3] M Best, D Neuhauser (2006). Walter A Shewhart, 1924, and the Hawthorne factory, Qual Saf Health Care;15:142–143. doi: 10.1136/qshc.2006.018093

[4] Kathi Bracan (2002). Chapter 6. Quasi-Experiments: Interrupted Time-Series Design, pp: 171-206 In: Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin Company.

[5] Avedis Donabedian (2003). Chapter 4: Selecting Approaches to Assessing Performance. In: An introduction of quality assurance in healthcare, pp 46-57. Oxford University Press

[6] Margaret A. Handley, Courtney R. Lyles, Charles McCulluch and Adithya Cattamanchi (2018). Selecting and Improving Quasi-Experimental Designs in Effectiveness and Implementation Research. Annnual Review of Public Health, 39: 5-25.

[7] Mark A. Robinson (2017). Using multi-item psychological scales for research and practice in human resource management, Human Resource Management – Wiley Periodicals, Inc., 57: 739-750.

[8] Michat Rogalwicz (2012). Some notes om multivariate statistical process control. Management and Production Engineering Review, 3 (4): 80-86. DOI: 10.2478/v10270-012-0036-7

[9] John R. Rossiter (2011). Chapter 1. Rationale of C-AOR-SE; pp: 1-12 In: Measurement for The Social Sciences: The C-OAR-SE Method and Why It Must Replace Psychometrics. Springer Science + Business Media, LLC.

[10] Gaurav Suman and DeoRaj Prajapati (2018). Control chart application in healthcare: a literature review. Int. J. Metrol. Qual. Eng. 9 (5). DOI: https://doi.org/10.1051/ijmqe/2018003

[11] Trương Đình Thái (2017). Chương 3 – Phân tích nhân tố khám phá (trang 105-178), Chương 5 – Phân tích nhân tố khẳng định (trang 272-337), Chương 6 – Mô hình cấu trúc tuyến tính (trang 393-467) trong: Mô hình cấu trúc tuyến tính: Lý thuyết và ứng dụng. Nhà xuất bản Đại học Quốc gia TP. Hồ Chí Minh.

[12] Nguyễn Đình Thọ (2013). Chương 3 – Phương pháp định tính (trang 91-132) và Chương 8 – Đo lường khái niệm nghiên cứu (trang 277-306) trong: Giáo trình Phương pháp nghiên cứu khoa học trong kinh doanh. Ấn bản lần thứ 2. NXB Tài Chính.