the HEALTH CARE DATA GUIDE :

learning from data for improvement.

2nd Edition Lloyd P Murray Sandra
Provost
Visit to download the full and correct content document:
https://ebookmass.com/product/the-health-care-data-guide-learning-from-data-for-imp
rovement-2nd-edition-lloyd-p-murray-sandra-provost/
THE HEALTH CARE
DATA GUIDE
THE HEALTH CARE
DATA GUIDE
Learning from Data for
Improvement

Second Edition

LLOYD P. PROVOST
SANDRA K. MURRAY
WEBSITE FOR INSTRUCTORS:

www.wiley.com\go\provost\healthcaredata2e
This edition first published 2022
© 2022 John Wiley & Sons, Inc.
Edition History
John Wiley & Sons, Inc. (1e, 2011)
All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or transmit-
ted, in any form or by any means, electronic, mechanical, photocopying, recording or otherwise, except as
permitted by law. Advice on how to obtain permission to reuse material from this title is available at http://
www.wiley.com/go/permissions.
The right of Lloyd P. Provost and Sandra K. Murray to be identified as the authors of this work has been
asserted in accordance with law.
Registered Office
John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, USA
Editorial Office
111 River Street, Hoboken, NJ 07030, USA
For details of our global editorial offices, customer services, and more information about Wiley products
visit us at www.wiley.com.
Wiley also publishes its books in a variety of electronic formats and by print-on-demand. Some content that
appears in standard print versions of this book may not be available in other formats.
Limit of Liability/Disclaimer of Warranty
The contents of this work are intended to further general scientific research, understanding, and discus-
sion only and are not intended and should not be relied upon as recommending or promoting scientific
method, diagnosis, or treatment by physicians for any particular patient. In view of ongoing research,
equipment modifications, changes in governmental regulations, and the constant flow of information
relating to the use of medicines, equipment, and devices, the reader is urged to review and evaluate the
information provided in the package insert or instructions for each medicine, equipment, or device for,
among other things, any changes in the instructions or indication of usage and for added warnings and pre-
cautions. While the publisher and authors have used their best efforts in preparing this work, they make no
representations or warranties with respect to the accuracy or completeness of the contents of this work and
specifically disclaim all warranties, including without limitation any implied warranties of merchantability
or fitness for a particular purpose. No warranty may be created or extended by sales representatives, written
sales materials or promotional statements for this work. The fact that an organization, website, or product is
referred to in this work as a citation and/or potential source of further information does not mean that the
publisher and authors endorse the information or services the organization, website, or product may pro-
vide or recommendations it may make. This work is sold with the understanding that the publisher is not
engaged in rendering professional services. The advice and strategies contained herein may not be suitable
for your situation. You should consult with a specialist where appropriate. Further, readers should be aware
that websites listed in this work may have changed or disappeared between when this work was written and
when it is read. Neither the publisher nor authors shall be liable for any loss of profit or any other commer-
cial damages, including but not limited to special, incidental, consequential, or other damages.
Library of Congress Cataloging-in-Publication Data
Names: Provost, Lloyd P., author. | Murray, Sandra K., author.
Title: The health care data guide : learning from data for improvement /
Lloyd P. Provost, Sandra K. Murray.
Description: Second edition. | Hoboken, NJ : John Wiley & Sons, 2022. |
Includes bibliographical references and index.
Identifiers: LCCN 2021053032 (print) | LCCN 2021053033 (ebook) | ISBN
9781119690139 (paperback) | ISBN 9781119690153 (pdf) | ISBN
9781119690122 (epub)
Subjects: LCSH: Medical care--Quality control--Statistical methods. |
Medical care--Quality control--Data processing.
Classification: LCC RA399.A3 P766 2022 (print) | LCC RA399.A3 (ebook) |
DDC 362.10727--dc23/eng/20211123
LC record available at https://lccn.loc.gov/2021053032
LC ebook record available at https://lccn.loc.gov/2021053033
Cover image: Provost & Murray
Cover design by Wiley
Set in 10.5/13pt ITCNewBaskervilleStd by Integra Software Services Pvt. Ltd, Pondicherry, India

10 9 8 7 6 5 4 3 2 1
 C O N T E N T S

Figures, Tables, and Exhibits xiii

Preface xxix
The Authors xxxv
About the Companion Website xxxvii

Part I Using Data for Improvement 1

Chapter 1 Improvement Methodology 3

Fundamental Questions for Improvement 4
What Are We Trying to Accomplish? 5
How Will We Know that a Change is an Improvement? 7
What Changes Can We Make That Will Result in Improvement? 8
The PDSA Cycle for Improvement 9
Tools and Methods to Support the Model for Improvement 13
Designing PDSA Cycles for Testing Changes 15
Analysis of Data from PDSA Cycles 19
Summary26
Key Terms 26

Chapter 2 Using Data for Improvement 27

What Does the Concept of Data Mean? 27
How are Data Used? 29
Types of Data 36
Using A Family of Measures 43
The Importance of Operational Definitions 47
Sampling53
Sampling Strategies 55
What About Sample Size? 58
Stratification of Data 61
What about Case-Mix Adjustment? 63
Transforming Data 65
Analysis and Presentation of Data 68
Summary75
Key Terms 75
 vi CONTENTS

Chapter 3 Understanding Variation Using Run Charts 77

Introduction77
What Is a Run Chart? 77
Use of a Run Chart 80
Constructing a Run Chart 80
Examples of Run Charts for Improvement Projects 84
Rules to Aid in Interpreting Run Charts 89
Special Issues in Using Run Charts 97
Stratification with Run Charts 113
Using the Cumulative Sum Statistic with Run Charts 116
Summary120
Key Terms 121

Chapter 4 Learning from Variation in Data 123

The Concept of Variation 123
Introduction to Shewhart Charts 129
Depicting and Interpreting Variation Using Shewhart Charts 135
The Role of Annotation with Shewhart Charts 140
Establishing Limits for Shewhart Charts 141
Revising Limits for Shewhart Charts 145
Stratification with Shewhart Charts 147
Shewhart Charts and Targets, Goals, or Other Specifications 152
Special Cause: Is It Good or Bad? 155
Summary157
Key Terms 158

Chapter 5 Understanding Variation Using Shewhart Charts 159

Selecting the Type of Shewhart Chart 160
Shewhart Charts for Continuous Data 163
I Charts 164
Examples of Shewhart Charts for Individual Measurements 166
Rational Ordering with an I Chart 168
Example of I Chart for Deviations from a Target 170
Xbar S Shewhart Charts 171
Shewhart Charts for Attribute Data 177
Subgroup Size for Attribute Charts 178
The P Chart for Classification Data 180
Examples of P Charts 182
Creation of Funnel Limits for a P Chart 186
Shewhart Charts for Counts of Nonconformities 188
C Charts 190
U Chart 192
Creation of Funnel Limits for a U Chart 195
 CONTENTS vii

Alternatives for Attribute Charts for Rare Events 197

G Chart for Opportunities Between Rare Events 198
T Chart for Time Between Rare Events 202
Process Capability 206
Process Capability from an I Chart 208
Capability of a Process from Xbar and S Charts 208
Capability of a Process from Attribute Control Charts 210
Capability from a P Chart 210
Capability from a C or U Chart 210
Summary211
Key Terms 212

Appendix 5.1 Calculating Shewhart Limits 213

I Chart (For Individual Values Of Continuous Data) 213
Xbar S Chart (For Continuous Data In Subgroups) 214
P Chart (For Classification Data) 217
C Chart (Count Of Incidences) 218
U Chart (Incidences Per Area Of Opportunity) 219
G Chart (Cases Between Incidences) 220
T Chart 221

Chapter 6 Additional Tools For Understanding Variation In Data 223

Depicting Variation 223
Additional Tools for Learning from Variation 225
Frequency Plots 225
Frequency Plot Construction 226
Frequency Plots Used with Shewhart Charts 228
Frequency Plots and Stratification 232
Pareto Charts 236
Pareto Chart Construction 238
Pareto Charts Used with Shewhart Charts 239
Pareto Chart and Stratification 244
Scatterplots250
Scatterplot Construction 251
Scatterplots Used with Shewhart Charts 254
Scatterplots and Stratification 258
Radar Charts 260
Constructing a Radar Chart 261
Radar Charts Used with Shewhart Charts 261
Radar Charts and Stratification 263
Summary265
Key Terms 265
viii CONTENTS

Chapter 7 Shewhart Chart Savvy: Dealing with Common Issues 267

Creating Effective Shewhart Charts 267
Tip 1: Type of Data and Subgroup Size 267
Tip 2: Rounding Data 268
Tip 3: Formatting Charts 268
Tip 4. Decisions for Recalculating limits, or Rephasing, on a
Shewhart Chart 274
Extending Centerline and Limits Backward 277
Typical Problems with Software for Calculating Shewhart Charts 279
Characteristics to Consider When Purchasing SPC Software 282
Another Caution with I Charts and Chart Selection 285
Guidelines for Shewhart Charts in Research Studies
and Publications 287
Use of Shewhart Charts in Research Studies 288
Shewhart Charts in Publications 290
Shewhart’s Theory versus Statistical Inference 292
Summary296
Key Terms 296

Part II Advanced Theory and Methods with Data

For Improvement 297

Chapter 8 More Shewhart-Type Charts 299

Other Shewhart-Type Charts 301
The NP Chart 301
Xbar Range (Xbar R) Chart 302
Median Chart 304
Attribute Charts with Large Subgroup Sizes (P’ and U’) 306
Prime Charts (P’ and U’) 307
Negative Binomial Chart 313
Some Adaptations to Shewhart Charts 316
MA Chart 317
CUSUM Chart 320
Exponentially Weighted Moving Average (EWMA) Chart 328
Standardized Shewhart Charts 331
Multivariate Shewhart-Type Charts 334
Summary338
Key Terms 339

Chapter 9 Special Uses for Shewhart Charts 341

Shewhart Charts with a Changing Centerline 341
Shewhart Charts with a Sloping Centerline 342
Shewhart Charts with Seasonal Effects 343
Adjusting Shewhart Charts for Confounders 349
Transformation of Data with Shewhart Charts 355
 CONTENTS ix

Shewhart Charts for Autocorrelated Data 361

Risk-Adjusted or Case-Mix Adjusted Shewhart Charts 366
Comparison Charts 368
Confidence Intervals and Confidence Limits 369
Summary373
Key Terms 373

Chapter 10 Drilling Down into Aggregate Data for Improvement II 375
What are Aggregate Data? 375
What is the Challenge Presented by Aggregate Data? 376
Introduction to the Drill Down Pathway 381
Stratification381
Sequencing382
Rational Subgrouping 383
An Illustration of the Drill Down Pathway: Adverse Drug
Events384
Drill Down Pathway Step One 385
Drill Down Pathway Step Two 385
Drill Down Pathway Step Three 387
Drill Down Pathway Step Three, Continued 389
Drill Down Pathway Step Four 393
Drill Down Pathway Step Five 397
Drill Down Pathway Step Six 400
Summary400
Key Terms 401

Part III Applications of Shewhart Charts in Health Care 403

Chapter 11 Learning from Individual Patient Data 405

Examples of Shewhart Charts for Individual Patients 407
Example 1: Asthma Patient Use of Shewhart Charts 408
Example 2: Prostate-Specific Antigen (PSA) Screening for
Prostate Cancer 409
Example 3: Monitoring Patient Measures in the Hospital 411
Example 4: Bone Density for a Patient Diagnosed
with Osteoporosis 412
Example 5: Temperature Readings for a Hospitalized Patient 415
Example 6: Shewhart Charts for Continuous Monitoring
of Patients 418
Example 7: Monitoring Weight 420
Example 8: Monitoring Blood Sugar Control for
Patients with Diabetes 421
Example 9: Using Shewhart Charts in Pain Management 422
Summary423
 x CONTENTS

Chapter 12 Learning from Patient Feedback to Improve Care 425

Summarizing Patient Feedback Data 429
Presentation of Patient Satisfaction Data 437
Using Patient Feedback for Improvement 438
The PDSA Cycle for Testing and Implementing Changes 438
Improvement Team Working on Clinic Satisfaction 438
Improvement Team Working on Pain 442
Feedback from Employees 444
Using Patient Satisfaction Data in Planning for Improvement 445
Special Issues with Patient Feedback Data 447
Are There Challenges When Summarizing and Using Patient
Satisfaction Survey Data? 447
Does Survey Scale Matter? 449
Summary450
Key Terms 450

Chapter 13 Using Shewhart Charts in Health Care Leadership 451

A Health Care Organization’s Vector of Measures 452
Developing a VOM 453
So How do We Best Display a VOM? 461
Administrative Issues with a VOM 464
Some Examples of Measures for Other VOMs 467
Emergency Department 468
Primary Care Center 468
System Flow Measures 469
Health Authority 469
Large Urban Hospital 471
IHI Whole System Measures 471
Summary473
Key Terms 474

Chapter 14 Shewhart Charts for Epidemic Data 475

Shewhart Charts in Epidemiology 476
Development of Shewhart Charts for Epidemic Data 479
C Charts (Epoch 1) 479
Charts of Epoch 2 481
Charts for Epoch 3 485
Charts for Epoch 4 486
Some Issues with the Hybrid Chart for COVID-19 Deaths 487
Data Quality 487
Day-of-the-Week Adjustment 487
Application of the Hybrid Charts to Cases, Hospitalizations,
and Intensive Care Unit Admissions 489
Summary492
Key Term 492
 CONTENTS xi

Chapter 15 Case Studies 493

Case Study A: Improving Access to a Specialty Care Clinic 495
Case Study B: Radiology Improvement Projects 504
Case Study C: Reducing Post-Cabg Infections 514
Case Study D: Drilling Down into Percentage of C-Sections 526
Case Study E: Reducing Length of Stay After Surgery 537
Case Study F: Reducing Hospital admissions 551
Case Study G: Accidental Puncture/Laceration Rate 558
Case Study H: Improving Telemedicine Failed Calls
and No Shows 568
Case Study I: Variation in Financial Data 583

Index595

Shewhart Chart Selection Guide 609

 F I G U R E S, TA B L E S, A N D E X H I B I TS

FIGURES

FIGURE 1.1 Model for Improvement 4

FIGURE 1.2 The PDSA cycle 9
FIGURE 1.3 Sequential PDSA Cycles for Learning and Improvement 10
FIGURE 1.4 PDSA Cycles from Testing to Implementation 12
FIGURE 1.5 Results of a Before-and-After Test: Case 1 16
FIGURE 1.6 Other Possible Run Charts Associated with
Before-and-After Graph 17
FIGURE 1.7 Analysis of Data from a PDSA Cycle 21
FIGURE 1.8 Run Charts of Key Measures for Diabetes
Improvement Project 25
FIGURE 2.1 Sources of Data 28
FIGURE 2.2 Measurement for Judgment versus Improvement 32
FIGURE 2.3 Moving from Judgment to Improvement Measures 33
FIGURE 2.4 Using Percentile Rankings 33
FIGURE 2.5 Measure Based on an Index Instead of Actual Units 34
FIGURE 2.6 Simple Scales for Turning Personal Experience into Data 37
FIGURE 2.7 Percentage of DRG Exceeding LOS Guidelines Indicating
Improvement43
FIGURE 2.8 Percentage of Unplanned Readmissions Worsening 44
FIGURE 2.9 Multiple Measures on a Single Graph 44
FIGURE 2.10 Surgical Safety FOM 46
FIGURE 2.11 Image Reflective of an Enumerative Study 51
FIGURE 2.12 Image Reflective of an Analytic Study 52
FIGURE 2.13 Large Sample Compared to Small Sample 54
FIGURE 2.14 Sample Size and Ability to Detect Change 59
FIGURE 2.15 Stratification Involves Separation and Classification 61
FIGURE 2.16 Shewhart Chart of Post-CABG Complication Rate
Without Stratification 62
FIGURE 2.17 Post-CABG Complication Rate Stratified by Protocol 62
FIGURE 2.18 Little Difference Between Risk-Adjusted
and Non-Risk-Adjusted Data 63
FIGURE 2.19 Large Differences Between Risk-Adjusted
and Non-Risk-Adjusted Data 64
FIGURE 2.20 Run Chart of Number of Falls 65
FIGURE 2.21 Run Chart of Rate of Falls 66
FIGURE 2.22 Graphs of Fall Rate and Number of Falls 66
FIGURE 2.23 Patient Waiting Time 68
xiv FIGURES, TABLES, AND EXHIBITS

FIGURE 2.24 Tools to Learn from Variation in Data 72

FIGURE 2.25 Scatter Plots for Data in Table 2.18 74
FIGURE 3.1 Historical Example of a Run Chart 78
FIGURE 3.2 Run Chart Example 78
FIGURE 3.3 Run Chart Leading to Questions 79
FIGURE 3.4 Run Chart with Labels and Median 82
FIGURE 3.5 Run Chart with Goal Line and Tests of Change Annotated 83
FIGURE 3.6 Stat Lab Run Chart with No Evidence of Improvement 84
FIGURE 3.7 Improvement Evident Using a Set of Run Charts Viewed on
One Page 85
FIGURE 3.8 Run Charts Used as Small Multiples 86
FIGURE 3.9 Run Chart Displaying Multiple Measures 87
FIGURE 3.10 Run Chart Displaying a Different Measure for Each Axis 87
FIGURE 3.11 Run Chart Displaying Multiple Statistics for the
Same Measure 88
FIGURE 3.12 Run Chart with Little Data 88
FIGURE 3.13 Run Chart with Clinic Team Uncertain About Improvement 89
FIGURE 3.14 Four Rules for Identifying Nonrandom Signals of Change 90
FIGURE 3.15 Run Chart Evaluating Number of Runs 92
FIGURE 3.16 Measure with Too Few Runs 93
FIGURE 3.17 Run Chart with Too Many Runs 94
FIGURE 3.18 Run Charts of Clinic Cycle Time 95
FIGURE 3.19 Average Time to Administer Antibiotics 96
FIGURE 3.20 Three Key Uses of Run Charts in Improvement Initiatives 98
FIGURE 3.21 Beginning a Run Chart as Soon as the First Data
Are Available 100
FIGURE 3.22 Run Charts for Waiting Time Data 101
FIGURE 3.23 Delay Detecting Signal with Proper Median Technique 102
FIGURE 3.24 Detecting Signal with Proper Median Technique 102
FIGURE 3.25 Detecting Signal of Improvement with Two Medians 103
FIGURE 3.26 Two Cases When Median Ineffective on Run Chart 104
FIGURE 3.27 Run Chart of Incidents Resulting in Too Many Zeros 105
FIGURE 3.28 Run Chart of Cases between an Incident 105
FIGURE 3.29 Starting and Updating Chart of Cases between
Undesirable Rare Events 106
FIGURE 3.30 Mature Run Charts Tracking Cases Between Rare Events 107
FIGURE 3.31 Use of Data Line on Run Chart 108
FIGURE 3.32 Data from Unequal Time Intervals Displayed in Usual
Run Chart 108
FIGURE 3.33 Data From Unequal Time Intervals Displayed to Reveal
Impact of Time 109
FIGURE 3.34 Run Chart from Figure 3.22 With Seventh Week Added 110
FIGURE 3.35 Run Chart with Inappropriate Use of Trend Line 110
FIGURE 3.36 Run Chart of Autocorrelated Data from a Patient Registry 111
FIGURE 3.37 Run Chart with Percentage Doubled in Most Recent Month 112
FIGURE 3.38 Shewhart Control Chart (P Chart) Adjusting Limits Based
on Denominator Size 113
 FIGURES, TABLES, AND EXHIBITS xv

FIGURE 3.39 Infant Mortality Data Stratified Using a Run Chart 114
FIGURE 3.40 Harm Data Stratified Using a Run Chart 115
FIGURE 3.41 Multi-Vari Chart 117
FIGURE 3.42 Run Chart and CUSUM Run Chart of Patient
Satisfaction Data 119
FIGURE 4.1 Using Shewhart Charts to Give Direction to an
Improvement Effort 128
FIGURE 4.2 Example of Shewhart Chart with Equal Subgroup Size 131
FIGURE 4.3 Example of Shewhart Chart with Unequal Subgroup Size 131
FIGURE 4.4 Rules for Detecting a Special Cause 135
FIGURE 4.5 Detecting “Losing the Gains” For an Improved Process 137
FIGURE 4.6 Depicting Variation Using a Run Chart versus a
Shewhart Chart 137
FIGURE 4.7 Shewhart Charts Common Cause and Special
Cause Systems 138
FIGURE 4.8 Shewhart Chart Revealing Process or System
Improvement138
FIGURE 4.9 Shewhart Chart Using Rational Subgrouping 139
FIGURE 4.10 Shewhart Chart Using Stratification 139
FIGURE 4.11 Shewhart Charts Depicting a Process or System “Holding
the Gain” 140
FIGURE 4.12 Run Charts and Shewhart Charts for Waiting Time Data 142
FIGURE 4.13 Improper and Proper Extension of Baseline Limits
on Shewhart Chart 143
FIGURE 4.14 Dealing with Special Cause Data in Baseline Limits 144
FIGURE 4.15 Recalculating Limits After Special Cause Improvement 146
FIGURE 4.16 Recalculating Limits after Exhausting Efforts to
Remove Special Cause 146
FIGURE 4.17 Stratification of Laboratory Data with a Shewhart Chart 148
FIGURE 4.18 Disaggregation of ADEs Data 149
FIGURE 4.19 ADE Rate Rationally Subgrouped in
Different Ways 151
FIGURE 4.20 Shewhart Chart Meeting Goal but Unstable 153
FIGURE 4.21 Shewhart Chart Stable but Not Meeting Goal 154
FIGURE 4.22 Special Cause in Desirable Direction 155
FIGURE 4.23 Shewhart Chart with Special Cause in Undesirable
Direction156
FIGURE 4.24 Shewhart Chart for LOS 157
FIGURE 4.25 Percentage of Patients with an Unplanned Readmission 157
FIGURE 5.1 Shewhart Chart Selection Guide 161
FIGURE 5.2 I Chart for Volume of Infectious Waste 167
FIGURE 5.3 I Chart Extended and Updated with New Limits 167
FIGURE 5.4 Rational Ordering for an I Chart for Intake Process 168
FIGURE 5.5 I Chart for Budget Variances 170
FIGURE 5.6 Xbar S Chart for Radiology Test Turnaround Time 172
FIGURE 5.7 Xbar S Chart for LOS 173
FIGURE 5.8 Xbar S Chart for LOS by Provider 174
xvi FIGURES, TABLES, AND EXHIBITS

FIGURE 5.9 Xbar and S Chart Subgrouped by Provider and Quarter 175
FIGURE 5.10 Xbar S Chart Showing Improvement in Deviation from
Start Times 176
FIGURE 5.11 P Chart for Percentage of Patients Harmed 182
FIGURE 5.12 Extended P Chart for Percentage of Patients Harmed 183
FIGURE 5.13 P Chart Showing Second Phase After Improvement 184
FIGURE 5.14 P Chart for Percentage of Unplanned Readmissions 185
FIGURE 5.15 P Chart for Percentage of MRSA for Hospital System 186
FIGURE 5.16 Funnel Plot of P Chart for Percentage of MRSA for
Hospital System 187
FIGURE 5.17 P Chart with Funnel Limits for Systemwide Medication
Compliance188
FIGURE 5.18 C Chart for Employee Needlesticks 191
FIGURE 5.19 C Chart for Issues by Surgeon 192
FIGURE 5.20 U Chart for Flash Sterilization 193
FIGURE 5.21 U Charts Showing the Effect of Choosing the Standard
Area of Opportunity 195
FIGURE 5.22 U Chart for Complaints by Clinic with Funnel Limits 196
FIGURE 5.23 Comparison of G Chart to U Chart 199
FIGURE 5.24 G Chart for ADEs 201
FIGURE 5.25 T Chart for Number of Days between ADEs 202
FIGURE 5.26 Different Formats for Displaying a T Chart 204
FIGURE 5.27 T Chart for Retained Foreign Objects 205
FIGURE 5.28 Process Capability: Typical Situations and Actions 207
FIGURE 5.29 Capability From an I Chart 208
FIGURE 5.30 Capability Analysis from an Xbar S Chart 209
FIGURE 6.1 Tools to Learn from Variation in Data 224
FIGURE 6.2 Histogram, Dot Plot, and Stem-and-Leaf Plot for Age at Fall 225
FIGURE 6.3 Frequency Plot (Dot Plot) of Patient Satisfaction Data 226
FIGURE 6.4 Age of Children with Head Injury 228
FIGURE 6.5 Shewhart Chart of Average Minutes to Initiate
Antibiotics for Sepsis Patients 229
FIGURE 6.6 Histogram of Minutes to Antibiotic Start for Patients with
Sepsis230
FIGURE 6.7 Stable Shewhart Chart of Patient Fall Rate 230
FIGURE 6.8 Histogram of Age of People Who Fell 231
FIGURE 6.9 Distribution of Data without and with Skew 231
FIGURE 6.10 Frequency Plot of Clinic Patient Wait Time 232
FIGURE 6.11 Stratified Histograms of Patient Falls by Time of Day 233
FIGURE 6.12 Histogram of Antibiotic Start Time Stratified by Location 234
FIGURE 6.13 Shewhart Chart of Average Patient Satisfaction 235
FIGURE 6.14 Histograms Stratified by Common Cause and Special Cause
Timeframes236
FIGURE 6.15 Example of a Pareto Chart 237
FIGURE 6.16 Pareto Chart with Cumulative Percentage Line 239
FIGURE 6.17 Stable Shewhart Chart of SMC Readmission 240
FIGURE 6.18 Pareto Chart of Cited Reasons for SMC Adult Readmission 240
 FIGURES, TABLES, AND EXHIBITS xvii

FIGURE 6.19 Factors Noted with Late Antibiotic Administration

on Nursing Units 241
FIGURE 6.20 Shewhart Chart of Hospital Mortality Percentage 242
FIGURE 6.21 Pareto of Opportunities to Improve 242
FIGURE 6.22 Unweighted Pareto Chart of Nosocomial Infections 243
FIGURE 6.23 Weighted Pareto Chart of Nosocomial Infections 244
FIGURE 6.24 Stratified Pareto Charts of Health Status Stratified by Race 245
FIGURE 6.25 Stratified Pareto Charts of Factors Associated
with Pediatric Head Injuries 246
FIGURE 6.26 Stratified Pareto Charts of Factors Associated
with Patient Falls 247
FIGURE 6.27 Shewhart Chart of Adverse Drug Event Rate 248
FIGURE 6.28 Stratified Pareto Charts of Medications Associated
with ADEs 248
FIGURE 6.29 Stratified Pareto Charts Contrasting Common Cause to
Special Cause Timeframe 249
FIGURE 6.30 Scatterplot of Time with Provider Related to Patient
Satisfaction250
FIGURE 6.31 Scatterplot of Wait Related to Patient Satisfaction 252
FIGURE 6.32 Scatterplot with Trend Line and Statistics Added 253
FIGURE 6.33 Interpreting Patterns on the Scatterplot 254
FIGURE 6.34 Shewhart Chart of Patient Willingness to Recommend the
Clinic255
FIGURE 6.35 Scatterplots Related to Willingness to Recommend
the Clinic 255
FIGURE 6.36 Scatterplot Relating Arrival Time and Time to Start
Antibiotic256
FIGURE 6.37 Scatterplot Relating Days between Case Worker Visits
and QL Scores 257
FIGURE 6.38 Stratified Scatterplots Case Load and Sick Leave Use 258
FIGURE 6.39 Stratified Scatterplots Relating Case Worker Visits
and QL Scores 259
FIGURE 6.40 Stratified Scatterplots Relating Wait Time to Satisfaction 260
FIGURE 6.41 Radar Chart of Satisfaction with Health Care 261
FIGURE 6.42 Patient Satisfaction with Urgent Care 262
FIGURE 6.43 Radar Chart of Satisfaction with Urgent Care by Element 262
FIGURE 6.44 Patient Satisfaction with Urgent Care Showing Special
Cause263
FIGURE 6.45 Radar Charts of Satisfaction with Health Care Stratified
by Common and Special Cause Timeframes 264
FIGURE 6.46 Radar Charts of Patient Satisfaction Stratified by Race 264
FIGURE 7.1 Showing Data Points: (a) With Dots, (b) No Dots 269
FIGURE 7.2 Vertical Scale: (a) Just Right, (b) Too Wide, (c) To
Narrow270
FIGURE 7.3 (a) Inappropriate Vertical Scale, (b) Appropriate Scale 271
FIGURE 7.4 Including 0% and 100% on Vertical Scale 272
FIGURE 7.5 Overuse of Gridlines and Illegible Data Display 273
xviii FIGURES, TABLES, AND EXHIBITS

FIGURE 7.6 Example of Shewhart Chart with Appropriate Annotations 273

FIGURE 7.7 Extending Limits “Backward” on a Shewhart Chart 278
FIGURE 7.8 Importance of Freezing Limits on Shewhart Charts 280
FIGURE 7.9 I Charts with Limits Calculated Both with and without
Screening282
FIGURE 7.10 I Chart Compared to C Chart for Stable Count Measure 285
FIGURE 7.11 I Chart Compared to C Chart for Unstable Count Measure 286
FIGURE 7.12 I Chart Compared to P Chart for Unstable
Classification Data 287
FIGURE 7.13 Published Shewhart Chart Using a Descriptive Strategy for
Phasing288
FIGURE 7.14 Deductive and Inductive Statistical Approaches 292
FIGURE 7.15 Comparison of Shewhart Chart and Statistical Inference 294
FIGURE 7.16 Comparison of Shewhart Chart with Special Cause
and Statistical Inference 295
FIGURE 8.1 Expanded Chart Selection Guide to Include
Alternative Charts 300
FIGURE 8.2 Example of an NP Chart 302
FIGURE 8.3 Example of an Xbar R Chart 304
FIGURE 8.4 Example of a Median Chart 306
FIGURE 8.5 P Chart with Limits that Appear “Very Tight” 307
FIGURE 8.6 Same Data as Figure 8.5 On a P’ Chart 308
FIGURE 8.7 U Chart and U’ Chart for Medication Errors 310
FIGURE 8.8 Improper Use of P Prime Chart for Self-Management Goals 311
FIGURE 8.9 Percentage of State Populations Fully Vaccinated for COVID-19 313
FIGURE 8.10 Comparison of Negative Binomial Chart to C Chart 315
FIGURE 8.11 C Chart and Negative Binomial Chart for Infections 316
FIGURE 8.12 Weighting Schemes for Alternative Charts 317
FIGURE 8.13 MA Charts Compared to I Chart 319
FIGURE 8.14 CUSUM Run Chart of Patient Satisfaction Data from
Figure 3.42 321
FIGURE 8.15 CUSUM Charts for Patient Satisfaction 323
FIGURE 8.16 CUSUM Chart and Run Chart of HbA1c Values 326
FIGURE 8.17 Comparison of a C Chart and CUSUM Chart for the
Same Data 327
FIGURE 8.18 EWMA Chart for Patient Satisfaction Data 329
FIGURE 8.19 EWMA Chart for HbA1c Values for Diabetic Patient 330
FIGURE 8.20 EWMA Chart with Two Phases for HbA1c Values for
Diabetic Patient 330
FIGURE 8.21 Regular and Standardized Xbar Chart332
FIGURE 8.22 Regular and Standardized P Chart 333
FIGURE 8.23 Regular and Standardized U Chart 333
FIGURE 8.24 General Form of Multivariate Control Chart
(T2 Chart for Five Measures) 334
FIGURE 8.25 T2 Chart for First Two Years’ Financial Data 337
FIGURE 8.26 T2 Chart for Three Financial Measures—Baseline
Limits Extended to Phase 2 337
 FIGURES, TABLES, AND EXHIBITS xix

FIGURE 8.27 I Charts for Three Financial Measures (Limits Based

on 2018–2019 Data) 338
FIGURE 9.1 Shewhart Chart with Slanted Centerline for Obesity Data 342
FIGURE 9.2 I Chart with Regression Centerline for Opioid Deaths 344
FIGURE 9.3 Shewhart Chart with Nonlinear Regression Centerline 344
FIGURE 9.4 Shewhart Chart for Wait Times for the Next Appointment 345
FIGURE 9.5 Wait Times for Appointment Subgrouped by
Month of Year 346
FIGURE 9.6 Individual Chart for Adjusted Wait Times 347
FIGURE 9.7 Wait Time Chart with Centerline and Limits Adjusted
for Monthly Effects 347
FIGURE 9.8 P Chart for Emergency Asthma Visits 348
FIGURE 9.9 P Chart to Study Monthly Effects 348
FIGURE 9.10 Asthma P Chart—Adjusted Data and Adjusted
Centerline and Limits 349
FIGURE 9.11 Initial I Chart for Average Monthly Wait Times in an ED 351
FIGURE 9.12 Scatterplot of Wait Time vs. Volume 352
FIGURE 9.13 I Chart for Average Monthly Wait Times in an ED with
Adjusted Data 353
FIGURE 9.14 Monthly Electric Bill Before and After Solar Installation 353
FIGURE 9.15 Scatterplots Exploring the Relationship between
the Electric Bill and Temperature 354
FIGURE 9.16 Adjusted Monthly Electric Bill Before and After Solar
­Installation 354
FIGURE 9.17 Ineffective I Chart for Time to Complete Weekly Report 357
FIGURE 9.18 Frequency Plots for Data and Transformations (Time
for Weekly Task) 357
FIGURE 9.19 Alternative Displays of I Charts for Transformed Data 358
FIGURE 9.20 Xbar S Chart for ED Times from Arrival to Treatment 359
FIGURE 9.21 Frequency Plots for Original and Log10 Transformed Time
to Treatment 360
FIGURE 9.22 Xbar S Chart Based on Log10 Transformed ED Times 360
FIGURE 9.23 Chart for Average HbA1c Values from Registry 362
FIGURE 9.24 Scatter Plot to Evaluate Autocorrelation of Registry Data 363
FIGURE 9.25 I Charts for Visit Cycle Time in Specialty Clinic 365
FIGURE 9.26 Scatterplot Implying Spurious Autocorrelation 365
FIGURE 9.27 Including Case-Mix Adjustments on Shewhart Chart 368
FIGURE 9.28 Example of Comparison Chart for Perioperative Mortality 369
FIGURE 9.29 Xbar S Chart for LOS 371
FIGURE 9.30 95% Confidence Intervals for Average LOS by Month 372
FIGURE 10.1 Shewhart Chart Revealing Improvement Not Sustained 379
FIGURE 10.2 The Drill Down Pathway 380
FIGURE 10.3 Comparison of Aggregated and Disaggregated
Mortality Data 382
FIGURE 10.4 Mortality Rate Using a Different Sequencing Strategy 383
FIGURE 10.5 Rational Subgrouping Strategy for Mortality Data 384
FIGURE 10.6 Shewhart Chart at the Aggregate Level 387
xx FIGURES, TABLES, AND EXHIBITS

FIGURE 10.7 Shewhart Chart Displaying All Eight Hospitals on the

Same Chart 389
FIGURE 10.8 Separate Shewhart Chart for Each Hospital Special Cause
to the System 391
FIGURE 10.9 Separate Shewhart Chart for Each Hospital Common Cause
to the System 392
FIGURE 10.10 ADE Rate Subgrouped by Day of the Week 394
FIGURE 10.11 Aggregate Shewhart Chart Rationally Subgrouping
Common Cause Data by Shift 395
FIGURE 10.12 ADE Rate Subgrouped by Shift for Common Cause
Hospitals396
FIGURE 10.13 Pareto Chart of ADE Occurrence by Medication Name 398
FIGURE 10.14 Pareto Chart of ADEs Associated with Various Factors 399
FIGURE 10.15 Shewhart Chart Used to Determine Impact of Changes
Implemented400
FIGURE 11.1 Xbar S Charts for Peak Flow Readings from Patient with
Asthma408
FIGURE 11.2 Run Chart for PSA Test Results for a Colleague 410
FIGURE 11.3 PSA Test Results for One of the Authors 410
FIGURE 11.4 Run Chart of Ultrasound Measures on Whiteboard in
Patient Room 412
FIGURE 11.5 Run Charts for Patient Bone Density Test 413
FIGURE 11.6 I Charts for Patient BMD Tests at Two Locations 414
FIGURE 11.7 Run Chart of Temperatures for Hospitalized Patient
with Fever 415
FIGURE 11.8 I Chart for Temperature Readings for Patient with Fever 416
FIGURE 11.9 Xbar S Chart for Temperature Readings for Patient
with Fever 416
FIGURE 11.10 CUSUM Chart for Patient Temperatures 417
FIGURE 11.11 Run Chart of Patient Monitoring Data (Half-Hour
Averages)418
FIGURE 11.12 I Charts for Patient Heart Function Variables Monitored in
the ICU 419
FIGURE 11.13 Run Chart/I Chart for an Individual’s Weighings—Two
Horizontal Scales 421
FIGURE 11.14 I Chart for Monitoring HbA1c for Patient with Diabetes 422
FIGURE 11.15 I Chart for Patient Pain Assessments during Hospital Stay 423
FIGURE 12.1 Excerpts from HCAHPS Survey 427
FIGURE 12.2 Excerpt from NHS Survey 428
FIGURE 12.3 Shewhart Charts for One Question from Patient Satisfaction
Survey431
FIGURE 12.4 Patient Satisfaction Data Summarized with Multiple Negative
Replies434
FIGURE 12.5 Patient Satisfaction Percentile Ranking 435
FIGURE 12.6 Pareto Chart of Types of Patient Complaints 436
FIGURE 12.7 Small Multiples of Patient Satisfaction Data 437
FIGURE 12.8 Pareto Chart of Clinic Patient Feedback 439
 FIGURES, TABLES, AND EXHIBITS xxi

FIGURE 12.9 Clinic Patient Feedback Shewhart Charts for Three Areas
of Focus 441
FIGURE 12.10 Scatterplots for Three Areas of Focus 441
FIGURE 12.11 Shewhart Chart of Willingness to Recommend the Clinic 442
FIGURE 12.12 Xbar S Chart of Average Self-Reported Patient Pain
Assessment443
FIGURE 12.13 P Chart Summarizing Patient Feedback Regarding Pain 444
FIGURE 12.14 Employee Feedback Upon Exit Interview 445
FIGURE 12.15 Importance and Satisfaction Matrix 446
FIGURE 12.16 Using an Interim of Surrogate Measure to Avoid Lag Time 448
FIGURE 12.17 Data Not Used When Treating Continuous Data as
Classification449
FIGURE 13.1 Tabular VOM Using Green, Yellow, and Red Formatting 456
FIGURE 13.2 Shewhart Chart of Safety Error Rate 457
FIGURE 13.3 Percentage of Perfect Care Displayed on a Shewhart Chart 458
FIGURE 13.4 Shewhart Chart of Percentage of Areas Meeting Appoint-
ment Goal 459
FIGURE 13.5 Infection Rate Data Color-Coded Monthly 460
FIGURE 13.6 Average Physician Satisfaction 461
FIGURE 13.7 Appropriate Display of VOM 462
FIGURE 13.8 Graph with Appropriate Space for Future Data 465
FIGURE 13.9 Graph with Excessive Number of Data Points 466
FIGURE 13.10 Graph Updated to Provide More Readable Number of Data
Points467
FIGURE 13.11 Graph with Historical Data Summarized 467
FIGURE 14.1 Example of Typical Epidemiological Curve with Four
Epochs478
FIGURE 14.2 Example of Hybrid Shewhart Chart for Epidemic Data 478
FIGURE 14.3 Initial C Charts for COVID-19 Deaths in Three Countries 480
FIGURE 14.4 C Chart of COVID-19 Deaths for Maine (First Half of 2021) 481
FIGURE 14.5 Initial Attempt at Charts for Epoch 2 482
FIGURE 14.6 Charts for Epoch 2 Based on Log-Regression I Charts 483
FIGURE 14.7 Hybrid Shewhart Chart for COVID-19 Daily Deaths 484
FIGURE 14.8 Chart for COVID-19 Daily Deaths Showing End of
Epoch 2 485
FIGURE 14.9 Chart of US COVID-19 Daily Deaths Showing Epoch 3
Chart486
FIGURE 14.10 Italy Daily COVID-19 Deaths Showing Epoch 4
Chart486
FIGURE 14.11 Bar Chart Showing Variation in Reporting COVID-19
Deaths by Day of the Week 488
FIGURE 14.12 Comparison of Raw Data and Adjusted Data on the Hybrid
Shewhart Charts 489
FIGURE 14.13 COVID-19 Daily Reported Deaths and Cases for the
United Kingdom 490
FIGURE 14.14 Family of Measures for COVID-19 from Ireland (March
2020 to July 2021) 491
xxii FIGURES, TABLES, AND EXHIBITS

FIGURE 14.15 Family of Measures for COVID-19 from Ireland (Recent

Ninety Days) 492
FIGURE 15A.1 Baseline Data for Clinic Access Project 496
FIGURE 15A.2 24-Week Data for Clinic Access Project 499
FIGURE 15A.3 Urology Services Regional Demand Versus Capacity 501
FIGURE 15A.4 One Year Data for Clinic Access Project 502
FIGURE 15B.1 Significant Revisions Project: P Chart for Significant
Revisions in Reading Films 505
FIGURE 15B.2 Turnaround Time Project: Xbar S Chart for Turnaround
Times for Routine X-Rays 505
FIGURE 15B.3 Start Time Project: Xbar S Chart for Procedure Start Times
(Actual-Scheduled)506
FIGURE 15B.4 Scatterplot of Revisions and Turnaround Time and Revisions 507
FIGURE 15B.5 Significant Revisions Project: T Chart for Days between
Significant Revisions 508
FIGURE 15B.6 Significant Revisions Project: G Chart for Films between
Significant Revisions 509
FIGURE 15B.7 Significant Revisions Project: Updated G Chart for Revisions 510
FIGURE 15B.8 Turnaround Time Project: Xbar S Charts for Turnaround
Times for Routine X-Rays 510
FIGURE 15B.9 Turnaround Time Project: Frequency Plot for Turnaround
Times after Change 511
FIGURE 15B.10 Start Time Project: Updated Xbar S Chart for CT Scan
Start Times 512
FIGURE 15C.1 Shewhart Chart of Post CABG Infection Rate Prior
to Improvement Project 516
FIGURE 15C.2 Shewhart Chart of CABG Infection Data after Testing
New Glucose Protocol 517
FIGURE 15C.3 Shewhart Chart of CABG Infection Data after Protocol
with Trial Limits 518
FIGURE 15C.4 Shewhart Chart of CABG Infection Rate after New Protocol
Stratified by Hospital 519
FIGURE 15C.5 Stratified Histograms: Common Versus Special Cause Time
Frames521
FIGURE 15C.6 Shewhart Chart of CABG Infection Data after Protocol
Subgrouped by Physician 523
FIGURE 15C.7 CABG Infection Rates after Intervention with Physician E 524
FIGURE 15C.8 Shewhart Chart of CABG Infection Rate Post Protocol—
Sustained Improvement 525
FIGURE 15D.1 The Drill Down Pathway 527
FIGURE 15D.2 P Chart of Aggregate Percentage of C-Section Deliveries 529
FIGURE 15D.3 Percentage of C-Section Stratified and Sequenced
by Physician 530
FIGURE 15D.4 Percentage of C-Sections by Physician with Special Cause
Removed531
FIGURE 15D.5 Shewhart Chart for Each Physician of Percentage
of C-Section 532
 FIGURES, TABLES, AND EXHIBITS xxiii

FIGURE 15D.6 Pareto Chart of Documented Factors Associated

with C-Sections 533
FIGURE 15D.7 Monthly Versus Quarterly Aggregate Percentage of C-Section 535
FIGURE 15E.1 Xbar S Chart for Length of Stay Outcome Measure 538
FIGURE 15E.2 Xbar S Chart for Cost Outcome Measure 539
FIGURE 15E.3 Balancing Measures: Complications and Readmissions 540
FIGURE 15E.4 Scatterplot of Length of Stay and Total Cost 541
FIGURE 15E.5 Funnel Plots (U Charts) for Surgical Complications
and Readmissions 542
FIGURE 15E.6 Funnel Plot for Length of Stay Sub-grouped by Surgeon 542
FIGURE 15E.7 Length of Stay Subgrouped by Gender and Month 543
FIGURE 15E.8 Length of Stay Subgrouped by Race and Quarter 544
FIGURE 15E.9 Length of Stay Subgrouped by Day of the Week and Quarter 544
FIGURE 15E.10 Xbar S Chart for LOS with Limits Extended for
Factorial Test 547
FIGURE 15E.11 Analysis of Factorial Study 548
FIGURE 15E.12 Xbar S Chart for LOS with Limits Extended from
February, 2020 549
FIGURE 15E.13 Xbar S Chart for Total Cost with Limits Extended from
February, 2020549
FIGURE 15E.14 U Charts for Complications and Readmissions with
Extended Limits550
FIGURE 15F.1 P Chart of Monthly CHF Patient Admissions 553
FIGURE 15F.2 Funnel Plot of Hospitals Admitting CHF Patients
2018–2019553
FIGURE 15F.3 P Chart of Hospital Admissions for CHF with Special
Cause555
FIGURE 15F.4 P Chart of Hospital Admissions for CHF with Updated
Limits556
FIGURE 15F.5 P Chart of Hospital Admissions for CHF One Year Post
Improvement557
FIGURE 15G.1 The Drill Down Pathway 559
FIGURE 15G.2 Aggregate APL Rate per Surgery 562
FIGURE 15G.3 Aggregate APL Rate per Surgery with Special Cause Data
Excluded563
FIGURE 15G.4 APL Rate Disaggregated by Site 563
FIGURE 15G.5 Separate Shewhart Charts of APL Rate for Each Site 564
FIGURE 15G.6 Rational Subgrouping Scheduled Versus Emergency
Surgery APL Rate 565
FIGURE 15G.7 Rational Subgrouping Laparoscopic Versus Open Surgery
APL Rate 566
FIGURE 15H.1 P Charts of Outcome Measures 569
FIGURE 15H.2 Telemedicine Data Charted Weekly Rather than Monthly 571
FIGURE 15H.3 P’ Charts of Outcome Data 571
FIGURE 15H.4 Percentage of No Shows with Special Cause Data Ghosted 572
FIGURE 15H.5 Percentage of Failed Calls by Service 573
FIGURE 15H.6 Percentage of Failed Calls from Internal Medicine
by Provider 574
xxiv FIGURES, TABLES, AND EXHIBITS

FIGURE 15H.7  ercentage of Failed by Calls Zip Code

P 576
FIGURE 15H.8 Scatterplot of SES Score and Percentage of Failed Calls by
Zip Code 577
FIGURE 15H.9 Percentage of Failed Calls by Age Group 579
FIGURE 15H.10 Daily Percentage of Failed Calls Used in PDSA Test Cycle 580
FIGURE 15H.11 Daily Percentage of No Shows Used in PDSA Test Cycle 581
FIGURE 15H.12   Telemedicine Family of Measures 582
FIGURE 15I.1 Run Chart of Pneumonia Charges over Time (All
Physicians in Practice) 583
FIGURE 15I.2 I Chart of Pneumonia Charges over Time (All
Physicians in Practice) 584
FIGURE 15I.3 I Chart of Pneumonia Charges Reordered by Physician
Experience585
FIGURE 15I.4 Xbar S Chart for Pneumonia Charges Ordered by
Date of Diagnosis 586
FIGURE 15I.5 Xbar S Chart for Pneumonia Charges—Subgrouped by
Physician587
FIGURE 15I.6 Scatterplot for Pneumonia Charges and Length of Stay
in Days 588
FIGURE 15I.7 Run Chart for Charges per Day 589
FIGURE 15I.8 Xbar and S Charts for Charges per Hospital Day 590
FIGURE 15I.9 Xbar S Charts (Funnel Plot) for Charges per Day
by Physician 591
FIGURE 15I.10 Scatterplots for Comorbidities versus Days and Charges 592

TABLES

Table 1.1 Overview of Methods for Improvement 13

Table 1.2 Overview of Tools for Improvement 14
Table 1.3 Initial Team Plan for PDSA Cycles 23
Table 1.4 Some Additional Plans for PDSA Cycles 25
Table 2.1 Data for Improvement, Accountability, Research 29
Table 2.2 Useful Characteristics When Developing Measurement for
Improvement31
Table 2.3 Traditional Data Typologies 39
Table 2.4 Traditional Data Categories with Science of Improvement
Categories39
Table 2.5 Forms of Data 41
Table 2.6 Outcome, Process, and Balancing Measures 42
Table 2.7 Dimensions of System Performance 42
Table 2.8 FOM Including Outcome, Process, and Balancing Measures 45
Table 2.9 IOM’s Six Dimensions of Care 46
Table 2.10 Operational Definition Percentage of Residents Experiencing
One or More Falls with Major Injury (Long Stay)1 (NQF: 0674)
(CMS ID: N013.01) 48
Table 2.11 Asthma Severity Operational Definition 48
Table 2.12 Examples of Enumerative and Analytic Studies 53
 FIGURES, TABLES, AND EXHIBITS xxv

Table 2.13 Judgment Sampling Data Collection Strategy 57

Table 2.14 Deciding the Scale of a Test 60
Table 2.15 Number of Falls 65
Table 2.16 Data for Rate of Falls 65
Table 2.17 Examples of Useful Ratios 67
Table 2.18 Wait Time and Satisfaction Data from Four Clinics 73
Table 3.1 Run Chart Data 79
Table 3.2 Percentage of On-Time Appointments in Clinic by Month 82
Table 3.3 Method 1: Run Chart Data Reordered and Median Determined 83
Table 3.4 Runs Rule Guidance—Table Checking for Too Many or
Too Few Runs on a Run Chart 92
Table 3.5 Data for Percentage of Unplanned Returns to OR 112
Table 3.6 Harm Rate Data for Multi-Vari Chart 116
Table 3.7 Patient Satisfaction CUSUM Using Process Average as Target 118
Table 4.1 Balancing the Mistakes Made in Attempts to Improve 134
Table 5.1 Applications of Shewhart Charts for Continuous Data in
Health Care 163
Table 5.2 Five Types of Attribute Shewhart Charts 177
Table 5.3 Minimum Subgroup Size for an Effective P Chart 178
Table 5.4 Examples of Common P Chart Applications in Health Care 181
Table 5.5 Example of Area of Opportunity for Count Data 188
Table 5.6 Applications of a C Chart and U Chart 189
Table 5.7 Data on Number of ADEs by Month 194
Table 5.8 Data on Infections From ICU 200
Table 5.9 Methods Used to Obtain Limits Based Solely on Common
Cause212
Table 6.1 Paired Samples for a Scatterplot 251
Table 7.1 Characteristics to Consider When Selecting SPC Software 283
Table 8.1 Symbols Used with NP Charts 301
Table 8.2 Symbols and Factors Used with Xbar and R Charts 303
Table 8.3 Symbols Used with Median Charts 305
Table 8.4 Symbols Used with P’ or U’ Charts 309
Table 8.5 Symbols Used with Negative Binomial Charts 314
Table 8.6 Example of Calculated MAs of Three and Five 318
Table 8.7 Factors Used with MA Chart 318
Table 8.8 Calculation of CUSUM Statistic and Limits 325
Table 8.9 Creating Standardized Statistics for Shewhart Charts with
Variable Limits 332
Table 8.10 Monthly Hospital System Financial Data ($ Million Units) for
Four Years 336
Table 9.1 Average Deviations from Centerline (Month Average – CL) for
Each Month 346
Table 10.1 Clinical Quality Measures Comparative Summary 376
Table 10.2 Excerpt from Long-Term Care Report Card 377
Table 10.3 Excerpt from Medical Center Balanced Scorecard 378
Table 10.4 Aggregate Monthly ADE Data 386
Table 10.5 Initial Drill Down Log for Aggregate ADE Data 386
Table 10.6 Completed Drill Down Log for Aggregate ADE Data 387

fbetw.indd 25 13-05-2022 12:44:04

xxvi FIGURES, TABLES, AND EXHIBITS

Table 10.7 Initial Drill Down Log for Disaggregation by Unit on One
Chart388
Table 10.8 ADE Data Disaggregated for Eight Hospitals and Subgrouped
by Quarter 388
Table 10.9 Completed Drill Down Log for Disaggregation by Unit on
One Chart 389
Table 10.10 Initial Drill Down Log Studying Special Cause Units 390
Table 10.11 Completed Drill Down Log Studying Special Cause Units 391
Table 10.12 Initial Drill down Log with Each Unit on Separate Chart 392
Table 10.13 Completed Drill Down Log with Each Unit on Separate Chart 393
Table 10.14 Initial Drill Down Log Rationally Subgrouping Aggregate
Data by Day of Week 394
Table 10.15 Completed Drill Down Log Rationally Subgrouping Aggregate
Data by Day of Week 394
Table 10.16 Initial Drill Down Log Rationally Subgrouping Aggregate
Data by Shift 395
Table 10.17 Completed Drill Down Log Rationally Subgrouping
Aggregate Data by Shift 395
Table 10.18 Initial Drill Down Log by Unit Rationally Subgrouping Shift 396
Table 10.19 Completed Drill Down Log by Unit Rationally Subgrouping
by Shift 397
Table 10.20 Initial Drill Down Log Studying Medications Related
to ADEs 398
Table 10.21 Completed Drill Down Log Studying Medications Related
to ADEs 398
Table 10.22 Initial Drill Down Log Studying Common Factors Related
to ADEs 399
Table 10.23 Completed Drill Down Log Studying Common Factors
Related to ADEs 399
Table 12.1 Summary Statistics, Issues, and Tools Used with Patient
Satisfaction Data 429
Table 12.2 Shewhart Charts for One Question from Patient Satisfaction
Survey433
Table 12.3 Mankoski Pain Scale 443
Table 13.1 A Summary of Some of the Categories Used to Develop
a VOM 454
Table 13.2 Concepts for Measures of a System from Different
Perspectives455
Table 13.3 WSM 2.0: Measures to Assess Health System
Performance on the Triple Aim 472
Table 15.1 Summary of Use of Tools and Methods to Learn
from Variation in the Case Studies 494
Table 15C.1 Post CABG Infection Rate Data Prior to Improvement
Project514
Table 15C.2 CABG Infection Data After Glucose Protocol Testing 516
Table 15C.3 CABG Infection Data after New Protocol Stratified
by Hospital 519
 FIGURES, TABLES, AND EXHIBITS xxvii

Table 15C.4 CABG Infection Data after Protocol Subgrouped

by Physician 522
Table 15C.5 CABG Infection Rates after New Protocol by Physician
with Additional Data 524
Table 15D.1 C-Section Data 528
Table 15E.1 Format of Database for Surgery Team 538
Table 15E.2 Study Design for 3-Factor PDSA Test 546
Table 15F.1 Baseline Data for Hospital Admissions for Current CHF
Patients from the Health Plan 552
Table 15G.1 Clinical Quality Measures Comparative Summary 558
Table 15G.2 APL Data Monthly 560
Table 15I.1 Data for Comorbidities versus Days and Charges 592

EXHIBITS

EXHIBIT 1.1 Documentation for Initial Self-Management PDSA Cycle 24

EXHIBIT 2.1 Operational Definition Aspirin at Arrival 49
EXHIBIT 3.1 Constructing a Run Chart 81
EXHIBIT 3.2 On-Time Appointments: Run Chart Example 82
 PREFACE

WHO IS THIS BOOK FOR?

This book is designed for those who want to use data to help improve health
care. Specifically, this book focuses on deepening skills related to using data
for improvement. Our goal is to help those working in health care to make
improvements more readily and have greater confidence that their changes
truly are improvements. Using data for improvement is a challenge and source
of frustration to many. The book is designed to meet this challenge and alleviate
frustration.
This book is a good companion to The Improvement Guide: A Practical Approach
to Enhancing Organizational Performance, 2nd Edition, Langley and others (Jossey-
Bass, 2009), which provides a complete guide to improvement. Our Chapter 1
summarizes the key content from The Improvement Guide and specific references
to The Improvement Guide are made throughout this book.
If any of these questions sound familiar, then this book is for you:
● How many measures should I be using with improvement projects?
● What kind of measures do I need? Why should I have outcome, process, and
balancing measures for an improvement project?
● What methods do I use to analyze and display my data? How do I choose the
correct chart?
● How can I better interpret data from my individual patients?
● How do I know that changes I’ve made are improvements? Do I need to use
research methods for improvement projects?
● Why don’t I just look at aggregated data before and after my change? Why use
a run or Shewhart chart?
● How do I choose the correct Shewhart chart? How do I interpret it? Where do
the limits come from? How do I make limits?
● What are 3-sigma limits? Are they different from confidence intervals?
● When do I create and then revise limits on Shewhart control charts?
● I work with rare events (such as infections, falls, or pressure ulcers). What
graphs do I use?
● My data are impacted seasonally. How do I display them appropriately?
● I work with huge databases. How do I use Shewhart charts wisely when working
with such large amounts of data?
● How do we learn from patient satisfaction data?
● How do we better understand data from an epidemic?
● How do I best display key organizational measures for the board and other
senior leaders?
xxx PREFACE

WHAT HAS CHANGED IN THIS SECOND EDITION?

In this edition we’ve expanded what we consider to be the “basic” Shewhart charts
for health care from five to seven charts, now including the G and the T charts for
rare events among the basic Shewhart charts most often used in health care. We’ve
also clarified the rules for detecting special cause as well as increased guidance
related to when to make and revise limits on Shewhart charts. We’ve provided
many more examples of rational subgrouping and vastly increased examples of
the funnel plot. We have also increased our emphasis on adequate testing prior to
implementation throughout the book.
This second edition places more emphasis on learning from special
causes in baseline or monitoring data in Chapter 4. With the growing under-
standing of disparities in health care we’ve included Shewhart charts and a
variety of other tools in parts of this text delving into some of these dispar-
ities. In the last ten years there has been an exponential increase in the use of
Shewhart charts in research studies and in health care publications. Chapter
5 references many of these publications using Shewhart charts. Chapter 7
discusses both of these topics and references many articles. In Chapter 7 we’ve
greatly expanded guidance for creating great graphical displays of data. Chapter 7
also addresses the futility of using statistical inference with data for improvement
(analytic studies). Health care has also increasingly embraced CUSUM (cumulative
sum) control charts in order to detect very small, but crucial, improvements that
may be missed by other Shewhart-type charts. In Chapter 8, we have substantially
increased examples, guidance, and references for the use of CUSUM charts.
Chapter 14 is an exciting new chapter illustrating the use of Shewhart charts
to learn from epidemic data motivated by the COVID-19 pandemic. We’ve also
added a separate chapter, Chapter 6, on other tools used to learn from health care
data for improvement. This chapter emphasizes how these tools both depend on
and support the use of Shewhart charts with many practical examples. In addition,
two new case studies are included in chapter 15. Case Study E studies length of stay
for surgical patients and illustrates the use of the Xbar S chart for continuous data,
rational subgrouping, the use of funnel plots, and a PDSA (plan–do–study–act)
study design using planned experimentation. Case Study H, a telemedicine study,
provides an example of working with data with very large subgroup sizes (exhibit-
ing overdispersion), rational subgrouping, the use of P and P’ charts, the use of
funnel limits, and the value of using daily data in a PDSA cycle testing a change.

WHY ARE WE WRITING THIS BOOK?

Right now skills related to using data for improvement vary widely in those working
to improve health care. We find that, in general, most people are unaware of the
difference between approaches to data when it is used for improvement, for account-
ability, or for research. This lack of clarity leads to well-intentioned professionals
working at cross purposes. It inhibits effective action, results in the selection of the
incorrect analysis tool, sampling issues, incorrect analysis, and incorrect conclu-
sions related to improvement work. Also, information on the use of some advanced
methods that are needed with health care data is not readily available to improvers.
 PREFACE xxxi

WHAT IS THE BOOK ABOUT?

This book is about using methods and tools, which some people call Statistical Pro-
cess Control (SPC), to improve health care. SPC is a philosophy, a strategy, and a
set of methods for ongoing improvement of processes and systems to yield better
outcomes. SPC is data based and has its foundation in Walter Shewhart’s theory of
variation (differentiating between common and special causes of variation in data)
and in W. Edwards Deming’s theory of analytic studies. Deming contrasted analytic
studies, which focus on prediction, to enumerative studies focused on estimation.
SPC inherently uses concepts, assumptions, and tools related to analytic, rather
than enumerative, studies.
We use SPC to evaluate current process performance, search for ideas for
improvement, tell if our changes have resulted in evidence of improvement, and
track implementation efforts to document sustainability of the improvement. SPC
includes a focus on processes, stratification, rational subgrouping, and methods
to predict future performance of processes such as stability and capability analy-
sis. SPC incorporates measurement, data collection methods, and planned exper-
imentation. Graphical methods, such as Shewhart charts, run charts, frequency
plots, Pareto analysis, and scatterplots are the primary data-based tools used in
SPC. The use of SPC in health care requires new thought processes as well as
new methods.1
What is not included in the book? The book does not attempt to be a
stand-alone guide to improving health care, but rather focuses on the use of
data in improvement. The Improvement Guide, mentioned earlier, provides a
more complete description of all aspects of improvement, but with less detail
on the methods to learn from data. The important aspects of teamwork and
leadership for improvement are also described in other texts.2 Our Chapter
13 does discuss the use of Shewhart charts with “scorecards” in leadership and
administration.

HOW IS THE BOOK ORGANIZED?

The chapters in the book are organized to allow readers to access the material
that best meets their needs. Part I (Chapters 1–7), provides a review of both ba-
sic improvement and basic SPC theory and practice. Chapter 1 is an overview of
the improvement process that puts the use of data into perspective and sets up
the rest of the book. Chapter 2 provides the fundamentals of data for improve-
ment. Chapter 3 is stand-alone material that presents the latest approaches to
using and analyzing run charts in improvement projects. This material was not
available to health care improvers before the first edition of this book. Chapter 4

1
Mohammed, M. A. “Using Statistical Process Control to Improve the Quality of Health Care.” Quality
and Safety in Health Care, 2004, 13, 243–245.
Berwick, Donald M. “Controlling Variation in Health Care: A Consultation with Walter
Shewhart,” Medical Care, December, 1991, 29 (12), 1212–1225.
2
For example, API-Austin, Quality as a Business Strategy, 1998, API-Austin, Austin, TX.
xxxii PREFACE

presents Shewhart’s theory and the fundamentals of using Shewhart control

charts. Chapters 5 fully develops Shewhart’s method of control charts. Chapter
6 explores the use of other tools including frequency plots, Pareto charts,
scatterplots, and radar diagrams. Chapter 7 details best practice in graphical
display of our charts. The authors have tried to correct numerous misunder-
standings and misinformation related to using data for improvement they have
experienced in their consulting practices. The reader interested in a thorough
treatment of learning from data in health care improvement will find it in this
part of the book.
Part II (Chapters 8–10) addresses more advanced material that the authors
feel has not been completely presented in their own or other publications. This
part of the book discusses the more advanced Shewhart charts that are useful
in health care applications. Situations that arise in health care data like varying
targets, highly skewed data, seasonality, autocorrelation, very large sample sizes,
case-mix adjustment, and other issues are discussed in Chapters 8 and 9.
A “Drill Down Approach” for using highly aggregated data in improvement
work is presented in Chapter 10. The experienced user of this book will go
directly to these chapters to find how to deal with the special issues they are
facing with their data.
Part III (Chapters 11–15) looks at applications of Shewhart charts in differ-
ent health care environments. Clinicians might want to start reading of this sec-
tion of the book in Chapter 11, which is about using run charts and Shewhart
charts for data from individual patients. Those readers, whose work focuses on
patient feedback data, might explore Chapter 12 to learn how to summarize,
analyze, and report patient reported data. Leaders of improvement in organiza-
tions may want to focus on Chapter 13 to explore using Shewhart charts in health
care administration and leadership. Chapter 14 summarizes recent new methods
for using Shewhart’s theory to better understand pandemic and epidemic data.
Chapter 15 contains a series of case studies dealing with specific health care sit-
uations that illustrate the appropriate applications of the theory and methods
discussed in the book. These case studies offer an interactive way for the user
to evaluate their knowledge and skills and also provide an opportunity for the
reader to develop additional skill and confidence in displaying and interpreting
data in a meaningful way. Some readers may want to begin their interaction with
this section of the book by finding a health care application they are interested
in and explore that case study in Chapter 15.
In addition to the material presented in the book, we have made extensive use
of references in footnotes throughout the book. For the data methods and tools,
we have tried to include the basic source reference where the concept or method
was first presented in the quality improvement literature. Our presentation of
the methods strives to stay true to the theory and philosophy of these original
authors. These classic references are usually focused on industrial applications, so
we have also included recent references in the health care literature that illustrate
applications in health care. These references will allow the reader to explore any
of the topics presented in the book in further depth and see how other health
care improvers are using the methods.
 PREFACE xxxiii

ACKNOWLEDGMENTS

Most of our consulting and teaching work during the last thirty years has been
with health care organizations. We learned to effectively work with all types of data
that is generated from health care processes. Many people have helped us develop
the approaches and examples presented in the book. We especially thank our cli-
ents for their willingness to test the new material and try the methods in their
improvement work.
Our colleagues with Associates in Process Improvement (API), and The
Institute for Healthcare Improvement (IHI) have been supportive and provided
feedback as they used this material in their teaching and consulting. The first
drafts of some of the chapters came from materials developed by API. The
reviewers of the manuscript provided insights and guidance to help us complete
the final package.
We thank our families for their patience and support. We can finally answer
their common question: “When are you going to finish that book?”
 THE AUTHORS

LLOYD PROVOST

Lloyd Provost is a statistician, advisor, teacher, and author who helps organiza-
tions make improvements and foster continuous learning and improvement. He
consults and advises through Associates in Process Improvement. His experience
includes consulting in data analysis, planning, management systems, planned
experimentation, measurement, and other methods for improvement of quality
and productivity. He has consulted with clients worldwide in a variety of industries
including health care, chemical, manufacturing, engineering, construction, auto-
motive, electronics, food, transportation, professional services, retail, education,
and government. Most of his current work is focused on health care improvement
in the United States and around the world.
Lloyd has a B.S. in Statistics from the University of Tennessee and an M.S. in
Statistics from the University of Florida. He is the author of several papers relating
to improvement and co-author of a book on planned experimentation (Quality
Improvement Through Planned Experimentation, 3rd edition McGraw-Hill, 2012) and
the Model for Improvement (The Improvement Guide: A Practical Approach to Enhanc-
ing Organizational Performance, 2nd edition Jossey-Bass, 2009). He was awarded the
American Society for Quality’s Deming Medal in 2003.

Lloyd P. Provost
Associates in Process Improvement
2000 Red Hawk Road
Wimberley, Texas, 27656

SANDRA K. MURRAY

Sandra Murray is a principle in Corporate Transformation Concepts, an

independent consulting firm formed in 1994. She is an improvement advisor and
teacher focusing all of her work in health care. Sandra has extensive background
in both quality improvement theory and practice. She concentrates her work in
the areas of effectively using process improvement methods to get and sustain
results in health care organizations both nationally and internationally. Sandra has
developed and taught numerous courses related to the science of improvement.
Sandra has a B.S. in Dietetics and Institution Management from Oregon State
University and an M.A. in Management from Webster University, Missouri. Sandra
has been an Improvement Advisor with the Institute for Healthcare Improvement
(IHI) from 2002 to 2017. She has worked with IHI’s Patient Safety efforts, has
xxxvi THE AUTHORS

been faculty for IHI’s Breakthrough Series College as well as director and faculty
for IHI’s year-long Improvement Advisor Professional Development Program.
Sandra is the author of two video products on using data for improvement in
health care, co-editor of a book related to tools for using data for improvement
and co-author of articles related to improvement science.

Sandra K. Murray
Corporate Transformation Concepts
289 Harvey Ave.
Eugene, OR 97404
 ABOUT THE COMPANION WEBSITE

This book is accompanied by a companion website.

www.wiley.com/go/provost/healthcaredata2e
This website includes the following instructor resources:

● Test Banks
● PowerPoint slides
 PART

U S I N G D ATA F O R
IMPROVEMENT
 CHAPTER 1

IM PROVEM E NT M E T HOD OLOGY

This book is about using data to improve health and health care1 and this chapter,
a summary of The Improvement Guide,2 describes approaches and methods used to
make improvements. It provides a backdrop, setting the stage for understanding
and contextualizing the rest of the book. This chapter will:

● Describe the Model for Improvement

● Illustrate use of the Plan–Do–Study–Act (PDSA) cycle for testing and imple-
menting changes
● Introduce graphical methods to learn from data
● Describe a typical health care improvement project
● Enumerate the methods and tools used to support improvement

How do we make improvements? Historically people have used a trial-and-

error approach to improving all aspects of their lives. Typically, an idea for an
improvement (a change) comes to someone. These ideas are often reactions to
problems or difficulties that we all face in life and in our work. So, we make the
change and then see whether the situation improves. Sometimes we also check to
see if anyone complains or if something else stops working because of the change
that we made. Because of its sporadic track record on real, sustainable improve-
ment, this natural trial-and-error approach has often been criticized as “jumping
to solutions” without sufficient study.
As a response to this criticism, some improvement specialists have turned to
extensive study of the problem before a change or trial is attempted. Sometimes
this approach leads to a better track record on making sustained improvements,
but more often it can lead to never actually making changes. The p ­ erson with the
problem gets bogged down in the study, “paralysis by analysis” sets in, or other
problems begin to take priority. Many health care professionals are trained in
research methods with strict protocols, rigid data requirements, and large sample
sizes. When they begin work on improvement projects, they naturally bring this
training to the project. How do we find the balance between the goals of formal

1
Institute of Medicine, Crossing the Quality Chasm: A New Health System for the 21st Century, Washington,
D.C.: National Academy Press, 2001.
2
Langley, J, et al, The Improvement Guide: A Practical Approach to Enhancing Organizational Performance,
2nd ed., San Francisco, Jossey-Bass, 2009.

The Health Care Data Guide: Learning from Data for Improvement, Second Edition.
Lloyd P. Provost and Sandra K. Murray.
© 2022 John Wiley & Sons, Inc. Published 2022 by John Wiley & Sons, Inc.
Companion Website: www.wiley.com/go/provost/healthcaredata2e
 4 THE HEALTH CARE DATA GUIDE

clinical research and the natural learning and improvement from daily work in
health care? How do we obtain a balance between the trial-and-error approach
and extensive study that may never lead to action?
This chapter presents a Model for Improvement3 that attempts to provide
that balance. The model provides a framework for developing, testing, and imple-
menting changes that lead to improvement. The model can be applied to improv-
ing aspects of one’s personal endeavors, as well as the improvement of processes,
products, and services in health care organizations. The model attempts to balance
the desire and rewards from taking action with the wisdom of careful study before
taking action. The use of data in this book will frequently be connected to an
individual or an improvement team that is using the Model for Improvement to
guide their learning and execution.4

FUNDAMENTAL QUESTIONS FOR IMPROVEMENT

The Model for Improvement is based on three fundamental questions:

● What are we trying to accomplish?

● How will we know that a change is an improvement?
● What changes can we make that will result in improvement?

The model is also based on a “cycle” for learning and improvement. Variants of
this improvement cycle have been called the Shewhart cycle, Deming cycle, and
PDSA cycle. The cycle promotes a trial-and-learning approach to improvement
efforts. The cycle is used for learning, to develop changes, to test changes, and to
implement changes. Figure 1.1 contains a diagram of the basic form of the model.

FIGURE 1.1 Model for Improvement

Ibid.
3

4
Shaughnessy, E., et al. “Quality Improvement Feature Series Article 1: Introduction to Quality
Improvement,” Journal of the Pediatric Infectious Diseases Society, 2018, 7(1), 6–10.
 Improvement Methodology 5

Why are we promoting the use of this particular approach to improvement?

Our experience with the Model for Improvement since its development in the
1980s shows that it:

● Is useful for both process and product improvement

● Is applicable to all types of organizations
● Is applicable to all groups and levels in an organization
● Facilitates the use of teamwork to make improvements
● Provides a framework for the application of tools and methods
● Encourages planning to be based on theory
● Emphasizes and encourages the iterative learning process
● Provides a way to empower people in the organization to take action

This framework is compared to other frameworks used in quality improvement

(such as Six Sigma’s DMAIC) in Appendix C of The Improvement Guide.5 Using the
Model for Improvement framework is not the same as “project planning” or “project
management.” These approaches are usually centered around managing resources
to implement already well-known changes to meet specific goals and deadlines.
While this is an important aspect for improvement, the Model for Improvement
focuses more on learning which changes will work, as this is not yet known, then
applying that learning. Various degrees of project management (depending on
the complexity of the work) can be useful to support a team using the Model for
Improvement to frame their work. The use of the Model for Improvement begins
with trying to answer the three basic questions.

What Are We Trying to Accomplish?

Before starting to develop any ideas for change, or test or implement changes, par-
ticipants and other stakeholders in the improvement effort need to agree on what
is to be accomplished. The use of a well-written aim statement can be an effective
tool for answering the first question in the Model for Improvement. If there is not
a common understanding between people who are depending on the aim state-
ment for guidance, then individuals will naturally try to fill the void of understand-
ing with their personal view of what is to be accomplished. These well-intentioned
efforts usually lead to misunderstandings—during team meetings and other activ-
ities—that will not achieve the intended goals, ultimately resulting in wasted time,
resources, and frustration for everyone involved. The written aim can be a formal
document (sometimes called a charter) from a hospital’s strategic planning pro-
cess or it can be a statement written on the whiteboard by a group of nurses and
physicians working towards effective care of their patients.
Why take the time to develop an aim statement for an improvement effort? A
statement of the aim:

● Provides leaders a mechanism to think through all aspects of the proposed effort
● Aids in selection of the team to make the improvements
● Reduces variation in activities from the original purpose
● Helps in the selection of particular processes or products for study
● Empowers individuals to make changes in health care systems
● Clarifies the magnitude of improvement expected from this project
● Defines the time frame for the improvement work

5
Langley et al, The Improvement Guide, Appendix C.
6 THE HEALTH CARE DATA GUIDE

A well-thought-out aim statement will aid in the selection of team members.

Individuals or teams can complete improvement efforts. In many health care
organizations, teams composed of two to seven people are given assignments to
make improvements. The members of the team should be selected from those
who are knowledgeable about the processes or services that are likely to be stud-
ied, or who have a stake in their performance. The aim statement guides team
selection.
Without a clear aim statement, it will be easy for a team to become sidetracked
and work in areas that are only of minor relevance to the original purpose of the
improvement activities. The team will also struggle with an appropriate scope
for the improvement activities. The aim statement will help the team focus its
efforts and reduce unwanted variations from the original purpose. Good aim
statements are clear, concise, and results oriented. They should be aligned with
the goals of the organization sponsoring the improvement to clarify why the
work is being done. Teams make better progress when they have unambiguous,
specific aims.
Setting numerical targets can further define the intent of the charter, cre-
ate the will for change, and help focus measurements used in the improvement
effort. Numerical goals can also be abused and lead to bad practices, so those
providing a goal should convince the team that the goals are feasible by:

● Providing the level of support and resources that will be required to achieve the
goals
● Observing other organizations that have made similar accomplishments
● Providing some ideas that could feasibly result in achieving the goals
● Demonstrating the benefit to the organization if the goals could be achieved

Other guidance given in the aim statement should include anything and every-
thing to keep the team focused (strategies, resources, boundaries, patient popu-
lations, time and resource constraints, and so on). The following is an example of
an aim statement for a team planning on improving care of asthma patients in
a clinic.

AIM STATEMENT

From November 2020 to April 2021, the clinic’s practice will be redesigned to obtain a 30%
increase in symptom-free days and a 50% reduction in the number of exacerbations reported for
the pilot asthma population. At least 90% of patients with persistent asthma will be treated with
maintenance anti-inflammatory medication and >80% of patients will have a completed written
action plan.
Guidance: The 400 patients with asthma in the Neighborhood Health Center will serve as
the population for this project. A registry of the asthma patients served by the center should be
developed. The clinic should initially focus on patient self-management methods and delivery sys-
tem design. All physicians in the center will participate. After April, the successful results should
be spread to other clinics in the district.
Another random document with
no related content on Scribd:
 Előrelátás dolgában az itélet többet ér az értelmességnél. Az
intelligencia elénk tárja az összes előállható lehetőségeket. Az itélet
pedig kiválasztja e lehetőségek közül azokat, amelyeknek legtöbb az
esélyük a megvalósulásra.
Az analógia azzal, hogy végleges itéletek kezdete – holott
csupán még igazolandó föltevéseket kellene megteremtenie –
kútfejévé válik gyakori tévedéseknek.
Ha a vitatkozók oly kevéssé értik meg egymást, ez azért van,
mert ugyanazokat a szavakat használják egészen különböző
eszmék kifejezésére.
Azoknak szokott legkevésbbé kritikai szellemük lenni, akiknek
megrögzött szokása a mindent-kritizálás.
A kritikai szellem egyben teremtője a haladásnak s nemzője a
nem-cselekvésnek.
A hiábavaló beszédek bősége bizonyos értelmi
alacsonyrendűség tünete.
A geniális emberekből kerül ki a nemzet értelmi nagysága, de
ritkán a hatalma.
A gondolat emberei előkészítik a tett embereit. De nem
helyettesítik őket.

6. A történelem magyarázatai.

A történelem felölel tanúságokat, alapelveket és módszereket.

Bizalmatlansággal kell lenni a tanúságok iránt, kételkedni kell az
alapelvekben s csupán a módszereket kell elfogadni.
A százalékszámon kell alapulnia a lélektani és társadalmi
megfigyeléseknek. Az elszigetelt tények semmit sem bizonyítanak;
csak viszonylagos gyakoriságuk fokát fontos tudni.
 Amidőn a történelmi materializmus elméleti emberei annyira
túlnyomó szerepet tulajdonítanak az anyagi érdekeknek, elfelejtik,
hogy ezeket az érdekeket mily hamar elsöprik a psychologiai erők,
amelyek közt mindig a leghatalmasabbak maradnak a misztikus
ösztönök.
Valamely eseménynek szabatos, de töredékes meglátása
pontatlan magyarázatokra vezet, mihelyest ugyanannak az
eseménynek más részére alkalmazzák.
Éppen azért marad a történelem oly bizonytalan, mert töredékes
meglátások általánosításaiból tevődik össze.
A történelmi könyveknek gyakran nem az események előadása a
legbiztosabb tartalma, hanem az előadóírónak eszejárása.
Az a nemzedék, amely valamely kor történelmét kovácsolja,
sohasem tudja azt megírni. Az élők csupán a holtakkal szemben
pártatlanok; velük szemben is csak egy kicsit.
A történetírók a múlt eseményeit rendesen a maguk kora
eszméin át látják. Ezért van az, hogy az emberek és elméletek,
amelyek oly népszerűek bizonyos kor előtt, oly kárhozatosak egy
másik kor szemében. VI. Sándor pápa és Borgia Cézár
rokonszenvesek voltak kortársaiknak. Machiavelli csak halála után
vált ellenszenvessé. A Szent Bertalan-éji mészárlás több országban
oly lelkesedést váltott ki, hogy érmeket vertek emlékére.
A szövegek, az érmek, emlékek módot nyujtanak a múlt vázának
visszaállítására; aki azonban nem tudja meghatározni az érzelmeket
és eszméket, amelyekből azok eredtek, mit sem tud az egész
történelemből.
A jelen a múlt szülötte s a jövő nemzője. A múlt változásainak
tanulmánya gyakran sejteti velünk a jövendő eseményeket. A holnap
a tegnap és ma kivirágzása.
Az eredetétől különválasztott történelmi tény semmire nem tanít.
 7. A magyarázatok és az okok.

A történelemben nincsenek egyszerű okok. Mindegyiket

körülveszi egész raja a láthatatlan elemeknek, amelyek
hatékonyabbak, mint a látható okok.
A primitiv észjárásnak egyik jellemvonása a jelenségeknek
egyszerű okokra való visszavezetése.
Az okok egyszerűsítő magyarázata mindig meghamisította a
történelmet. Olyas nagy események, mint a világháború, ritkán
erednek egy ember akaratából, Forrásaik mélységesek, távoliak és
változatosak. A fejedelmek elhatározása csak az okok lassú
felhalmozódása után lép működésbe.
Csak a magasabb szellemek előtt válik nyilvánvalóvá az okok
végtelen szövevényessége, az, hogy mily nehezen köthetők a már
megfigyelt hatásokhoz s mily lehetetlen a legegyszerűbb
jelenségnek, például egy kő esésének is valódi eredetét
megmagyarázni.
A történelmi jelenségek genezisében az okok számtani
haladványképen tevődnek egymásmellé, hatásaik pedig mértani
haladványképen. Ennélfogva a végtelenül apró okok is bizonyos
időpontban tekintélyes hatásokat válthatnak ki.
A tiszta ész szempontjából a világháború kezdete és kifejlése a
valószínűtlenségek valóságos kaoszát tárta elénk. Adalék lesz a
teoretikusok számára, akik még nem látták eddig tisztán, mily
gyenge szerepet játszik az ész a népek cselekedeteiben.
A filozófus szerepe nem abban áll, hogy az embereket mozgató
indítékok valódi értékét kutassa, hanem hogy megállapítsa a hatást,
amelyet ezek az indítékok gyakorolnak.
A tények magyarázatában úgy a tudós, mint a tudatlan
föltételezésekből indulnak ki. Míg azonban a hipotézis a tudós
szemében az igazolásáig, bebizonyításáig ideiglenesnek vett
egyszerű föltevés: a tudatlan számára maga a bizonyosság.
Az ellenőrzés nélkül elfogadott hipotézis soká késlelteti az
igazság fölfedezését.

8. Ami előreláthatatlan a történelemben.

A dolgok sötét akarata gyakran magasabbrendűnek látszik, mint

az embereké s le is rontja előrelátásukat. Amidőn a francia-angol
háború 1815-ben megszűnt, a két ország egy 127 évre terjedő
korszak alatt 60 éve állott egymással küzdelemben. Már-már úgy
volt, hogy a fashodai-ügy idején feltétlenül kifakad a viszály. Hogy
lehetett volna hát kitalálni, hogy a két nagy nemzet egy szép nap
egymás szövetségese lesz?
A háborúban az előre nem látott események sokkal
számosabbak voltak, mint az előrelátottak. Így például senki sem
látta előre a tartamát. Még kevésbbé lehetett megjósolni a lélektani
hibák fölhalmozódását, amelyek a világ majd minden népét
föltámasztották Németország ellen, jóllehet kiki inkább vágyott volna
megőrizni az érdekeinek jobban megfelelő semlegességet. Senki
sem sejtette a roppant Oroszország vereségét a kis japán
császársággal szemben és senki sem tehette föl, hogy a gyönge
Belgium ellentállhat a hatalmas német birodalomnak. Még kevésbbé
jósolta volna valaki, hogy Anglia és Amerika, amelyek hadsereg
nélkül állottak és mélységes ellenségei voltak a militarizmusnak,
elsőrendű katonai hatalmassággá válnak.
Valamely esemény előreláthatatlan, ha valamennyi lehetőségnek,
amelytől függ, majdnem egyforma esélye van a megvalósulásra. A
németek fölismerték, hogy a háborút lehetetlen lett volna folytatniok,
ha rögtön kezdetben el nem foglalják a Briey-medencét, amelynek a
védelme könnyű volt. A szövetségesek pedig szintén képtelenek
lettek volna a további küzdelemre, ha Amerika – amint ezt a
németek remélték – megtagadja a vas kivitelét, amire rászorultunk.
Ezek az események nyilván kisiklottak minden előrelátás elől.
Örökre megmagyarázhatatlan marad, miért nem fogta föl
Németország annak a roppant érdekét, hogy semmi áron se hozza
olyan helyzetbe az Egyesült-Államokat, hogy hadat üzenjen néki.
Lassan-lassan a szövetségesek minden aranya átfolyt volna
Amerikába és közeledett az időpont, amikor hitelük kimerülvén, nem
tudták volna beszerezni az acélt és az egyéb anyagokat, amiket
egyedül az Egyesült-Államok tudtak szállítani.
Németországnak érdekében állott megtámadni félelmetes
vetélytársát, Angliát, rárontani Franciaországra, hogy meghódítsa
gazdagságait, de az ember hiába fürkészi, mi célja lehetett
Oroszország ellen intézett támadásával; hisz annak ipara,
kereskedelme, bankjai az ő kezében voltak oly mértékig, hogy sok
német azt a birodalmat már német gyarmatnak tekintette. Az ilyen
eseményt lehetetlen megérteni, ha elhanyagoljuk a misztikus okokat.
A németek a hadüzenet előtt sok dolgot előreláttak, kivéve a
leglényegesebbeket, mint a franciák ellenállását, Anglia, Itália és
Amerika beavatkozását.
 II. RÉSZ.

CSATÁK KÖZBEN.

1. A nagy tusák lélektani eredete.

A háború közvetlen okai csak másodrangú érdekűek. A távoli

okok árjába kell merülni, hogy felfedjük a háború eredetét.
Az észszerű elemek rendesen csak kevéssé fontos szerepet
játszanak a történelmet betöltő viszályok eredetében.
Az észnek az az egyedüli szerepe, hogy szolgálja az érzelmi,
misztikus és kollektiv erőket, amelyek a nagy viszályok igazi
mozgatói.
A háború megindításában a leghatékonyabb érzelmek: a gőg, a
nagyravágyás, a bizalmatlanság és a gyűlölet.
A bizalmatlanság s még inkább a gyűlölet volt ötven év óta az
európai népek viszonyán uralkodó érzelem. Ez vezette őket olyan
fegyverkezésre, amelynek túlsága kikerülhetetlenné tette a háborút.
A világtörténelmi nagy tusakodásokat kisszámú okra lehet
visszavezetni. Ilyenek: 1. Biológiai okok: pl. az éhség ösztöne, amely
egykor a római művelődést lerontó germán betörésekre indított. 2.
Érzelmiek: pl. a féltékenység, gyű lölet, mohó vágy és különösen a
nagyratörés. A 100 éves és a 7 éves háború az ambició háborúi. 3.
Misztikusok: pl. annak a hitnek a befolyása, hogy felsőbb hatalmak
rendelik híveiknek a világ meghódítását. Ezek irányították a mozlim-
betöréseket, a keresztes hadakat, a vallásháborúkat, a 30 éves
háborút és a mostani világháborút. 4. Gazdaságiak: pl. az ipari
túltermelés, amely kereskedelmi vetélkedéseket keltett föl.
A katonai hatalom közömbösen szegődik szolgálatába a
biologiai, érzelmi, misztikus és gazdasági okoknak.
A német intézőköröknek azzal sikerült a háborút népszerűvé
tenni, hogy okául elfogadtatták a következőt: a védekezés szükségét
a régóta félt orosz betörés, a franciák föltételezett revanche-vágya s
Anglia fenyegető gazdasági versengése ellen. Az orosz betöréstől
való félelem volt a fő-fő és határozó oka a németek egyértelmű
csatlakozásának. Egyedűl vezéreik ismerték eléggé Oroszország
dezorganizációját, hogy tudják, mennyire nem félelmetes ez a
betörés.
Ritkaság, hogy a népek elkeseredetten harcoljanak merőben
gazdasági érdekekért. A ma harcban álló legnagyobb nemzetek,
kivált az Egyesült-Államok, elvekért küzdenek.

2. A csaták lélektani elemei.

A népek története, főleg csatáik történetéből tevődik össze. A

béke korszakai csak tünékeny mellékjelenségek.
A háborúk anyagi fegyvereket használnak, de igazi motoraik a
psychologiai erők. Minden ágyút, minden szuronyt körülvesz légköre
a láthatatlan erőknek, amelyek a küzdők érzéseit és tetteit irányítják.
Napoleon azt mondta Szent Ilona szigetén, hogy az országok
sorsa sokszor egyetlen naptól függ. A történelem megerősíti ezt az
állítást, de azt is megmutatja, hogy rendesen sok, sok év kell ennek
az egyetlen napnak az előkészítésére.
Vezérlő eszme nélkül nincs hatalmas sereg. Róma szeretete a
légiókban, a zsákmány ingere a középkor zsoldosaiban s minden kor
germánjaiban, a dicsőség szomja, Napoleon katonáiban, a
kötelesség vallása az angol önkéntesekben s a haza szeretete a
mostani franciákban.
A seregeket mozgató indítékok változtak a különböző korok
szerint. A zsákmány reménye és a büntetéstől való félelem – az
egyedüli lelki tényezők, amelyeket a hajdani vezérek kihasználtak –
manapság már csak olyan fajokra hatnak, amelyek civilizációja még
nem törölte ki az ösztönöket.
A tömegakciók, amelyek társadalmi szerepe már olyan nagy volt
előbb is, azt az irányzatot követik, hogy túlnyomó befolyást
gyakoroljanak a modern háborúkban. Így pl. a Marne-i csata kollektiv
csata volt.
Egy sereg ereje főkép azon fordul meg, hogy a tömegben lévő
ember elveszítse önös érdekét s a kollektiv érdekbe olvadjon.
Az értelmi ragály, amely nagy hatalom a társas életben, a katona
magatartásának is egyik legbiztosabb alapját képviseli.
Ez teremti meg valójában a sereg tömör szervezettségét.
Valamely nép ellentálló ereje végtelenül növekszik, ha
könyörtelenül pusztító ellenség áll vele szemben, amely a gyengéket
reménység nélküli szolgasággal fenyegeti.
Nem ismerni a háborúban sem törvényt, sem szerződést,
kétségtelenül pillanatnyi előnyt jelent a berontó ellenség számára,
ámde a legyőzöttekben a gyűlöletnek oly mérvű fölhalmozódását
teremti meg, amelynek egy győztes sem tud ellentállni.
A tapasztalat amellett szól, hogy a modern lövészárok-
háborúkban a seregek már a defenziva egyedüli ténye által is
lassan-lassan felőrlődnek. Teljes felhasználódásuk jelentené a
vereséget.
A vereség semmit sem tesz, ha a legyőzött nem esik kétségbe.
Joggal mondhatták, hogy nem volt nép, mely annyi vereséget
szenvedett volna, mint a római. De szívós akaratára támaszkodva,
végül mindig mégis csak győztes maradt.
A háború elsősorban az akaratok harca.
A hosszúra nyúló és eldöntetlen csatákban, amikor az erők
egyenlősége az elfáradás egyenlőségét is okozza, a győzelem
szükségszerűen azé, aki csak néhány pillanattal is tovább tud
kitartani a küzdelemben, mint ellenfele.
A háború fölfedte, hogy az előrelátás és merés tulajdonsága
hiányzott leginkább a közepes tehetségű tábornokokban.

3. A nemzeti géniusz és a haza eszméje.

A faj lelke intézi a faj sorsát. Sok nemzedék szükséges, hogy

megteremtse, s néha elég egy néhány év, hogy elveszejtesse azt.
A tömeg kollektiv lelke sokban eltér a faj kollektiv lelkétől. Az
előbbi átmeneti, az utóbbi állandó.
A mai nagy nemzetek különböző fajok összetevődése, amelynek
lelkét egységesítette a közös élet, az érdek, hit és érzelmek
azonosságának hosszú multja.
Minthogy a fajok lelki alkata eltérő, ugyanazok a dolgok is
különböző benyomást gyakorolnak reájuk. S minthogy eltérőleg
éreznek és cselekesznek, nem lehet hozzájuk férkőzni ugyanazokkal
a nyilvánvaló okokkal s nem is tudnák egymást megérteni.
Ősi lelkének fölénye különbözteti meg a polgárosult embert a
barbártól. A nevelés tehát nem tudná őket egyenlősíteni.
A faj az a sarokkő, amelyen a nemzetek egyensúlya nyugszik. A
legállandóbb valami a nép életében. Ismételt kereszteződés
szétrombolhatja, minélfogva az idegenek befolyása nagyon
veszedelmas. Az efféle kereszteződések tették tönkre egykoron
Róma nagyságát. Lelkét vesztvén, hatalmát is elvesztette.
A nemzeti hagyományok a népek lelkének fő-fő rögzítő elemei.
Nélkülök minden nemzedéknek ujra, fáradságosan kellene keresni a
viselkedését irányító vezetőket.
Ha az egyéni s mulandó lélek, nemzeti nagy veszély hatása alatt,
beleolvad a faj állandó lelkébe, ez nagyon erősíti a nép
lelkivilágának egységét.
Ha a faj érdeke egészen elfoglalja az egyéni önfentartás
ösztönének helyét, ennek a népnek ellenállása támadóival szemben
végtelenül megerősödik. Az ilyen népet szét lehet verni, de nem
lehet leigázni.
A hazaszeretet a faj lelkének leghatalmasabb megnyilatkozása.
A kollektiv fentartási ösztönt jelenti, amely nemzeti veszély esetén
rögtön helyébe lép az egyéni önfentartás ösztönének.
A hazaszeretet béke idején kissé elmosódott absztrakció.
Hatalma csupán akkor jelentkezik, ha veszedelem fenyegeti.
Ilyenkor levetvén a misztikus fátyolt, amely beburkolta, realitássá
válik, amely elég erős ahhoz, hogy a nép egész viselkedését
átalakítsa.
A hazát nemcsak a föld teszi, amelyen élünk, hanem az ősök
árnyékai is, akik tovább élnek velünk s hozzájárulnak sorsunk
kimunkálásához.
A hazát védeni – ez egy népnek azt jelenti: védeni multját,
jelenét, jövőjét.
A hazafiság minden értékét misztikus voltából meríti. Aki csak
észszerűségből hazafi, az csak igen kis mértékben az.
Az a nép, amelyben a haza misztikus fogalma meggyöngül, oly
gyorsan tűnik el a történelemből, hogy ideje sincs hanyatlása minden
stációját befutni.
 A háborúk a nemzeti lélek összekovácsolásának legbiztosabb
tényezői.
Az Egyesült-Államok már elérték ipari és kereskedelmi hatalmuk
tetőpontját, de nemzeti lelkük még nem volt nagyon megállapodott.
A háború bizonyosan végleg kialakítja majd.
Az amerikai németek összeesküvései megmutatták, mily
nehezen szívja föl egy nép az idegen elemeket. Ha az élők
összeolvaszthatják nyelvüket, szokásaikat, érdekeiket, a holtak, akik
őket vezérlik, csökönyösen lázonganak az egyesülés ellen. Nem
változtathatjuk a fajunkat azzal, hogy a szélességi fokot változtatjuk.
A fajok lelkének megvannak a maga határai, amelyeket nem
lehet átlépni.
A hazát csupán ősi tulajdonságokkal lehet jól megvédeni.
Angliának elég volt egy ügyes szervezet, hogy két év alatt jól
fölszerelt sereget teremtsen meg, de hogy ezt a sereget a szívós
kitartás és bátorság tulajdonaival itassa át, amely képes volt az
ingadozó önkénteseket rendíthetetlen veteránokká átalakítani: ehhez
a faj befolyása kellett. Ezredeket, ágyúkat lehet néhány hónap alatt
is teremteni. Ámde századok kellenek ahhoz, hogy
kikovácsolódjanak a szivek, amelyek az ezredeket s ágyúkat
irányítják.
A háború a népeknek föltárja gyöngéiket, de erényeiket is.
A háborúk bizonyos népeket oly mértékben alakítanak át, hogy
történelmük egész jövendő folyama megváltoznék, ha a békében
csak egy kis részét is megtudnák őrizni a háborúban megnyilvánult
jó tulajdonságaiknak.
A fajok gyűlölete által fölidézett háborúkat el lehet odázni, de
nem lehet végkép kikerülni.

4. A holtak élete és a halál filozófiája.

 A nemzeti nagyságot kitevő jellemsajátságok az ősök művei. Az
élők lelkét a holtak lelkei formálják.
A nagy viaskodásokban, amelyek egy nép egész sorsát
eldönthetik, a holtak láthatatlan serege vezeti a harcolók
mozdulatait. A Marne-i csatát a holtak nyerték meg. Sokkal
számosabbak voltak ők ott, mint az élők, ott voltak ők: Tolbiacum,
Bouvines, Marengo, minden múlt dicsőség harcosai, hogy
meggátolják Franciaországot a feneketlen mélységbe merüléstől,
amely felé a balvégzet sodorni látszott.
Az élők akarata nem vív könnyű harcot a holtakéval.
Angliában a holtak véleménye hatalmasabb az élőkénél. Az
angol kormány tapasztalhatta ezt a háború első évében, s ez volt a
legnehezebb feladata: meghódítani a holtak lelkét az élők lelkén
keresztül.
Az öntudatlannak birodalma, ahol sok tettünk indító oka fejlődik
ki, az elődök lelkének összesűrűsítését képviseli.
Kell, hogy a halottak szerepet kapjanak a társadalom
irányításában, de nem szabad engedni, hogy hatalmuk túlságosan
zsarnokivá váljék, mert a haladásra képtelenek lévén, az az
irányzatuk, hogy megbénítsák a haladást.
Ha az ember faja lelkét hallja, a halál új értelmet nyer előtte.
Akkor megérti, hogy a tünékenység alatt tartósság rejlik s hogy az
örökkévalóság, amely az egyéntől megtagadtatott, meg van adva a
fajnak, amelynek ő egy töredékét képviseli.
A halál nem egyéb, mint az egyéniségek áthelyezése. Az
átöröklés ugyanazokat a lelkeket hozza körforgásba, ugyanannak a
fajnak egymásra következő nemzedékei során.
Cselekedeteink csak látszólag tünékenyek. Visszahatásuk
azonban sokszor évszázadokra nyúlik. A jelenlegi idő élete szövi a
jövőét.
 Átmeneti formáink örök hatalmat rejtegetnek. Minden lény,
hosszú múlt örököse, pillanatnyilag fölbukkanva az idők szintjére a
nemzedékek végtelen számát foglalja magában, mely várja az órát,
amelyben az ideiglenes semmiségből kirebbenjen.

5. A személyiség háború-okozta változásai.

A faj alapvető psychologiai elemei állandóak maradnak.

Másodrendű elemei azonban, a fajt alkotó különböző egyénekben,
mozgékonyak. Kombinációiból új egyensúlyok erednek, új
személyiségek nemzői.
Mindaz, amit a minket környező lényekről tudunk, s amit ők
önmagukról tudnak, csak egyikét képviseli az ő lehetséges
személyiségeinek.
Mindennapi lelkünk, amelyet határozott mederbe terel a szokás
és a környezet állandósága, csak keveset változik. Ennélfogva
lehetetlen előrelátni a személyiségeket, akik az előre nem látott
kürülményekhez való alkalmazkodás parancsoló szüksége
következtében életre fognak kelni.
Minden lény magában hordozza a jellem rejtett lehetőségeit,
miket különböző ősei hagytak rá s amiket az események
ébresztenek föl.
Az ember rendesen többet bír, mint gondolja, de nem mindig
tudja, mit bír; csupán a körülmények hozzák napvilágra ismeretlen
képességeit.
A beszéd nem árulja el az igazi személyiségünket. Egyedül a
tettek leplezik azt le, sokszor tulajdon szemeinknek is.
Amidőn a lelki szervezet egyensúlya roppant izgalmak hatása
alatt módosult, az ember oly mértékben megváltozhat, hogy önmaga
sem ismer már magára. Egykori személyisége helyét egy előre nem
látott más személyiség foglalta el.
 Hogy új személyiségek születhessenek, kell, hogy a lelki
szervezet rendes egyensúlyát szétbontsák olyan események,
amelyek erőszakosan megzavarják az egyén és környezete
viszonyát.
A háború minden – jó és rossz – energia hatalmas felidézője.
Egyszerre ösztökéli az erényeket, bűnöket s az észt.
A háború kifejlesztette erények emelik az embert önmaga fölébe:
a hősiesség, szívósság, az áldozatkészség, a bátorság s különösen
a folytonos fáradozás.
A mindennapi ember életét rendesen egyéni önzése vezeti. A
csaták emberét faja kollektiv érdekei.

6. A bátorság formái.

A bátorság: ellenállás a veszélyokozta félelem természetes

érzésével szemben. Ha a veszély fenyeget ugyan még, de már nem
közvetlen, a bátorság kitartást követel.
A katonai bátorság sokat fejlődött a történelem folyamán. Az
antik hősöktől a hűbérurakig egy harcos sem mert szembeszállni
ártatlan dárdákkal és bizonytalan nyilakkal, nehéz vértezet védelme
nélkül. A golyózápor, amelynek a mai kor katonája védelem nélkül
kiteszi magát, az akkori harcost megborzasztva futamította volna
meg.
Egykor a hősiesség egyetlen pillanata is elég volt a
halhatatlanságra. Manapság pedig egy lövészárok elfoglalása is a
bátorság oly folytonosságát követeli, amely ismeretlen volt Homeros
harcosai előtt. Achilles háromezer év óta világhírű oly vitézi tettek
révén, amelyek napjainkban még egy hadi keresztet sem szereztek
volna neki.
A mai háborúk a szakadozottan és vaktában nyilvánvaló
bátorság helyébe a folytonos és megfontolt bátorságot léptették.
Sokkal hasznosabb az előbbinél, de sokkal bajosabb is
megteremteni.
A mai háború földalatti tusáinak s a végtelen levegőégbe vesző
repülőnek néma hősiessége jóval fölülmúlja az egykori háborúk
zajos, de pillanatnyi hősiességét.
A meg-megszakított bátorságot a szokás csak akkor változtatja
át folytonos bátorsággá, ha a megismétlődő veszélyek hasonlók. Aki
hősnek bizonyul a szuronyrohamban, esetleg megborzadva hőköl
vissza valamely ismeretlen hadigéptől.
A váratlan veszéllyel szembenálló biztosság az akarat s az
idegek olyan igénybevételét követeli, amelyet nem lehetne soká
meghosszabbítani s amelyet csak hosszú nyugalom tud
helyrepótolni.
Ha megszokássá tudtuk átalakítani a veszélyt, a fáradságot, az
unalmat, ezzel könnyebben elviselhetővé tettük.
A figyelmet nem lehet megosztani, de le lehet vezetni. A
katonával hasznosan lehet gondjait felejtetni változatos és folytonos
gyakorlatok révén.
Minden katonai csoport végezetre szert tesz a tömegbátorságra;
de ehhez mindig bizonyos idő kell.
A vitéz ember, ha kiemelik a maga csoportjából s áthelyezik egy
másik csoportba, ahol nem ismerik, gyakran sokat veszít a
bátorságából.
Ugyanaz a katonai csoport ide-oda ingadozhat a félelem és
hősiesség érzései közt a parancsnok személye szerint.
Ha egy csapatot meggyőzünk a fölényéről, ezzel beleoltjuk az
állandó bátorságot, a diadal nemzőjét.
A defenziva egyik lélektani hátránya az, hogy lefokozza a
bátorságot, amelyet az offenziva föltüzel.
 A lövészárok bebizonyította, hogy a harc értéke oly
tulajdonságokon (szívósság, kitartás, kezdeményezés, bátorság,
akarat, ítélet) fordul meg, amiket nem lehet könyvből megtanulni s
amik egyedűl a jellemtől függnek.
A hősiesség nem ismer kasztot.

7. A rábeszélés és parancsolás művészete.

A parancsnok lelke egyszersmind a katona lelke is. Ennélfogva,

ha egy csapat elveszti parancsnokát, aki tudta vezetni,
egyszersmind elveszti a maga cohaesióját is s nemsokára
összefüggés nélkül való tömeggé sülyed.
A vállrojt és zsinór megkönnyíti a parancsnoklást, de nem adja
meg a parancsnoklás művészetét.
A rangfokok csak mesterséges hierarchiát teremtenek, amelyek
háború esetén gyakran illuzóriusokká válnak. Csak az erkölcsi érték
teremtheti meg az alárendeltekben az engedelmességet, tekintélyt
és odaadást.
A parancsolás művészete nem teljes, ha nem támaszkodik a
rábeszélés művészetére. A retorika kézikönyvei megadják a beszéd
szerkesztésének szabályait, de sehogysem tanítanak meg a
rábeszélés művészetére.
A szózatokban, amelyekkel egy gyülekezetet vagy csoportot
akarunk valamire rábeszélni, használhatunk észokokat is, de
mindenekelőtt az érzéseket kell rezgésbe hoznunk.
Az ész néha meggyőz egy-egy percre, de nem cselekedtet. Ezért
élnek vele oly ritkán a tömegek kitanult vezetői.
A tömegeket vezető psychológiai törvények kezelése nélkül nem
lehet a kollektivitásba a testületi szellemet beoltani.
 Roppant növeljük a csapat értékét, ha megteremtjük a testületi
szellemet. Ennek köszönhető, hogy a háborúban némely ezred
annyi tekintélyre tett szert, hogy mindig segítségül lehetett hívni
olyan helyzetekben, amidőn soha meg nem tántorodó emberekre
volt szükség.
A testületi szellemtől eltöltött csapatban a dicsőség és a
vetélkedés is kollektiv érzelmek. Ezek az érzelmek lelki ragály útján
terjednek a csapatba ujonnan bevezetett egységekbe, ha csak nem
túlságos nagy a számuk.
A katona értékének egyik legfontosabb eleme bizalma
parancsnokaiban.
A parancsnoknak, aki lelke révén benső összeköttetésben van
embereivel, nincs szüksége a szóra: elég neki egy intés, egy
pillantás.
Egy parancsnok sem vetheti meg azt a művészetet, amellyel a
haláltól minden percben fenyegetett katonáiban fentarthatja a jó
kedvet.
Bizonyos szavak növelik a katona energiáit s győzhetetlenné
teszik. De már nagy vezérnek kell lennie, aki ezeket a szavakat ki
tudja gondolni és mondani.
Könnyű az elszigetelt emberekre hatnunk azzal, hogy érdekeikre,
azaz önzésükre hatunk. Minthogy azonban a tömegek nem önzők,
más indítékokkal kell őket elcsábítani.
Az erősítgetés, ismétlés, tekintély és lelki ragály a rábeszélés
nagy tényezői, de ezek hatása az alkalmazójuktól függ.
Rábeszélés céljára a körülményekhez képest az érzelmi,
misztikus vagy kollektiv befolyásokhoz kell folyamodni, nem pedig az
emberek eszéhez.
Az ellenmondás ritkán jó eszköze a rábírásnak. Pörbe szállni egy
véleménnyel, többnyire annyit tesz, mint erősíteni. Az ellenfél eszméi
úgyis módosulnak, miközben ez önmagát meggyőzni iparkodik a
szuggesztiók és megfontolások sorával, amelyek azután a
tudattalanban lassan kicsiráznak. A nők, ösztönszerűleg ismervén
ezt az eljárást, igen könnyen tudnak valamire rábírni…
A szónok könnyen változtatja meg hallgatói véleményét.
Befolyása azonban csak rövid ideig tart, ezért kevés hatással van
viselkedésükre.
Valamely gyülekezet szavazatai nagyban különböznek aszerint,
hogy valamely beszéd után közvetlenül adják-e le, vagy csak
másnap a beszéd után.
Ha leigáztuk a sziveket, könnyen uraivá válunk az akaratnak is.
 III. RÉSZ.

A NÉPEK LÉLEKTANA.

1. A népek lelkének alakulása.

A néplélek ősi elemek fölhalmozódása és az évszázadok által

való állandósulása. E szilárd szikla körül hullámzanak a mozgékony
elemek: a nevelés és környezet teremtette egyéni lelkek.
A népek csak azután állandósulnak, ha már megszerezték a
kollektiv tudatot. Ez a megszerzés sokszor századok műve.
A nép élete, intézményei, hite, művészete, küzdelmei képviselik a
látható formáját az őt vezérlő láthatatlan erőknek.
A nép eszejárásából ered viselkedése, következéskép történelme
is.
Valamely nép lehető visszahatásait csak úgy lehet előre
megéreznünk, ha tanulmányoztuk tetteit történelme nagy
helyzeteiben.
A nép lelkét nagyon jól ki lehet olvasni tetteiből, de csak nagyon
rosszul könyveiből és beszédeiből.
Elég néhány év, hogy valamely nép értelmét kiműveljék. De
évszázadok kellenek a jelleme kiművelésére.
 A lelki világ átalakulásai rohamosan maguk után vonják az
anyagiak átalakulását is.
Sok nép anyagi haladása lerombolta erkölcsi haladását.
A népek nem másolják meg ősi lelküket, azonban alá vethetők új
irányításoknak, amelyek diadalra vagy katasztrófára vezetnek. Igy
váltott irányt a németek lelki világa három tényező: a militarizmus, a
politikai egyesítés és a technikai nevelés hatása alatt.
A népek átalakíthatják művelődésüket azáltal, hogy átidomítják
egy más nép nyelvét, intézményeit, művészetét. Azért lelkük nem
változik meg. A normann hódítás után az angolok sokáig franciául
beszéltek, de angolok maradtak. Róma ellatinosította a gallokat, de
nem változtatta meg jellemüket.
A japán az íjj és nyíl használatáról néhány év alatt áttért a
modern fegyverekre és iparra. Hogy az új civilizációt felszívja,
egyszerűen csak a türelem, szívósság, fegyelem tulajdonait kellett
hasznosítania, amelyet ősei hagytak rá. Megváltoztatta műveltségét,
de nem a lelkét.
A nemzetiség négy különböző elemből tevődik össze, amely
ritkán egyesül ugyanabban a népben: a faj, a nyelv, a vallás, az
érdekek.
A népek, amelyeknek nincs eléggé megállapodott ősi lelkük,
hiába élnek s csak igen lassan haladnak. Azok, akiknek a lelke
túlságosan megállapodott, egyáltalában nem haladnak. A mai
korban az oroszok képviselik az elégtelen stabilizációt, a khinaiak
pedig a túlságosan teljeset.
Történelme bizonyos korszakaiban a nép gondolkodási,
jellembeli, itéleti s következéskép viselkedési hibái
gyógyíthatatlanokká válnak. Nemzőivé lesznek azoknak a
kérlelhetetlen végzetszerűségeknek, amelyek súlya alatt nagy
birodalmak is bukással végzik sorsukat.
Ha egy nép tettei indítékául már nem az egyéni dicsőség, hanem
a kollektiv dicsőség szolgál, az a nép már hatalmas erkölcsi haladást