Pendahuluan
Pada kesempatan yang lalu, penulis pernah membagikan ide mengenai penyusunan indikator mutu rumah sakit dan penyajian indikator mutu rumah sakit. Walaupun keduanya sudah cukup untuk karya sehari-hari, tidak ada salahnya bila para manajer dan pemimpin sistem mikro di rumah sakit menambahkan analisis secara statistika terhadap pengukuran indikator mutu tersebut.
Analisis ini diharapkan menjadi insight apakah intervensi yang dilakukan untuk memperbaiki nilai indikator mutu sudah adekuat. Analisis ini juga akan merangsang para pemimpin sistem mikro di rumah sakit beserta tim untuk terbiasa melakukan penelitian. Tim yang terbiasa melakukan penelitian akan mudah mengembangkan diri karena senantiasa menanyakan kepada dirinya sendiri, "Apakah usaha ini sudah cukup signifikan?"
Pada tulisan bagian pertama ini, penulis mengajak pembaca untuk menyimak salah satu contoh analisis data sebelum dan setelah intervensi pada indikator mutu rumah sakit dengan tipe data kontinyu. Indikator yang digunakan dalam mengilustrasikan contoh analisis data ini adalah: waktu tunggu masuk ruang perawatan.
Ilustrasi Kasus
Rumah Sakit "Pantai Bahagia" menetapkan salah satu indikator mutu pelayanan ruang persiapan rawat inap adalah "waktu tunggu masuk ruang perawatan". Rumah sakit ini mengukur waktu yang diperlukan sejak bagian admisi (tempat penerimaan pasien) menentukan ruang perawatan bagi pasien sampai dengan pasien diantar dari ruang persiapan rawat inap. Semakin besar angka yang diukur dalam menit ini, semakin lama pula pasien menunggu di ruang persiapan rawat inap dan meningkatkan potensi penuhnya ruang persiapan rawat inap.
Disepakati pula bahwa tidak semua kasus akan diukur, hanya sepuluh pasien pertama di ruang persiapan rawat inap setiap tanggal 1 bulan baru saja yang diukur. Waktu diukur dalam satuan menit dan dicatat untuk disajikan dan dianalisis. Hasil pengukuran bulan pertama disajikan dalam Tabel 1.
No. Sampel |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Rerata |
Waktu tunggu |
75 |
67 |
45 |
46 |
52 |
36 |
92 |
88 |
73 |
65 |
63,9 |
Tabel 1 Hasil pengukuran waktu tunggu persiapan rawat inap.
Tim ruang persiapan rawat inap mendiskusikan hasil pengukuran ini. Hasilnya, beberapa proses administrasi bisa dipersingkat. Meski demikian, ada satu kendala yang tidak dapat diputuskan solusinya. Rumah sakit ini mengatur bahwa ruang persiapan rawat inap tidak dapat memobilisasi pasien, harus menunggu dijemput dari ruang perawatan yang dituju. Perawat penjemput ini sering datang lambat sehingga pasien menumpuk di ruang persiapan rawat inap.
Akhirnya kepala ruang persiapan rawat inap mengusulkan kepada direktur agar pasien dapat dimobilisasi dari ruang persiapan rawat inap oleh perawat persiapan rawat inap ditemani satu orang petugas transporter atau petugas keamanan. Direktur setuju, sehingga ruang persiapan rawat inap secara resmi mengerjakan dua macam perbaikan, yaitu proses administrasi yang dipersingkat dan perubahan mobilisasi pasien. Mereka menargetkan rerata waktu tunggu kurang dari 40 menit. Hasil pengukuran satu bulan setelah intervensi disajikan dalam Tabel 2.
No. Sampel |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Rerata |
Waktu tunggu |
54 |
17 |
36 |
34 |
61 |
24 |
53 |
44 |
72 |
25 |
42 |
Tabel 2 Hasil pengukuran waktu tunggu persiapan rawat inap setelah intervensi.
Sekilas dari perhitungan rerata didapatkan bahwa intervensi tempo hari membuahkan hasil penurunan rerata waktu tunggu persiapan rawat inap namun belum mencapai target. Muncul pertanyaan apakah intervensi yang dilakukan sudah secara signifikan memperbaiki kondisi atau belum. Di sinilah peran analisis statistik.
Analisis Statistik
Analisis statistika dapat dilakukan dengan penghitungan manual atau dengan menggunakan perangkat lunak. Berbagai perangkat lunak tersedia baik yang berbayar maupun yang gratis, karena penulis ingin mendorong pengujian secara statistik ini dilakukan secara rutin, maka disarankan menggunakan program analisis statistik yang mudah dan umum digunakan seperti misalnya SPSS. Dalam tulisan ini tidak akan dijelaskan langkah demi langkah analisis dalam program analisis statistik. Penjelasan mengenai hal tersebut jamak ditemukan lewat mesin pencari daring (online). Data mentah yang ada dimasukkan ke dalam program analisis statistik tersebut.
Langkah pertama dalam analisis data indikator ini adalah menentukan tipe data. Penjelasan mengenai tipe data dapat dibaca kembali pada tulisan sebelumnya mengenai penyajian indikator mutu rumah sakit (http://mutupelayanankesehatan.net/index.php/19-headline/2048-menyajikan-indikator-mutu-rumah-sakit). Dari keterangan tersebut, kita mengetahui bahwa data kuantitatif indikator waktu tunggu persiapan rawat inap ini adalah data kontinyu. Umumnya, data kontinyu dianalisis menggunakan statistik parametrik apabila datanya terdistribusi normal.
Untuk mengetahui apakah data tersebut terdistribusi normal atau tidak, mari kita menetapkan hipotesis 0 (H0) dan hipotesis alternatif. Prinsipnya, uji normalitas membandingkan data yang akan diuji dengan data distribusi normal. Hipotesis dalam uji ini ditampilkan dalam Tabel 3.
Hipotesis 0 (H0) |
Tidak ada perbedaan antara data yang akan diuji dengan data distribusi normal. |
Hipotesis Alternatif (Ha) |
Ada perbedaan antara data yang akan diuji dengan data distribusi normal. |
Tabel 3 Hipotesis dalam uji normalitas.
Dalam program SPSS, lakukan uji normalitas Kolmogorov-Smirnov yang ada dalam menu analisis non parametrik. Hasil analisis yang dilakukan program analisis statistik ditampilkan dalam Tabel 4.
One-Sample Kolmogorov-Smirnov Test |
||
|
|
Waktu Tunggu |
N |
20 |
|
Normal Parametersa,,b |
Mean |
52.9500 |
Std. Deviation |
21.08997 |
|
Most Extreme Differences |
Absolute |
.089 |
Positive |
.089 |
|
Negative |
-.067 |
|
Kolmogorov-Smirnov Z |
.399 |
|
Asymp. Sig. (2-tailed) |
.997 |
Tabel 4 Hasil uji normalitas.
Dalam tabel hasil uji normalitas tersebut, perhatikan nilai yang dicetak tebal (0,399). Karena nilai tersebut >0,05, maka hipotesis 0 (H0) diterima sehingga tidak ada beda antara data yang diuji dengan data terdistribusi normal. Dengan kata lain, data indikator tersebut adalah data terdistribusi normal sehingga analisis statistik dapat dilanjutkan dengan statistik parametrik.
Langkah kedua dalam analisis statistik adalah menguji beda rerata antara kedua kelompok perlakuan. Kelompok perlakuan pertama (sebelum intervensi) dan kelompok perlakuan kedua (setelah intervensi) dianalisis bedanya dengan independent sample t-test. Mengapa tidak dianalisis dengan paired sample t-test? Walaupun analisis ini akan menguji beda sebelum dan setelah intervensi, tidak ada subjek penelitian yang diukur dua kali. Subjek untuk data sebelum intervensi berbeda dengan subjek untuk data setelah intervensi.
Sebelum melakukan uji beda, mari kita menetapkan hipotesis 0 (H0) dan hipotesis alternatif. Prinsipnya, uji normalitas membandingkan data yang akan diuji dengan data distribusi normal. Hipotesis dalam uji ini ditampilkan dalam Tabel 5. Pada uji beda, kita akan membandingkan nilai p dengan nilai suatu konstanta. Pada tingkat kepercayaan 95%, kita akan membandingkan nilai p dengan angka 0,05. Apabila nilai p>0,05 maka hipotesis nol (H0) diterima. Sebaliknya, apabila nilai p<0,05 maka hipotesis nol (H0) ditolak dan otomatis hipotesis alternatif (Ha) yang diterima.
Hipotesis 0 (H0) |
Tidak ada perbedaan antara data sebelum intervensi dan setelah intervensi. |
Hipotesis Alternatif (Ha) |
Ada perbedaan antara data sebelum intervensi dan setelah intervensi. |
Tabel 5 Hipotesis dalam uji beda.
Setelah menetapkan kedua hipotesis, kita dapat langsung melakukan uji beda dengan memerintahkan SPSS untuk melakukan uji independent sample t-test. Hasil uji beda tersebut akan nampak seperti pada Tabel 6.
Tabel 6 Hasil uji independent sample t-test.
Perhatikan angka yang dicetak tebal (0,016). Nilai p tersebut <0,05 sehingga hipotesis nol (H0) ditolak dan hipotesis alternatif (Ha) diterima. Hal tersebut berarti ada beda secara signifikan pada kedua kelompok. Dengan kata lain, data setelah intervensi berbeda secara signifikan dengan data sebelum intervensi.
Interpretasi
Proses analisis yang dijelaskan di atas merupakan salah satu contoh penerapan statistika dalam pengelolaan rumah sakit. Dalam hal ini, secara khusus adalah pengelolaan mutu pelayanan rumah sakit. Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Walau demikian, karena pengelolaan rumah sakit bersandar pada sumber-sumber ilmiah tertentu, maka interpretasi atas apa yang telah diterapkan oleh statistika tidak boleh dilakukan secara sembarangan.
Ketika melakukan analisis terhadap data sebelum intervensi, tim mutu di rumah sakit dibiasakan untuk memakai metode tertentu seperti metode tulang ikan atau 5-why's. Diagram tulang ikan biasa mengungkap berbagai faktor kontributor terhadap suatu masalah. Dalam ilustrasi kasus di atas, dijelaskan ada dua faktor yang menyebabkan waktu tunggu persiapan rawat inap, yaitu panjangnya proses administrasi dan masalah pengantaran atau penjemputan pasien.
Ketika dua masalah tersebut dipecahkan secara konsisten, pengukuran pada bulan berikutnya menunjukkan penurunan waktu tunggu persiapan rawat inap yang yang signifikan secara statistik. Statistika menjelaskan sampai di sini. Apakah penurunan secara signifikan ini akibat intervensi yang dilakukan? Analisis statistik yang tadi dilakukan tidak sepenuhnya bisa menjelaskan. Secara akal sehat, penurunan tersebut sangat mungkin akibat intervensi yang kita lakukan. Mengapa demikian?
Dengan asumsi bahwa penelusuran penyebab lamanya waktu tunggu persiapan rawat inap dilakukan dengan teliti dan sah (benar), maka penyebab yang ditemukan (atau faktor kontributornya) pun juga sahih. Apabila faktor penyebab (atau kontributor) tersebut diatasi, maka secara logis waktu tunggu persiapan rawat inap akan berkurang. Inilah yang kemungkinan besar terjadi pada kasus ini. Dalam kerangka pengelolaan mutu di sistem mikro rumah sakit, interpretasi ini lebih sahih daripada klaim yang hanya berdasarkan naik atau turunnya grafik.
Interpretasi juga dapat dilakukan dengan mencari sumber bukti yang terpercaya mengenai suatu masalah. Misalnya penurunan kejadian infeksi daerah operasi setelah intervensi penggunaan desinfektan baru yang berbasis bukti (evidence-based). Apabila desinfektan yang disarankan suatu penelitian sahih diterapkan, maka penurunan angka infeksi daerah operasi yang mengikutinya merupakan dampak langsung dari penerapan tersebut.
Penutup
Analisis statistik seperti yang diuraikan dalam tulisan ini belum jamak diterapkan dalam pengelolaan mutu di rumah sakit. Bila akan diterapkan pun, seringkali diperoleh kekeliruan dalam pemilihan uji statistik sehingga hasilnya tidak sahih digunakan sebagai dasar pengambilan keputusan oleh manajemen rumah sakit. Diharapkan setelah membaca tulisan ini, tim pengelola mutu di rumah sakit dapat secara rutin menerapkan statistika lebih dalam untuk menganalisis indikator mutu rumah sakit.
Penulis
Artikel ini merupakan pendapat pribadi penulis yaitu dr. Robertus Arian Datusanantyo, M.P.H. Penulis adalah dokter, pernah memimpin instalasi gawat darurat rumah sakit swasta di Yogyakarta. Saat ini penulis merupakan peserta pendidikan dokter spesialis di Fakultas Kedokteran Universitas Airlangga, Surabaya.