Tiedot

Onko olemassa peukalosääntö näytteen koosta, kun käytetään neurotieteellisiä mittauksia?

Onko olemassa peukalosääntö näytteen koosta, kun käytetään neurotieteellisiä mittauksia?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Tämän paperin mukaan 10-25 kohdetta riittää fMRI-tutkimukseen. EEG: n osalta se kuitenkin mainitsi tässä asiakirjassa vain, että jotkut "kirjoittajat päättivät, että näiden tutkimusten suhteellisen pienet otoskoot (keskimäärin 20 kohdetta) ovat todennäköisesti vastuussa epäjohdonmukaisesta tuloksesta". Tämä paperi ei antanut suositusta otoksen koosta.

Onko olemassa nyrkkisääntö sen suhteen, kuinka monta kohdetta yleensä pitäisi käyttää neurotieteellisiin mittauksiin? Onko tästä olemassa papereita?

Huomaa, että en suunnittele parhaillaan kokeilua, vaan kirjoitan kirjallisuuskatsauksen neurotieteen soveltamisesta. Joten en usko, että voin suorittaa tehoanalyysin vastaajan ehdotuksen mukaisesti.


Pienin otoskoko, joka vaaditaan nollahypoteesin uskottavaksi hylkäämiseksi, ei riipu tutkimusalueesta (esim. Neurotiede), vaan tutkimussuunnitelmasta ja suorittamistasi tilastollisista testeistä.

Sinun on tehtävä tehoanalyysi. Tehoanalyysiin liittyviä kysymyksiä on esitetty Cross Validated -palvelussa. Voit halutessasi lukea tehon analysoinnista suosikkitilastokirjastasi ja kysyä ne sieltä, jos sinulla on kysyttävää.


Opportunistinen kahden energian röntgensäteilyn absorptiometrian käyttö lannerangan skolioosin arvioimiseksi

Alhainen luun mineraalitiheys liittyy selkärangan epämuodostumiin. Kahden energian röntgensäteilyn absorptiometria (DXA), luun tiheyttä arvioiva menetelmä, tarjoaa teoreettisen keinon arvioida myös selkärangan epämuodostumia. Havaitsimme, että DXA voi luotettavasti arvioida selkärangan kohdistuksen. DXA voi sallia selkärangan suuntauksen eli skolioosin seurannan kliinisessä ympäristössä.

Tarkoitus

Osteoporoosi ja skolioosi ovat toisiinsa liittyviä sairausprosesseja. Kahden energian röntgensäteilyn absorptiometriaa (DXA), jota käytetään luun tiheyden arvioimiseen, voidaan käyttää myös selkärangan epämuodostuman arvioimiseen, koska se ottaa lannerangan posteroanteriorisen (PA) kuvan. Arvioimme DXA: n käyttöä lannerangan kohdistuksen arvioimiseksi.

Menetelmät

Lannerangan DXA -fantomia käytettiin arvioimaan aksiaalisen ja sagittaalisen tason pyörimisen vaikutuksia lannerangan mineraalipitoisuuteen (BMC), tiheyteen (BMD) ja L1 - L4 Cobb -kulman mittauksiin. Käyttämällä kahta tutkimuskohorttia arvioitiin tarkkailijoiden sisäinen ja sisäinen luotettavuus ja DXA: n käytön pätevyys L1- L4 Cobb-kulman mittauksissa koronaalisessa ja sagitaalitasossa.

Tulokset

Aksiaalinen ja sagittaalinen tasokierto yli 15 ° ja 10 ° vastaavasti pienensivät merkittävästi mitattua BMD: tä ja BMC: tä. Ihmisillä havaittiin erinomainen sisä- ja tarkkailijoiden luotettavuus käyttämällä lannerannan PA DXA -kuvia Cobb-kulman mittauksiin. Lannerangan PA DXA -kuvista saatujen Cobb -kulmien ja AP -lanne -röntgenkuvien välinen sopivuus vaihteli hyvästä erinomaiseen. Keskimääräinen ero Cobbin kulmissa lannerangan PA DXA -kuvien ja pystyasennossa olevien AP -lanneradiografioiden välillä oli 2,8 ° kaikilla koehenkilöillä ja 5,8 ° skolioosilla.

Päätelmät

Lannerangan kierto ei vaikuta merkittävästi BMD: hen ja BMC: hen 15 °: n ja 10 °: n sisällä aksiaalisesta ja sagittaalitasosta, ja vaikuttaa vain vähän Cobbin kulman mittaukseen. Selkärangan kohdistus koronaalitasossa voidaan arvioida luotettavasti käyttämällä lannerangan PA DXA -kuvia.


Syyanalyysi: ongelmanratkaisun ja korjaustoimen ydin [2. painos] 9780873899826, 0873899822

Sisällysluettelo :
Nimilehti
CIP -tiedot
Sisällys
Luettelo kuvista ja taulukoista
Esipuhe toiselle painokselle
Esipuhe ensimmäiselle painokselle
Luku 1_ Parantaa juurisyyanalyysiä
Ongelma
Isku
Lähestymistavat juurisyyanalyysiin
Nykyiset ongelmanratkaisumallit
Ehdotettu malli
Luku 2_ Useita syitä ja toimintatyyppejä
Ensimmäinen ongelmanratkaisu
Diagnoosi
Toimenpiteet tulevien ongelmien estämiseksi
Suodattimien tarve
Luku 3_Vaihe 1: Määritä ongelma
Oikean ongelman valinta
Ratkaise ongelma asianmukaisesti
Ongelmalausunto
Luku 4_Vaihe 2: Ymmärrä prosessin asettamisprosessin rajat Raportin prosessikaavio
Miksi prosessi on niin tärkeä?
Vuokaavion lisäarvot
Luku 5_Vaihe 3: Tunnista mahdolliset syyt
Vuokaavion käyttö syihin
Logiikkapuun käyttö syihin
Aivoriihi ja syy-seuraus-kaavion käyttö syihin
Esteanalyysin käyttö syihin
Muutosanalyysin käyttö syihin
Mahdollisten syiden poistaminen
Mahdollisten syiden lähteet
Luku 6_Vaihe 4: Kerää tiedot
Peruskonsepti
Tietojen tyypit
Nykyisten ja uusien tietojen käyttäminen
Mistä kerätä tietoja
Erikoistestit
Näytteen koko ja aikakehyksen tiedonkeruutyökalut sekä matalan että korkean taajuuden ongelmiin Lisätyökalut korkean taajuuden ongelmiin
Tiedonkeruun arvon parantaminen
Tiedonkeruuprosessin järjestäminen
Luku 7_Vaihe 5: Analysoi tiedot
Työkalut matalan taajuuden tiedoille
Lisää työkaluja korkeataajuisille tiedoille
Tietojen kyseenalaistaminen
Tietoanalyysien yhteenvedot
Vaihtelun analysointi
Varoituksia tietojen analysoinnista
Minne mennä seuraavaksi?
Eikö 't löydä syytä?
Luku 8_Tunnista ja valitse ratkaisut
Vaihe 6: Tunnista mahdolliset ratkaisut
Vaihe 7: Valitse toteutettavat ratkaisut Luku 9_Toteuta, arvioi ja instituutioi Vaihe 8: Toteuta ratkaisu (t)
Vaihe 9: Arvioi vaikutus (t)
Vaihe 10: Muutoksen institutionalisointi
Luku 10_Organisaatiokysymykset
Kognitiiviset vääristymät
Emotionaaliset esteet
Muutosvastarinta
Yrityskulttuuri
Projektin omistus
Valmennus-/helpotustaidot
Muut ongelmat
Luku 11_Henkilökohtaisten virheiden ja tapahtumien analyysi
Inhimillinen virhe
Tapahtuma -analyysi
Luku 12_Korjaustoimien parantaminen
Kriittinen ajattelu
buddhalaisuus
Stoinen filosofia
Yhteenveto perussyyanalyysistä
Liite A_esimerkkihankkeita
Keskittymistarve Kuinka he tietäisivät, kuinka taitava se on?
Akselin takaisin saaminen
Tuli laukkuun!
Liite B_Root Cause Analysis Process Guides
Yleinen prosessiajattelu
SIPOC -analyysilomake
Tiedonkeruu- ja analyysityökalut
Do It2 Root Cause Analysis Guide
Tee se2 -ongelmanratkaisu
Tarkistuslista korjaavan prosessin tarkistamiseksi
Laajennettu luettelo seitsemästä rouvasta
Lomakkeet syiden ja ratkaisujen seurantaan
Liite C_Haastattelun parantaminen
Haastattelun perusongelmat ja prosessi
Haastattelutyypit ja kysymykset
Muistin toiminnan hyödyntäminen
Ajan ja pohdinnan merkitys

Sitaatin esikatselu

Saatavana myös ASQ Quality Press: Musings on Internal Quality Audits: Suuremman vaikutuksen omaava Duke Okes Performance Metrics: Levers for Process Management Duke Okes ASQ Pocket Guide to Roose Cause Analysis Bjørn Andersen ja Tom Natland Fagerhaug Handbook of Investigation and Effective CAPA Systems , Toinen painos José Rodríguez-Pérez Johdanto 8D-ongelmanratkaisuun: Sisältää käytännön sovelluksia ja esimerkkejä Donald W. Benbow Ali Zarghami Organisaatioriskin hallinta Toimittajan tarkastusohjelman avulla: Tilintarkastajan opas kansainvälisen tarkastusreitin varrella. Lance B.Coleman, Sr. The Quality Toolbox, toinen painos Nancy R. Tague The Certified Six Sigma Green Belt Handbook, toinen painos Roderick A.Munro, Govindarajan Ramu ja Daniel J.Zrymiak The Certified Manager of Quality/Organisational Excellence Handbook, Neljäs painos Russell T.Westcott, toimittaja The Certified Six Sigma Black Belt Handbook, Second Edition TM Kubiak ja Donald W. Benbow ASQ Auditing Handbook, 4. painos JP Russell, toimittaja ASQ Quality Improvement Pocket Guide: Basic History, Concepts, Tools, and Relationships Grace L.Duffy, toimittaja Pyydä ilmainen luettelo ASQ Quality Press -julkaisuista, soita numeroon 800-248-1946 tai käy verkkosivustollamme osoitteessa http://www.asq.org/quality-press.

Perussyiden analyysi Ongelmanratkaisun ydin ja korjaavat toimet, toinen painos

ASQ Quality Press Milwaukee, Wisconsin

American Society for Quality, Quality Press, Milwaukee, WI 53203 © 2019 by Duke Okes. Kaikki oikeudet pidätetään. Julkaistu 2019. Painettu Yhdysvalloissa. 24 23 22 21 20 19 5 4 3 2 1 Kongressin kirjasto Cataloging-in-Publication Data Nimet: Okes, Duke, 1949- kirjoittaja. Otsikko: Perussyiden analyysi: ongelmanratkaisun ydin ja korjaavat toimet / Duke Okes. Kuvaus: Toinen painos. | Milwaukee, Wisconsin: ASQ Quality Press, [2019] | Sisältää bibliografiset viitteet ja hakemiston. Tunnisteet: LCCN 2018055702 | ISBN 9780873899826 (kovakantinen: alk. Paperi) Aiheet: LCSH: Ongelmanratkaisu. | Päätöksenteko. | Hallinto. | Perussyyanalyysimenetelmiä. Luokitus: LCC HD30.29 .O44 2019 | DDC 658.4/03 — dc22 LC -tietue saatavilla osoitteessa https://lccn.loc.gov/2018055702 Mitään tämän kirjan osaa ei saa kopioida missään muodossa tai millään tavalla, sähköisesti, mekaanisesti, valokopioimalla, tallentamalla tai muuten ilman kustantajan etukäteen antamalla kirjallisella luvalla. Johtaja, laatulehti ja ohjelmat: Ray Zielke Toimituspäällikkö: Paul Daniel O'Mara vanhempi Luovien palvelujen asiantuntija: Randy L. Benson ASQ Mission: The American Society for Quality edistaa yksilöllistä, organisatorista ja yhteisön huippuosaamista maailmanlaajuisesti oppimisen, laadun parantamisen, ja tiedonvaihtoa. Huomio Kirjakaupat, tukkumyyjät, koulut ja yritykset: ASQ Quality Press -kirjoja, videoita, ääntä ja ohjelmistoja on saatavana määräalennuksilla, kun niitä ostetaan irtotavarana liike-, koulutus- tai opetuskäyttöön. Lisätietoja saat ottamalla yhteyttä ASQ Quality Pressiin numeroon 800-248-1946 tai kirjoittamalla ASQ Quality Press, P.O. Box 3005, Milwaukee, WI 53201-3005. Jos haluat tehdä tilauksia tai pyytää ASQ-jäsenyystietoja, soita numeroon 800-248-1946. Käy verkkosivustollamme osoitteessa www.asq.org/quality-press. Painettu hapottomalle paperille

Luettelo kuvista ja taulukoista. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi Esipuhe toiseen painokseen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv Esipuhe ensimmäiselle painokselle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Luku 1 Parantaa perussyiden analyysiä. . . . . . . . . . . . . . . . . . Ongelma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Isku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lähestymistavat juurisyyanalyysiin. . . . . . . . . . . . . . . . . . . . . . . . Olemassa olevat ongelmanratkaisumallit. . . . . . . . . . . . . . . . . . . . . . . . . . . Ehdotettu malli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Luku 2 Useita syitä ja toimintatyyppejä. . . . . . . . . . . . . . . . . Ensimmäinen ongelmanratkaisu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagnoosi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Toimenpiteet tulevien ongelmien estämiseksi. . . . . . . . . . . . . . . . . . . . . . . . . Suodattimien tarve. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Luku 3 Vaihe 1: Määritä ongelma. . . . . . . . . . . . . . . . . . . . . . . . . . Oikean ongelman valinta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ratkaise ongelma asianmukaisesti. . . . . . . . . . . . . . . . . . . . . . . . . Ongelmalausunto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Luku 4 Vaihe 2: Ymmärrä prosessi. . . . . . . . . . . . . . . . . . . . . . . Prosessirajojen asettaminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Prosessin vuokaavio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Miksi prosessi on niin tärkeä? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vuokaavion lisäarvot . . . . . . . . . . . . . . . . . . . . . . . .

Luku 5 Vaihe 3: Tunnista mahdolliset syyt. . . . . . . . . . . . . . . . . . . . . . Vuokaavion käyttö syihin. . . . . . . . . . . . . . . . . . . . . . . . . . . . Logiikkapuun käyttö syihin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Aivoriihi ja syy-seuraus-kaavion käyttö syihin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Esteanalyysin käyttö syihin. . . . . . . . . . . . . . . . . . . . . . . . . . Muutosanalyysin käyttö syihin. . . . . . . . . . . . . . . . . . . . . . . . . . Mahdollisten syiden poistaminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mahdollisten syiden lähteet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Luku 6 Vaihe 4: Kerää tiedot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Peruskonsepti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tietojen tyypit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Nykyisten ja uusien tietojen käyttäminen. . . . . . . . . . . . . . . . . . . . . . . . . . . Mistä kerätä tietoja. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Erikoistestit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Näytteen koko ja aikaväli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tiedonkeruutyökalut sekä matalan että korkean taajuuden ongelmiin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Muita työkaluja korkeataajuisiin ongelmiin. . . . . . . . . . . . . . . Tiedonkeruun arvon parantaminen. . . . . . . . . . . . . . . . . . . . . . . . . . . Tiedonkeruuprosessin järjestäminen. . . . . . . . . . . . . . . . . . . . .

Luku 7 Vaihe 5: Analysoi tiedot. . . . . . . . . . . . . . . . . . . . . . . . . . . . Työkalut matalien taajuuksien datalle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Muita työkaluja korkeataajuisille tiedoille. . . . . . . . . . . . . . . . . . . Tietojen kyseenalaistaminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tietoanalyysien yhteenvedot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vaihtelun analysointi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Varoituksia tietojen analysoinnista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Minne mennä seuraavaksi? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Etkö löydä syytä ?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

87 88 90 100 100 102 102 104 105

Luku 8 Tunnista ja valitse ratkaisut. . . . . . . . . . . . . . . . . . . . . . . . 1 07 Vaihe 6: Tunnista mahdolliset ratkaisut. . . . . . . . . . . . . . . . . . . . . . . . . . 1 07 Vaihe 7: Valitse toteutettavat ratkaisut. . . . . . . . . . . . . . . . . . . 117

Luku 9 Toteuta, arvioi ja instituutioi. . . . . . . . . . . . . Vaihe 8: Toteuta ratkaisu (t). . . . . . . . . . . . . . . . . . . . . . . . . . . Vaihe 9: Arvioi vaikutus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vaihe 10: Muutoksen institutionalisointi. . . . . . . . . . . . . . . . . . . . . . . . .

Luku 10 Organisaatiokysymykset. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Kognitiiviset vääristymät . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Emotionaaliset esteet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Muutosvastarinta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Yrityskulttuuri. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Projektin omistus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Valmennus-/helpotustaidot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Muut ongelmat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

129 129 131 132 135 136 137 141

Luku 11 Inhimillisten virheiden ja tapahtumien analyysi. . . . . . . . . . . . . . . . . 1 45 Inhimillinen virhe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 45 Tapahtuma -analyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 51 Luku 12 Korjaustoimien parantaminen. . . . . . . . . . . . . . . . . . . . . . . Kriittinen ajattelu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Buddhalaisuus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Stoinen filosofia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Yhteenveto perussyyanalyysistä. . . . . . . . . . . . . . . . . . . . . . . . . .

Liite A Esimerkkihankkeet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tarve keskittyä. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mistä he tietäisivät ?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Kuinka taitava se on? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Akselin takaisin saaminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sain sen laukkuun. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Liite B Perussyiden analysointioppaat. . . . . . . . . . . . . . . Yleinen prosessiajattelu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . SIPOC -analyysilomake. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tiedonkeruu- ja analyysityökalut. . . . . . . . . . . . . . . . . . . . . . . . . Do-It2 Root Cause Analysis Guide. . . . . . . . . . . . . . . . . . . . . . . . . . Do-It2-ongelmanratkaisu. . . . . . . . . . . . . . . . . . . . . . . . . . Tarkistuslista korjaavan toimenpiteen tarkistamiseksi. . . . . . . . Laajennettu luettelo seitsemästä rouvasta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lomakkeet syiden ja ratkaisujen seurantaan. . . . . . . . . . . . . . . . . . . .

173 173 175 175 178 180 181 183 185

Liite C Haastattelun tehostaminen. . . . . . . . . . . . . . . . . . . . . . . . . . Haastattelun perusongelmat ja prosessi. . . . . . . . . . . . . . . . . . . . . . . Haastattelutyypit ja kysymykset. . . . . . . . . . . . . . . . . . . . . . . . . Muistin toiminnan hyödyntäminen. . . . . . . . . . . . . . . . . . . . . . . . . . . Ajan ja pohdinnan merkitys. . . . . . . . . . . . . . . . . . . . . .

Liite D Ongelmien ratkaisujen analysointi. . . . . . . . . . . . . . . . . . . . 193 Liite E Lisäresursseja. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 99 Kirjat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 99 Verkkosivustot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 00 Viitteet.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201 Hakemisto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Luettelo kuvista ja taulukoista

Kuva 1.1 Taulukko 1.1 Kuva 1.2 Kuva 1.3

DO IT2 -ongelmanratkaisumalli. . . . . . . . . . . . . . . . . . . . . . . . . . 7 Ongelmanratkaisumallien vertailu . . . . . . . . . . . . . . . . . . . . . . . . . 7 Mallin visuaalinen kuvaus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Korjaavat toimet, perussyyanalyysi ja ongelmanratkaisu. . . . . 9

Kuva 2.1 Kuva 2.2 Kuva 2.3 Kuva 2.4 Kuva 2.5

Oireiden ja syiden (fyysiset ja systeemiset) erottaminen toisistaan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Koneongelmien syiden tasot. . . . . . . . . . . . . . . . . . . . . . . . 16 Useiden syiden ilmenemismuotoja. . . . . . . . . . . . . . . . . . . . . . . . . . . 19 Suodattimet korjaustoimenpiteitä varten. . . . . . . . . . . . . . . . . . . . . . . 21 Poikkeusriskimatriisi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Taulukko 3.1 Taulukko 3.2 Kuva 3.1 Kuva 3.2 Kuva 3.2 Kuva 3.3 Kuva 3.4

Hankkeen päätöksentekomatriisi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 Romuanalyysitiedot ensimmäiseltä vuosineljännekseltä. . . . . . . . . . . . . . . . . . . . . . . . . . 25 Romuanalyysi Paretosin avulla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 Romuanalyysi pivot-taulukoiden avulla. . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Pareto -luokkien vaikutus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Ajokaavioiden käyttäminen ongelman selvittämiseen. . . . . . . . . . . . . 32

Kuva 4.1 Kuva 4.2 Kuva 4.3 Kuva 4.4 Kuva 4.5 Kuva 4.6

Rajojen asettaminen pizzan makuongelmalle. . . . . . . . . . . . . . . . . . . 38 Vakioprosessikaavio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Esimerkki vuokaavion symboleista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 Käyttöönoton vuokaavio suunnittelun muutospyyntöä varten. . . . . . 41 Ensisijainen vs. hallinto/tukiprosessit. . . . . . . . . . . . . 43 Yleinen prosessi politiikan kehittämistä ja täytäntöönpanoa varten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 SIPOC-kaavio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Syyn etsiminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

xii Luettelo kuvista ja taulukoista

Kuva 5.1 Kuva 5.2 Kuva 5.3 Kuva 5.4 Kuva 5.5 Kuva 5.6 Kuva 5.7 Kuva 5.8 Kuva 5.9

Kopiokoneen prosessikulku . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Logiikkapuu kopiokoneongelmalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 Syvällisempi logiikkapuu kopiokoneongelmaan. . . . . . . . . . . . . . . . . . . . . . . . . 53 Kanta-asiakaspistevirhe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 Prosessikeskeinen logiikkapuu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 Työntekijöiden vapaaehtoinen vaihtuvuusongelma. . . . . . . . . . . . . . . . . . . . . . . 55 Markkinaosuuden menettämisen ongelma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Logiikkapuu koulutuksen puutteesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Hotellivarausongelmaan liittyvä osittainen syy-seurauskaavio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Kuva 5.10 Esteanalyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Kuva 5.11 Muutosanalyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Taulukko 5.1 Mahdollinen syy työkalun valinta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Kuva 6.1 Kuva 6.2 Taulukko 6.1 Kuva 6.3 Kuva 6.4 Taulukko 6.2 Taulukko 6.3 Taulukko 6.4

X ja Y (syy ja seuraus). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Komponenttien vaihto kahteen samanlaiseen linjaan. . . . . . . . . . . . . . . . . . . . . 73 Lab multi-vari tietolehti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 Multi-vari tontti laboratorioon. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Keskittymiskaavio vammojen varalta . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Tarkista arkista hotellihuoneen saatavuusongelma. . . . . . . . . . . . . . . 81 Tiedonkeruulomake vakuutusten liikamaksuista. . . . . . . . . . . . . . . . . . 81 Tiedonkeruusuunnitelma leikkipaikkaonnettomuuksia varten. . . . . . . . . . . . . . . . . 85

Kuva 7.1 Kuva 7.2 Kuva 7.3

Menettelyn noudattaminen verrattuna tuloksiin. . . . . . . . . . . . . . . . . . . . . . . . . 89 G-kaavio, joka osoittaa päivien lukumäärän vikojen välillä . . . . . . . . . . . 89 Suhdekaavio tekijöiden kiintymyksen ongelmanratkaisun tehokkuudelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 Vuorosuhdedigraafi ongelmanratkaisun tehokkuudesta. . . . . 91 Pareto-kaavio hotellien tarkistuslistatiedoista. . . . . . . . . . . . . . . . . . . . . . . . . . . 92 Kairaus syvemmälle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 Varataulukko, josta käy ilmi As ansaitsevien opiskelijoiden lukumäärä. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 kuvioita juoksukaavioissa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Suorita kaavio uudelleenjärjestetyillä tiedoilla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 Histogrammianalyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Sirontakaaviot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 pistekuvaaja. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 Multi-vari-kaavio helpdesk-puhelun päättymisajasta . . . . . . . . . . . . . 99 Multi-vari-kaavio painokoneen rekisteröintivirheen määrälle. . . . . 99 Multi-vari-diagrammi hiotun sylinterin halkaisijan muodolle. . . . . . . . . . . 99

Kuva 7.4 Kuva 7.5 Kuva 7.6 Taulukko 7.1 Kuva 7.7 Kuva 7.8 Kuva 7.9 Kuva 7.10 Kuva 7.11 Kuva 7.12 Kuva 7.13 Kuva 7.14

Luettelo kuvioista ja taulukoista xiii

Taulukko 7.2 Taulukko 7.3 Taulukko 7.4 Kuva 7.15 Kuva 7.16

Onko/ei ole taulukko pakkauslinjaongelmille. . . . . . . . . . . . . . . . . . . . . 101 Syyanalyysitaulukko. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Ongelmien syventäminen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Saman tietojoukon kaksi näkökulmaa. . . . . . . . . . . . . . . . . . . . . . . . 103 Tilasuhteiden analyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Kuva 8.1 Taulukko 8.1 Kuva 8.2 Kuva 8.3 Kuva 8.4 Taulukko 8.2 Taulukko 8.3

Mielikartta huoneen parantamiseen. . . . . . . . . . . . . . . . . . . . . . 109 Analogioiden käyttö puutarhatyökalujen markkinointiongelmaan . . . . . . . . 110 Ratkaisutilan havaitut rajat . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 9 box/windows-tekniikkaesimerkki. . . . . . . . . . . . . . . . . . . . . . . . 115 Osoitettavan järjestelmän taso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 Päätöstaulukko. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Parivertailu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

Toimintasuunnitelman seurantalomake. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 Ratkaisu–tulosmatriisi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Kuva 10.1 Kuva 10.2 Kuva 10.3 Kuva 10.4 Kuva 10.5 Kuva 10.6 Kuva 10.7

Syitä ihmiset vastustavat muutosta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 Selvitetään, mihin voimme/emme voi vaikuttaa. . . . . . . . . . . . . . . . . . . . . . . . . . 133 Voimakenttäanalyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 Monimutkaisen mukautuvan järjestelmän muuttaminen. . . . . . . . . . . . . . . . . . . . . . . . 134 Rankaisevan kulttuurin vaikutus perussyyanalyysiin . . . . . . . . . . . . 136 Auttajatyypit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 Ohjaajan roolit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Kuva 11.1 Inhimillisten virheiden makrosyyt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 Kuva 11.2 Tapahtuman vuokaavio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 Kuva 12.1 Kuva 12.2 Taulukko 12.1 Kuva 12.3

Ennaltaehkäisevät ja korjaavat toimet. . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 Ongelmadiagnoosin pääkomponentit . . . . . . . . . . . . . . . . . . . . . 156 6S lähestymistapoja syiden löytämiseen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 Ajattelu prosessina. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

Kuva A.1 Kuva A.2 Kuva A.3 Kuva A.4 Kuva A.5 Kuva A.6 Kuva A.7

Jatkuvan linjan prosessin vuokaavio. . . . . . . . . . . . . . . . . . . . . . . . 162 Linjan seisokkiaika koneella. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 Koneen B seisokkien syyt. . . . . . . . . . . . . . . . . . . . . . . . . 163 Logiikkapuu, joka korostaa, ettei auditointeja ole suoritettu. . . . . . . . . . . . . 165 PT prosessivirta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 PT logiikkapuu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 Pareto-analyysi palautuneiden osien syistä. . . . . . . . . . . . . . . . . . . 166

xiv Luettelo kuvioista ja taulukoista

Kuva A.8 Kuva A.9 Taulukko A.1 Kuva A.10 Kuva A.11 Kuva A.12

SIPOC-kaavio hammaspyöräongelmalle. . . . . . . . . . . . . . . . . . . . . . . . . . 167 Hammaspyörän valmistusprosessi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 Runout-tietojen keruutaulukko. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 Runout-jakaumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 Säkitysprosessin kulku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 pussin painot ajan myötä. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

Kuva B.1 Kuva B.2 Taulukko B.1 Taulukko B.2 Taulukko B.3 Taulukko B.4 Taulukko B.5 Taulukko B.6 Taulukko B.7 Taulukko B.8

Yleinen prosessiajattelu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 SIPOC-analyysilomake. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 Tiedonkeruu- ja analyysityökalut . . . . . . . . . . . . . . . . . . . . . . . . . . . 177 Muuttuvien tietojen analyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 Ominaisuustietojen analyysi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 DO It2 perussyiden analysointiopas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 DO It2 -ongelmanratkaisutaulukko. . . . . . . . . . . . . . . . . . . . . . . . . . . 181 Tarkistuslista korjaustoimenpiteiden tarkistamiseksi. . . . . . . . . . . 182 Assistant vaiheisiin 3, 4 ja 5.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 Assistant vaiheissa 7, 8 ja 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

Toisen painoksen esipuhe

paljon on muuttunut kirjan ensimmäisen painoksen jälkeen. On kehitetty monia muita korjaavia toimenpiteitä vaativia hallintajärjestelmästandardeja. Tuotteissa, palveluprosesseissa ja organisaatioissa on tapahtunut paljon enemmän virheitä. Ja onneksi perussyyanalyysi (yhdessä läheisen serkun, riskinhallinnan kanssa) on tunnustettu kriittiseksi osaksi organisaation hallintoa. Valitettavasti useimpien järjestelmien heikoin komponentti, ihminen, ei ole tullut luotettavammaksi. Ja vaikka tämä kirja ei voi suoraan vaikuttaa näiden heikkouksien taustalla oleviin sosiaalisiin tekijöihin, se voi auttaa kaikkia, joiden tehtävänä on yrittää löytää erityisiä syitä epäonnistumisille. Se tekee sen tarjoamalla ajattelutavan, joka tuottaa todisteita erityisistä syistä, joihin voidaan sitten toteuttaa ratkaisuja. Kuten mainitsin ensimmäisen painoksen esipuheessa, suuri osa ansioista johtuu aiemmista luokkaopettajista ja työkokemuksistani, jotka ovat auttaneet muokkaamaan ajatteluani sopivaan suuntaan. Jätin kuitenkin pois yhden tärkeän avustajan – Dale Pattersonin – joka suuren yrityksen koulutusjohtajana pyysi kurssia perimmäisten syiden analysoinnista joillekin työntekijöilleen. Äskettäin kehitetty kurssi oli valtava menestys, ja tunsin velvollisuudekseni dokumentoida sen sisältö kirjan muodossa, jotta sitä voitaisiin levittää laajemmin. Ensimmäisen painoksen ilmestymisen jälkeen kurssia on pidetty useita satoja kertoja. Jokainen tarjous tuo osallistujia uusilta aloilta, toimialoilta ja organisaatioilta, jotka käsittelevät samantyyppisiä ongelmia - asiakkaiden valituksia, tuote- tai prosessin vaatimustenvastaisuutta ja muita suorituskykyongelmia. Mutta kuten vaimoni muistutti minua kerran, jos ei olisi ongelmia, olisin työtön!

xvi Toisen painoksen esipuhe

Parasta kurssin opettamisessa on se, että saan myös oppia, joten on aika päivittää kirja lisätäkseni hieman yksityiskohtia joistakin alueista (ja korjata kolme virhettä, joista ihmiset olivat ystävällisiä ottamaan yhteyttä minuun) pitäen silti sivun pituus johonkin, johon ihmiset ovat valmiita puuttumaan. Vaikka luvut ovat edelleen samassa järjestyksessä, esimerkkejä on lisätty ja liitteisiin on myös tehty merkittäviä lisäyksiä. Toivon, että sinun kannattaa lukea ja hakea.

Ensimmäisen painoksen esipuhe

Vaikka monet organisaatiot ovat investoineet huomattavasti aikaa ja vaivaa parantaakseen prosessejaan, ei ole epätavallista nähdä samat ongelmat kerta toisensa jälkeen. Vaikutukset asiakkaisiin, loppukäyttäjiin, työntekijöihin, kannattavuuteen ja kilpailukykyyn on dokumentoitu hyvin johdon kirjallisuudessa. Yksi tekijä, joka tekee tällaisista ongelmista erittäin näkyviä, ovat muodolliset johtamisjärjestelmät, joita ohjaavat asiakirjat, kuten ISO 9001. Ne edellyttävät, että organisaatiot keräävät ja analysoivat prosessien suorituskykyä koskevia tietoja auditointeja, sisäisiä suorituskykyindikaattoreita ja asiakaspalautetta käyttäen, ja havaitut ongelmat on korjattava. otettu toistumisen estämiseksi. Valitettavasti ei ole panostettu riittävästi ohjeiden antamiseen siitä, kuinka tehdä tehokas diagnoosi ongelmien syiden tunnistamiseksi. Organisaatiot toteuttavat usein sitä, mitä kurssini osallistuja kutsui "ilmanauharatkaisuksi", toivoen, että se ratkaisee ongelman. Samaan aikaan toistuviin ongelmiin liittyvät riskit ovat lisääntyneet merkittävästi. Paitsi, että kilpailu on paljon suurempaa lähes kaikilla markkina -alueilla, myös epäonnistumisista kärsivät organisaatiot ja yksilöt odottavat usein merkittävää rahallista korvausta. Internetin ja erilaisten sosiaalisten ja laillisten liikkeiden tuoma läpinäkyvyyden lisääntyminen tekee myös ongelmia näkyvämmiksi. Vaikka ongelmien tunnistaminen on tiukempaa, kyky ratkaista niitä ei välttämättä ole parantunut samaa tahtia. Suuri osa tarjottavasta koulutuksesta on liian korkeatasoista ja filosofista tai keskittyy luovaan ongelmanratkaisuun analyyttisen ratkaisun sijaan. Ihmisiä ei opeteta ajattelemaan loogisesti ja deduktiivisesti.

xviii Ensimmäisen painoksen esipuhe

Tämä kirja tarjoaa yksityiskohtaisia ​​vaiheita ongelmien ratkaisemiseksi keskittyen enemmän analyyttiseen prosessiin, joka liittyy ongelmien todellisten syiden löytämiseen. Se tekee tämän käyttämällä suurta määrää lukuja, kaavioita ja työkaluja, jotka auttavat tekemään ajattelumme näkyväksi. Tämä lisää kykyämme nähdä, mikä on todella tärkeää, ja tunnistaa paremmin ajattelumme virheet. Kirjan tarkoituksena ei ole opettaa itse työkaluja, sillä sitä on käsitelty hyvin muualla. Esitetään kuitenkin menetelmiä työkalujen käyttämiseksi parempien päätösten tekemiseen. Tilastojen aihe on tarkoituksella jätetty pois tästä kirjasta. Vaikka erilaiset tilastolliset menetelmät ovat arvokkaita mittaus- ja prosessivaihteluiden validoinnissa, hypoteesien validiteettia koskevien todennäköisyyspäätösten tekemisessä sekä monimutkaisten monimuuttujatestien suunnittelussa ja analysoinnissa, nämä aiheet eivät kuulu tämän kirjan soveltamisalaan niiden laajan luonteen vuoksi. Kirjan painopiste on sen sijaan syiden löytämisen logiikassa – tai kuten koulutuspajoissa usein kuvataan, se on Six Sigma lite: ongelmanratkaisu ilman kaikkia raskaita tilastoja. Pääpaino on toistuvien ongelmien ratkaisemisessa sen sijaan, että suoritettaisiin tutkimuksia suuronnettomuuksista/onnettomuuksista. Suurin osa käytetystä terminologiasta on sitä, mitä lukijat näkevät arkikielenä, joten he voivat käyttää sitä myös henkilökohtaisessa elämässään. Monet esimerkit liittyvät tilanteisiin, jotka lukija todennäköisesti tuntee. Luvut 1 ja 2 tarjoavat vankan perustan perimmäisen syyanalyysin ymmärtämiselle, ja luvuissa 3–7 on tietoja kustakin viidestä kriittisestä vaiheesta, jotka ovat välttämättömiä ongelmien diagnosoinnissa. Luvut 8 ja 9 opastavat ratkaisujen tunnistamiseen, valintaan ja toteuttamiseen, ja luvuissa 10–12 tarkastellaan aihetta muista näkökulmista. Kolme liitettä tarjoavat lisätietoja, jotka auttavat lukijaa ymmärtämään, soveltamaan ja oppimaan lisää perussyyanalyysistä. Lukijan on tärkeää ymmärtää, että tämä kirja on suunniteltu täydentämään, ei korvaamaan, sääntelyviranomaisten, asiakkaiden tai muiden organisaatiolle tai toimialalle vaatimuksia määrittelevien sidosryhmien antamia ohjeita. Vaikka mukana on monia esimerkkejä, niitä käytetään vain auttamaan osoittamaan tiettyjä käsitteitä, eikä niitä tule pitää suosituksina mihinkään erityiseen ongelmatilanteeseen, jota lukija saattaa kohdata. Eräs kauttaaltaan vahvistettu filosofinen näkökohta on se, että Pareto-konseptia (80/20-sääntö) voidaan käyttää ongelmanratkaisuprosessin aikana, jolloin resursseja voidaan hyödyntää paremmin tavoilla, jotka antavat suuremman onnistumisen todennäköisyyden. Kuitenkin annettu

Ensimmäisen painoksen esipuhe xx

riskitason vuoksi jotkin organisaatiot tai tilanteet eivät välttämättä sovellu tähän lähestymistapaan. Kirja keskittyy ensisijaisesti perussyyanalyysin tekniseen prosessiin, mutta myös muita seikkoja, jotka voivat vaikuttaa prosessin tehokkaaseen toteuttamiseen, tuodaan esille.Ja vaikka käytetään monia esimerkkejä, tiedot tai muut tekijät on yleensä normalisoitu tai muulla tavoin mukautettu alkuperäisten lähteiden pitämiseksi anonyymeinä. Haluaisin antaa tunnustusta joillekin henkilöille ja organisaatioille, jotka ovat merkittävästi edistäneet ongelmanratkaisutietämystäni joko muodollisen koulutuksen tai kokemuksen kautta. Ensimmäinen on lukion fysiikan opettaja, Al Harper, joka upotti kurssille logiikkamoduulin. Sitten olivat yliopisto- ja täydennyskoulutusohjaajat Hugh Broome ja Jim White, jotka esittelivät minulle tilastollisia laatumenetelmiä, jotka auttoivat minua ymmärtämään vaihtelun ja sen lähteiden tärkeyttä. TRW Automotiven työntekijänä minulla oli mahdollisuus diagnosoida jatkuvasti tuote-, laite- ja prosessiongelmia – miljoonien arvoinen kokemus. Yksi tohtori Joseph Juranin varhaisista kirjoista, Managerial Breakthrough, vaikutti minuun suuresti. Tietenkin se, mikä todella vahvisti ja vahvisti tietämystäni, oli sen soveltaminen ja opettaminen lukuisille organisaatioille, mukaan lukien hallitus, armeija, koulutus, valmistus, terveydenhuolto ja rahoitusala. Kiitän kurssin osallistujia ja heidän organisaatioitaan lukuisista esimerkeistä ja heidän panoksestaan ​​oppimiseeni. Kiitos myös ASQ Quality Pressin työntekijöille mahdollisuudesta julkaista uudelleen heidän kanssaan. Ne todella saavat prosessin näyttämään helpolta, vaikka joskus ei siltä tunnukaan, kun luovutan lauantaista luvun käsittelyyn. Kannustan lukijoita ottamaan minuun yhteyttä kirjaa koskevissa kommenteissa tai kysymyksissä tai kirjaan perustuvissa työpajoissa. Siirry osoitteeseen http: // www.aplomet.com.

1 Parempaan perussyyanalyysiin

elän monimutkaisessa maailmassa. Ihmiset ja organisaatiot eivät usein usko, että heillä on aikaa suorittaa perusteelliset analyysit, joita tarvitaan ongelmien ratkaisemiseksi. Sen sijaan he ryhtyvät korjaaviin toimiin tehdäkseen ongelmasta vähemmän näkyvän ja ottavat käyttöön tilkkutäkkiä ad hoc -ratkaisuja, joiden toivovat estävän toistumisen. Sitten kun ongelma palaa, he turhautuvat - ja sykli toistuu. Toistuvien ongelmien riski nykymaailmassa on merkittävä. Useimmilla asiakkailla on monia mahdollisia ostolähteitä, ja tämä kilpailu tarkoittaa, että yrityksillä ei ole varaa resurssien aiheuttamaan hukkaan, jotka tuottavat riittämättömiä tuloksia. Vaikka virusmarkkinointi ja Internet voivat auttaa tekemään uudesta tuotteesta tai palvelusta välittömän hitin, nopea viestintä ongelmista voi yhtä nopeasti tuhota menestyksen. Ja useammat kuin muut kuluttajat ja lakiasiaintoimistot ovat valmiita hyödyntämään epäonnistumisia luodakseen itselleen taloudellisen bonuksen ryhmäkanteiden avulla. Tämä ei tarkoita sitä, että kaikkiin ongelmiin olisi kiinnitettävä yhtä huomiota. Niiden, joilla on suurempi potentiaalinen vaikutus, on kuitenkin saatava asianmukainen painopiste. Toistuvat epäonnistumiset voidaan tulkita asianmukaisen huolellisuuden puutteeksi, kun otetaan huomioon viime vuosisadan aikana hankittu tieto siitä, kuinka tehokkaasti suunnitella, tuottaa ja toimittaa luotettavia tuotteita ja palveluita.

ONGELMA Kansainvälisen standardointijärjestön (ISO 2007) mukaan vuoden 2006 loppuun mennessä maailmanlaajuisesti oli myönnetty yli miljoona sertifikaattia laadunhallintajärjestelmän noudattamisesta.

standardit, kuten ISO 9001, IATF 16949 ja ISO 13485. Vaikka monet näistä sertifikaateista myönnettiin valmistaville yrityksille, on olemassa myös monia muita standardeja ja/tai ohjeita, joita muut sektorit ja muut hallintajärjestelmät käyttävät. Joitakin laajemmin tunnettuja esimerkkejä ovat ISO 14001 -standardi ympäristöjohtamisjärjestelmille, Joint Commission on Accreditation of Healthcare Organisations (JCAHO), Capability Maturity Model Integrated (CMMI) ja ITIL (Information Technology Infrastructure Library) tietotekniikalle. , ja yleisesti hyväksytyt kirjanpitoperiaatteet (GAAP) taloushallinnossa. Viime vuosina on kehitetty entistä enemmän hallintajärjestelmästandardiperheitä. Joitakin esimerkkejä ovat elintarviketurvallisuuden hallinta (ISO 22000), tietojärjestelmäpalveluiden hallinta (ISO 20000), tietoturvan hallinta (ISO 27000), työterveys- ja turvallisuusjohtaminen (ISO 45001), energiahallinta (ISO 50000) ja omaisuudenhallinta. (ISO 55000). Vuonna 2018 ISO-tutkimuksessa laskettiin yli 1,5 miljoonaa sertifikaattia, lukuun ottamatta IATF 16949:ää. Tällaiset asiakirjat tarjoavat yleisiä kuvauksia johtamisjärjestelmistä, jotka mahdollistavat organisaatioille joustavuuden niiden ainutlaatuisten ominaisuuksien vuoksi. Useimpien asiakirjojen tärkeä osa on tunnistus siitä, että järjestelmät epäonnistuvat toisinaan, ja siksi järjestelmää autetaan organisaatiota tunnistamaan viat, diagnosoimaan niiden syyt ja ryhtymään toimiin toistumisen estämiseksi. Standardien (samoin kuin useimpien organisaatioiden sisäisten menettelyjen) antamat ohjeet korjaaviin toimiin ovat kuitenkin ensisijaisesti hallinnollisia tarkoituksia eivätkä siten tarjoa apua diagnoosin suorittamiseen. Sillä välin useimmat ihmiset eivät ole saaneet koulutusta perussyyanalyysiin. Kirjoittajan vuosien kokemus ihmisten kouluttamisesta ongelmanratkaisuun osoittaa, että perussyyanalyysin käyttäminen ei ole laajalti tunnettu taito. Koulut eivät todellakaan opeta sitä, edes ammateissa, joissa sitä selvästi tarvitaan (Groopman, 2007). Sen sijaan ne kuvaavat, miten tutkittavaan tekniikkaan liittyviä erityisongelmia diagnosoidaan (esimerkiksi lääketieteelliset ongelmat, jos opiskelee lääkäriksi, tai tietotekniikka, jos opiskelee tietojenkäsittelytieteitä). Perussyiden analyysi on kuitenkin yleinen taito, jota voidaan soveltaa melkein mihin tahansa ongelmaan. Jotkut ihmiset oppivat sen ajan myötä toistuvista kokemuksista ongelmien ratkaisemisesta, mutta tämä vie paljon aikaa, ja matkan varrella tehdään todennäköisesti monia virheitä, ennen kuin hänestä tulee erittäin taitava.

Paremman perussyyanalyysin saaminen 3

VAIKUTUS Jotkut ihmiset vain hyväksyvät ongelmat osaksi elämää, koska ne näyttävät olevan kaikkialla, missä katsot. Seuraavassa on vain muutamia tilastoja, jotka osoittavat järjestelmien laajalle levinneen vian: • Institute of Medicine arvioi, että Yhdysvalloissa jopa 98 000 ihmistä kuolee vuosittain lääketieteellisten virheiden vuoksi (Kohn, Corrigan ja Donaldson 1999) ja Vuonna 2016 luku nousi yli 250 000:een (Johns Hopkinsin tutkimus). • Wikipedia listaa yli 60 onnettomuutta tai vaaratilannetta, jotka liittyivät kaupallisiin lentoihin eri puolilla maailmaa vuosina 2015–2018. • National Highway Transportation Safety Administration (NHTSA) -verkkosivuston mukaan huhtikuun 2008 aikana ilmoitettiin yli 50 tuotteen markkinoilta vedosta. • Food and Drug Administrationin (FDA) verkkosivustolla oli yli 100 takaisinvetoa vain vuoden 2018 kolmen viimeisen kuukauden aikana. Vaikka nämä julkiset luvut ovat tärkeitä, omalla tavallaan yhtä merkittäviä ovat päivittäiset ongelmat, joita kuluttajien ja liikemiesten on käsiteltävä . Ehkä se on hotellihuoneen ovi, joka ei aukea, kun avainkortti asetetaan, virhe tiliotteessa, uusi televisio, joka ei toimi, tai lentokoneen myöhäinen lähtö. Työpaikalla se voi olla asiakirja, jota ei ole allekirjoitettu, tietokonejärjestelmä ei toimi, lasku on maksettu kahdesti tai tuote, joka ei toimi, mutta joka on lähetettävä. Tällaiset ongelmat voivat maksaa ihmisille heidän työpaikkansa, heidän elämänsä säästöt ja henkensä. Ne myös vähentävät ihmisten luottamusta toisiinsa ja instituutioihimme. Kun ihmiset ja organisaatiot alkavat vastustaa riskejä, he ovat vähemmän halukkaita tutkimaan ja innovoimaan. Kuitenkin juuri nämä viimeksi mainitut toiminnot ovat luoneet teknologisia, taloudellisia ja yhteiskunnallisia läpimurtoja, jotka ovat tehneet maailmasta yhtä edistyneen ja monimutkaisen kuin nykyään.

LÄHESTYMISTAVAT PERUSSYYANALYYSIIN Perussyyanalyysin suorittamiseen on monia menetelmiä. Yhdysvaltain energiaministeriön (DOE [2003]) ohjeessa luetellaan seuraavat viisi: • Tapahtumat ja syytekijäanalyysi-Tätä prosessia käytetään laajalti suuriin yksittäistapauksiin liittyviin ongelmiin, kuten jalostamon räjähdykseen. Se

käyttää nopeasti ja järjestelmällisesti kerättyä näyttöä määrittääkseen aikataulun onnettomuuteen johtaville toimille. Kun aikajana on määritetty, syy- ja myötävaikuttavat tekijät voidaan tunnistaa. • Muutosanalyysi - Tätä lähestymistapaa voidaan soveltaa tilanteisiin, joissa järjestelmän suorituskyky on muuttunut merkittävästi. Se tutkii ihmisissä, laitteissa, tiedoissa ja niin edelleen tehtyjä muutoksia, jotka ovat saattaneet vaikuttaa suorituskyvyn muutokseen. • Esteanalyysi – Tämä tekniikka keskittyy siihen, mitä ohjauskeinoja prosessissa on käytössä ongelmien estämiseksi tai havaitsemiseksi, ja mitkä ovat saattaneet epäonnistua. • Johdon valvonta ja riskipuuanalyysi - Yksi tämän lähestymistavan osa on puukaavion käyttö tarkastella mitä tapahtui ja miksi se olisi voinut tapahtua. • Kepner-Tregoen ongelmanratkaisu ja päätöksenteko – Tämä malli tarjoaa neljä erillistä vaihetta ongelmien ratkaisemiseen: (1) tilanneanalyysi, (2) ongelmaanalyysi, (3) ratkaisuanalyysi ja (4) mahdollisten ongelma-analyysi. Näiden viiden lähestymistavan välillä on tietysti päällekkäisyyksiä, ja tässä kirjassa esitetty malli, joka perustuu yli 40 vuoden kokemukseen useiden ongelmien vianmäärityksestä, sisältää näkökohtia jokaisesta. Kirjan pääpaino on auttaa ongelmanratkaisijoita erilaistumaan niiden yleisten vaiheiden välillä, jotka liittyvät (1) ongelman tunnistamiseen, (2) diagnoosin tekemiseen, (3) ratkaisujen valitsemiseen ja toteuttamiseen sekä (4) tulosten hyödyntämiseen ja ylläpitämiseen. Pääpaino on diagnoosissa, jonka ytimessä on looginen, deduktiivinen analyysi, joka tehdään kriittistä ajattelua käyttäen. Yksi este tehokkaalle perussyy-analyysille on loogisen ajattelun puute syy-seuraussuhteista. Esimerkki television uutislähetyksestä vahvistaa tämän. Ankkuri totesi, että pankkiryöstöjen määrä oli lisääntynyt edellisen vuoden aikana ja katsoi sen johtuvan siitä, että pankkien määrä oli lisääntynyt. Mutta jos pankkiryöstöjen (tai ryöstötoiminnan) määrä ei olisi lisääntynyt, todellisten ryöstöjen määrä ei olisi ollut suurempi. Eli vaikka pankkeja tarvitaan pankkiryöstöihin, ne eivät riitä. Toinen este on luottamuksemme intuitioon tai aikaisempaan kokemukseemme. Daniel Kahneman (2013) toteaa, että on olemassa kaksi ajattelutapaa,

Perussyyanalyysin parantaminen 5

Järjestelmä 1 ja järjestelmä 2. Järjestelmä 1 on nopea, alitajuinen ja ilman paljon syvyyttä, kun taas järjestelmä 2 on hidas ja järjestelmällinen. Järjestelmä 1 perustuu aikaisempaan kokemukseen ja sisältää usein paljon harhaa, joka saa yksilön tekemään hätiköityjä johtopäätöksiä. Kun yritetään etsiä ongelman syitä, on hyödyllistä hidastaa ja olla tiukempi faktojen ja tietojen käytössä. Tällaiset ajatteluvirheet johtavat ongelmiin teknisillä, organisatorisilla ja sosiaalisilla areenoilla. Yksilöt keskittyvät usein siihen, mikä on näkyvintä, kenellä on syvimmät taskut tai mikä tahansa poliittisesti kätevin, sen sijaan, että se ratkaisee ongelman. Jos tällaiset harkintakyvyttömyydet jatkuvat, samat ongelmat tietysti jatkuvat. Ajattele vain, miltä organisaatiossa tuntuu, kun kaikki tietävät, mikä on todellinen syy, mutta kukaan ei halua puhua. Tietenkin, kuten tohtori W. Edwards Deming usein sanoi, selviytyminen ei ole pakollista (Lowenthal 2002). Kapitalismilla on tapa karsia pois vähemmän tehokkaita organisaatioita, mutta valitettavasti se kestää usein kauan ja aiheuttaa paljon tuskaa.

OLEMASSA OLEVAT ONGELMIENRATKAISUMALLIT Miten organisaatiot voivat siis selviytyä perussyyanalyysin ohjauksen puutteesta? Yksi tapa on tarjota malli, joka antaa ihmisille riittävästi tietoa tarvittavista diskreetistä henkisestä toiminnasta. On kuitenkin hyödyllistä ymmärtää myös joidenkin organisaatioissa käytettyjen mallien mahdolliset heikkoudet.

ISO 9001 -standardin mukainen korjaavien toimenpiteiden prosessi Korjaavien toimenpiteiden menettely on se, mitä useimmat organisaatiot tarjoavat työntekijöille, joiden on suoritettava perussyyanalyysi ja ryhdyttävä korjaaviin toimiin. Valitettavasti menettelyllä on taipumus jäljitellä ISO -standardia edellyttämällä seuraavaa: (1) ongelmat tunnistetaan ja dokumentoidaan, (2) syyt määritetään, (3) korjaavat toimet toteutetaan ja (4) toimenpiteen tehokkuus arvioidaan. Vaikka menettely sisältää tyypillisesti hieman enemmän tietoa siitä, kenen tulee valvoa ja allekirjoittaa korjaavia toimenpiteitä, mitä lomakkeita ja tietokantoja käytetään diagnoosin/toimien/tulosten dokumentoimiseen sekä vaadituista raportointikanavista ja ajoituksesta, menettely yleensä tekee ei anna mitään apua syiden löytämiseen.

Six Sigma DMAIC Six Sigma -prosessin parantamiseen käytetty Define-Measure-Analyze-Improve-Control (DMAIC) -malli on varmasti hyvä. Se auttaa organisaatiota varmistamaan, että se työskentelee oikeiden ongelmien parissa, on oikeat ihmiset mukana, harkitsee kriittisiä asiakastoimenpiteitä, arvioi prosessidatan luotettavuutta/vakautta/kykyä, tunnistaa tärkeimmät tekijät, jotka vaikuttavat suorituskykyä, muuttaa prosessia vähentääkseen näiden tekijöiden vaikutusta ja säilyttää hyödyt. Kolme vaihetta määrittäminen, mittaaminen ja analysointi sopivat erinomaisesti perimmäisten syiden tunnistamiseen, mutta Six Sigma Black Belt, joka ohjaa projektiryhmiä tällaisen analyysin läpi, saa yleensä neljän viikon koulutuksen mallin ja sitä tukevien eri työkalujen soveltamisesta. . Pelkästään tällaisen korkean tason mallin tarjoaminen korjaavien toimenpiteiden tukemiseksi ei olisi riittävä, koska kouluttamattomalla henkilöstöllä ei olisi riittävästi tietoa sen noudattamisesta.

Muut mallit Saatavilla on tietysti monia muitakin ongelmanratkaisumalleja. Plan-Do-Check-Act (PDCA), jonka on kehittänyt tohtori Walter Shewhart ja jonka Deming on toimittanut ja muuttanut PDSA:ksi (Plan-Do-StudyAct), on käytetty laajasti, mutta se tarjoaa vain vähän yksityiskohtia perimmäisen syyn löytämisestä. Ford Motor Companyn 1980-luvulla kehittämä Eight Discipline (8D) -malli on otettu laajalti käyttöön monissa organisaatioissa, ja parannettu Global 8D -versio on melko hyvä. Mutta jälleen kerran, raaka muoto (esimerkiksi pelkkä luettelo 8D:istä) ei tarjoa paljon kognitiivista ohjausta.

EHDOTETTU MALLI Perussyyanalyysikoulutuksen kysynnän vuoksi kirjoittaja otti 7-vaiheisen ongelmanratkaisumallinsa ja laajensi sitä antamaan lisää syvyyttä diagnostisiin vaiheisiin. Kuva 1.1 on tuloksena saatu 10-vaiheinen malli, kun taas Taulukko 1.1 näyttää sen vertailun muihin yleisiin malleihin. Malli koostuu kahdesta päävaiheesta: Vaiheet 1–5 ovat diagnoosivaihe (perussyyn selvittäminen) ja vaiheet 6–10 ratkaisuvaihe (ongelman korjaaminen). Ja vaikka malli näyttää lineaariselta, ainutlaatuinen ominaisuus on viiden diagnostisen vaiheen iteratiivisuus.

Perussyyanalyysin parantaminen 7

Määritä ongelma Ymmärrä prosessi Tunnista mahdolliset syyt Kerää tiedot Analysoi tiedot

Tunnista mahdolliset ratkaisut Valitse toteutettava(t) ratkaisu(t) Toteuta ratkaisu(t) Arvioi vaikutus(t) Institutionalisoi muutos


Liitteiden sisältösivu

  1. Psykiatrian, hoitotyön ja kätilöiden tutkimusetiikan alakomitean (PNM RESC) alkuperäinen hyväksyntä (18.11.2014)
  2. Psykiatrian, hoitotyön ja kätilön tutkimuksen eettisen alakomitean (PNM RESC) muutoshyväksyntä (27.02.2015)
  3. Psykiatrian, hoitotyön ja kätilöiden tutkimusetiikan alakomitean (PNM RESC) muutosten hyväksyminen (16.7.2015)
  4. Kyselylomakkeet täytetty jokaisena ajankohtana
  5. Tutkimuskyselyt
    1. Negatiivisen ajattelun tavanomainen indeksi
    2. Itsekriittinen märehtimisasteikko
    3. Työ- ja sosiaalisopeutusasteikko
    4. Potilaan terveyskysely (PHQ-9)
    5. Yleistynyt ahdistuneisuushäiriö (GAD-7)
    6. Rosenbergin itsetuntoasteikko
    7. Moniulotteinen perfektionismin asteikko
    8. Itsemyötätunto-asteikko
    9. Emotion Regulation Questionnaire
    10. Uskomukset tunteista mittakaavassa
    11. Itsekritisoinnin/hyökkäämisen ja itsevarmuuden asteikko
    12. Itsekritiikki-/hyökkäysasteikon toiminnot
    1. Istunto 1
    2. Istunto 2
    3. Jakso 3
    4. Istunto 4
    5. Jakso 5

    Liite 1. Psykiatrian, hoitotyön ja kätilötutkimuksen eettisen alakomitean (PNM RESC) alkuperäinen hyväksyntä (18.11.2014)

    Psykiatrian, psykologian ja neurotieteen instituutti

    De Crespignyn puisto
    Lontoo SE5 8AF

    PNM/14/15-33 Itsekritiikki: uuden toimenpiteen kehittäminen

    Tarkistuksen tulos: Täysi hyväksyntä

    Kiitos hakemuksesi eettisestä hyväksynnästä. PNM RESC tarkasteli tätä 18. marraskuuta 2014. Tämän seurauksena komitea on myöntänyt tutkimuksellesi täyden eettisen hyväksynnän.

    Edellytykset
    Hyväksyntäsi perustuu seuraavien ehtojen täyttymiseen:

    1. Kohdat 2.2 ja 2.3: Huomaa, että eettinen hyväksyntä tohtorintutkinnon suorittamiseen myönnetään yleensä 3 vuodeksi.
    2. Osio 7.1:
    1. Rekrytointiasiakirjoista tulee selvästi ilmoittaa, että tutkimus on tutkimusprojekti. Siinä komitea suosittelee voimakkaasti, että sanalla "Tarjoamme..." alkavat kohdat muotoillaan uudelleen tämän huomioon ottamiseksi.
    2. Komitea suosittelee, että osallistujille annetaan vähintään 24 tuntia aikaa osallistua osallistumiseen tietolomakkeen lukemisen jälkeen.
    1. Tietolomake:
    1. Poista kohta "Entä jos on ongelma?"
    2. Lisää kappale, joka alkaa sanoilla "Jos tämä tutkimus on vahingoittanut sinua jollakin tavalla..." ennen akateemisten ohjaajien yhteystietoja.

    Sinun ei tarvitse toimittaa todisteita komitealle näiden ehtojen täyttymisestä, mutta eettinen hyväksyntäsi on pätevä vain, jos nämä muutokset tehdään. Et saa aloittaa tutkimusta ennen kuin nämä ehdot on täytetty.

    Varmista, että noudatat kaikkia asiaankuuluvia ohjeita, jotka on esitetty King’s College London Guidelines on Good Practice in Academic Research (http://www.kcl.ac.uk/college/policyzone/index.php?id=247) mukaisesti. .

    Tiedoksi, eettinen hyväksyntä on myönnetty 20. marraskuuta 2017 asti. Jos tarvitset hyväksynnän tämän jälkeen, sinun on haettava hyväksynnän pidennystä vähintään kaksi viikkoa ennen tätä ja selvitettävä, miksi jatkoaikaa tarvitaan (huomaa kuitenkin, että uudelleenhakemusta ei tarvita, ellei protokolla ole muuttunut). Huomaa myös, että jos hyväksyntäsi on voimassa vuodeksi, sinulle ei lähetetä muistutusta sen raukeamisesta.

    Eettinen hyväksyntä vaaditaan kattamaan tutkimustutkimuksen keston tutkimuksen loppuun asti. Tutkimuksen lopputulokseksi määritellään hyväksytyn hakulomakkeen tutkimuskuvausosiossa tarkennettu viimeinen päivämäärä tai tapahtuma (yleensä tiedonkeruun päättyminen, kun kaikki työ ihmisiin osallistuvien kanssa on tehty), ei data-analyysin valmistuminen tai tulosten julkaiseminen.
    Hankkeissa, joihin liittyy vain olemassa olevan tiedon lisäanalyysi, hyväksynnän on katettava kaikki ajanjaksot, joiden aikana tutkija pääsee käsiksi tai arvioimaan yksittäisiä arkaluonteisia ja/tai anonymisoimattomia tietueita.
    Huomaa, että sen pisteen jälkeen, jolloin tutkimuksellesi ei enää tarvita eettistä hyväksyntää, koska tutkimus on valmis (yllä olevien määritelmien mukaisesti), sinun on silti varmistettava kaikki tutkimusdatan/tietueiden hallinta- ja säilytysmenettelyt, jotka on sovittu osana tutkimusta. hakemustasi noudatetaan ja suoritetaan sen mukaisesti.

    Jos et aloita hanketta kolmen kuukauden kuluessa tästä kirjeestä, ota yhteyttä tutkimuseettiseen toimistoon.

    Jos haluat tehdä muutoksia projektiin tai pyytää hyväksynnän pidennystä, tarvitset hyväksynnän ja noudata hyväksyttyjen hakemusten muokkaamiseen liittyviä ohjeita: http://www.kcl.ac.uk/innovation/research/support /etiikka/sovellukset/muutokset.aspx

    Huomioithan myös, että saatamme tarkastusta varten ottaa sinuun ajoittain yhteyttä varmistaaksemme tutkimuksesi tilan.

    Jos sinulla on kysyttävää mistä tahansa tämän eettisen hyväksynnän näkökulmasta, ota ensin yhteyttä paneelisi/komiteasi järjestelmänvalvojaan (http://www.kcl.ac.uk/innovation/research/support/ethics/contact.aspx)
    Toivotamme sinulle menestystä tässä työssä.

    James Patterson – vanhempi tutkimuseettinen virkailija

    puolesta ja puolesta

    Professori Gareth Barker, puheenjohtaja

    Psykiatrian, hoitotyön ja kätilön tutkimuksen eettinen alakomitea (PNM RESC)

    Liite 2. Psykiatrian, hoitotyön ja kätilön tutkimuksen etiikan alakomitean (PNM RESC) muutoshyväksyntä (27.02.2015)

    Lontoon King’s Collegessa
    PO78, Addiction Sciences Building
    Lontoo SE5 8AF

    PNM/14/15-33 Itsekritiikki: uuden toimenpiteen kehittäminen

    Kiitos, että lähetit muutospyynnön yllä olevaan tutkimukseen. Kirjoitan vahvistaakseni näiden hyväksymisen. Hyväksytyt muutokset on esitetty laajasti alla:

    1. Osa 4:
    1. Kokoelma GAD-7-, PHQ-9- ja Rosenberg ’s -arvontamittareita T1: ssä.
    2. SurveyMonkeyn käyttö vastausten keräämiseen mittauksiin T1–T5.
    1. Kohta 6.2: Anorexia nervosan lisääminen poissulkemiskriteereihin.
    2. Kohta 6.3: Mini International Neuropsychiatric Interview -tutkimuksen käyttö

    Jos sinulla on kysyttävää, älä epäröi ottaa yhteyttä tutkimuseettiseen toimistoon.

    Liite 3. Psykiatrian, hoitotyön ja kätilötutkimuksen eettisen alakomitean (PNM RESC) muutoshyväksyntä (16.07.2015)

    PNM/14/15-33 Itsekritiikki: uuden toimenpiteen kehittäminen

    Kiitos, että lähetit muutospyynnön yllä olevaan tutkimukseen. Kirjoitan vahvistaakseni tämän hyväksymisen. Hyväksytty muutos on laajasti tiivistetty alla:

    Jos sinulla on kysyttävää, kerro minulle.

    James Patterson – vanhempi tutkimuseettinen virkailija

    Liite 4. Jokaisena ajankohtana täytetyt kyselyt

    Kyselylomake Toimenpiteen tyyppi Aika piste
    Negatiivisen ajattelun tavanomainen indeksi Ensisijainen tulosmittaus Jokainen ajankohta
    Itsekriittinen märehtimisasteikko Ensisijainen tulosmittaus Joka aikapiste
    Työ- ja sosiaalisopeutusasteikko Ensisijainen tulosmittaus Joka aikapiste
    Potilaan terveyskysely (PHQ-9) Toissijainen tulosmittaus Seulonta, S1, S3, S6 ja seuranta
    Yleistynyt ahdistuneisuushäiriö (GAD-7) Toissijainen tulosmittaus Seulonta, S1, S3, S6 ja seuranta
    Rosenbergin itsetuntoasteikko Toissijainen tulosmittaus Seulonta, S1, S3, S6 ja seuranta
    Moniulotteinen perfektionismin asteikko Toissijainen tulosmittaus S1, S3, S6 ja seuranta
    Itsemyötätunto-asteikko Prosessin mitta S1-S6 ja vahvistimen seuranta
    Emotion Regulation Questionnaire Prosessin mitta S1, S3, S6 ja vahvistimen seuranta
    Uskomukset tunteista mittakaavassa Prosessin mitta S1, S3, S6 ja seuranta
    Itsekritisoinnin/hyökkäämisen ja itsevarmuuden asteikko Muotoilun helpottamiseksi Vain S1
    Itsekritiikki-/hyökkäysasteikon toiminnot Muotoilun helpottamiseksi Vain S1

    Huomautuksia: S1: istunto 1 S3: istunto 3 S6: istunto 6

    Liite 5. Tutkimuskyselyt

    Välillä ajattelemme itseämme. Tällaiset ajatukset voivat olla myönteisiä, mutta voivat myös olla negatiivisia. Tässä tutkimuksessa olemme kiinnostuneita negatiivinen ajatuksia, joita sinulla saattaa olla itsestäsi. Ilmoita, kuinka paljon olet samaa tai eri mieltä seuraavista väitteistä.


    Otoskoon estimointi teholle ja tarkkuudelle algoritmien kokeellisessa vertailussa

    Suorituskyvyn kokeelliset vertailut ovat tärkeä näkökohta optimointialgoritmien tutkimuksessa. Tässä työssä esittelemme menetelmän tarvittavien otoskokojen määrittämiseksi kokeiden suunnittelussa halutuilla tilastollisilla ominaisuuksilla kahden menetelmän vertailua varten tietyssä ongelmaluokassa. Ehdotetun lähestymistavan avulla kokeilija voi määrittää halutut tarkkuustasot arvioitaessa keskimääräisiä suorituskykyeroja yksittäisissä ongelmatilanteissa sekä halutun tilastollisen tehon keskimääräisen suorituskyvyn vertaamiseksi kiinnostuksen kohteena olevalle ongelmaluokalle. Menetelmä laskee tarvittavan määrän ongelma -ilmentymiä ja suorittaa algoritmit kullakin testitapauksella siten, että arvioitujen suorituskykyerojen tarkkuutta hallitaan ennalta määrätyllä tasolla. Kaksi esimerkkiä havainnollistavat ehdotetun menetelmän soveltamista ja sen kykyä saavuttaa halutut tilastolliset ominaisuudet metodologisesti järkevällä määrittelyllä asiaankuuluvien otoskokojen osalta.

    Tämä on tilaussisällön esikatselu, pääsy oppilaitoksesi kautta.


    Turvallisuus- ja luotettavuustutkimus moniulotteisesta luottamuksesta terveydenhuoltojärjestelmiin Scale turkkilaisessa potilasryhmässä

    Luottamuksen merkitys terveydenhuollossa tunnustetaan laajalti. Potilaiden terveydenhuoltojärjestelmiin kohdistuvan luottamuksen mittaaminen voi edistää terveydenhuoltopalvelujen rahoitusta, toimittamista ja tuloksia koskevia suunnitelmia. Vaikka potilaiden luottamusta voidaan mitata monilla mittakaavoilla, vähemmän huomiota on kiinnitetty luottamuksen moniulotteiseen luonteeseen terveydenhuoltojärjestelmiin. Tämän metodologisen tutkimuksen tarkoituksena oli mukauttaa Multidimensional Trust in Health-Care Systems Scale -asteikko turkkiksi ja arvioida sen psykometrisiä ominaisuuksia turkkilaiselle potilasjoukolle. Asteikko mukautettiin turkkiksi käännös- ja takaisinkäännösprosessin kautta. Asteikon sisällön validiteetti arvioitiin asiantuntijan hyväksynnällä. Asteikon psykometrisiä ominaisuuksia tutkittiin keräämällä tietoja 232 sairaalahoidossa olleelta potilaalta Ankarassa 1.1.–30.12.2010. Tutkiva tekijäanalyysi osoitti, että asteikon kolmen tekijän ominaisarvot olivat 7,30, 2,61 ja 1,21. kolme tekijää selitti 65 % varianssista. Varmistustekijäanalyysi osoitti riittävän mallin, joka sopii asteikon konstruktion validiteettiin. Cronbachin α kokonaisasteikolle oli 0,87, samoin kuin 0,91, 0,82 ja 0,61 kolmen ala-asteikon osalta Spearman-Brownin jaetun puolikkaan luotettavuuskerroin oli 0,67. Huolimatta ala-asteikon 3 alhaisesta sisäisestä johdonmukaisuudesta, tämän tutkimuksen todisteet tukevat Multidimensional Trust in Health-Care Systems -asteikon pätevyyttä ja luotettavuutta. Tällä instrumentilla voidaan mitata monia terveydenhuoltojärjestelmään kohdistuvan luottamuksen näkökohtia, mutta koska luottamus on kontekstuaalinen ilmiö, tarvitaan lisätyötä tämän asteikon psykometristen ominaisuuksien testaamiseksi sekä turkkilaisissa että eri kulttuureissa.

    Tämä on tilaussisällön esikatselu, pääsy oppilaitoksesi kautta.


    Tavoitteet

    Pyrimme tuomaan keskustelun luottamuskriisistä urheiluun ja liikuntapsykologiaan. Keskitymme tämän keskustelun tärkeään osa-alueeseen, otoskokojen vaikutukseen, arvioimalla otoskokoja urheilu- ja liikuntapsykologiassa. Tutkijat ovat väittäneet, että psykologisen tutkimuksen julkaisut sisältävät lukuisia vääriä positiivisia löydöksiä ja paisuneita vaikutuskokoja pienten otoskokojen vuoksi.

    Menetelmä

    Analysoimme neljää johtavaa urheilu- ja liikuntapsykologian aikakauslehteä kaikkien näissä lehdissä vuosina 2009–2013 julkaistujen kvantitatiivisten tutkimusten otoskokojen osalta. Tämän jälkeen teemme tehoanalyysejä.

    Tulokset

    Merkittävä osa julkaistuista tutkimuksista ei riitä havaitsemaan psykologiselle tutkimukselle tyypillisiä vaikutuskokoja. Näytteen koko ja teho vaihtelevat tutkimusmallien välillä. Vaikka monissa korrelaatiotutkimuksissa on riittävä otoskoko, kokeelliset tutkimukset ovat usein riittämättömiä pienten ja keskisuurten vaikutusten havaitsemiseksi.

    Päätelmät

    Koska otoskoko on pieni, urheilu- ja liikuntapsykologian tutkimus voi kärsiä vääristä positiivisista tuloksista ja täytetyistä vaikutuksista, mutta samalla he eivät pysty havaitsemaan merkityksellisiä pieniä vaikutuksia. Suuremmat otoskoot ovat perusteltuja erityisesti kokeellisissa tutkimuksissa.


    Sisällys

    Suuremmat otoskoot lisäävät yleensä tuntemattomien parametrien arvioinnin tarkkuutta. Jos esimerkiksi haluamme tietää, kuinka paljon tietyn kalalajin osuus taudinaiheuttajasta on saastunut, saisimme yleensä tarkemman arvion tästä osuudesta, jos ottaisimme näytteet ja tutkisimme 200 kalaa 100 kalan sijaan. Useat matemaattisten tilastojen perusasiat kuvaavat tätä ilmiötä, mukaan lukien suurten lukujen laki ja keskusrajalause.

    Joissakin tilanteissa suurempien otoskokojen tarkkuus on minimaalinen tai jopa olematon. Tämä voi johtua systemaattisista virheistä tai voimakkaasta riippuvuudesta tiedoissa tai jos data seuraa raskaan pyrstön jakautumista.

    Otoskokoja voidaan arvioida saatujen arvioiden laadun perusteella. Esimerkiksi, jos osuutta arvioidaan, 95 %:n luottamusvälin voi haluta olla alle 0,06 yksikköä leveä. Vaihtoehtoisesti otoskoko voidaan arvioida hypoteesitestin tehon perusteella. Jos esimerkiksi vertaamme tietyn poliittisen ehdokkaan kannatusta naisten keskuudessa kyseisen ehdokkaan kannatukseen miesten keskuudessa, saatamme haluta, että meillä on 80 % valta havaita 0,04 yksikön ero tukitasoissa.

    Osuuden arvio Muokkaa

    Suhteellisen yksinkertainen tilanne on osuuden arviointi. Voimme esimerkiksi haluta arvioida vähintään 65-vuotiaiden asukkaiden osuutta yhteisössä.

    Osuuden estimaattori on p ^ = X / n > = X/n>, missä X on positiivisten havaintojen määrä (esim n otokseen otetut ihmiset, jotka ovat vähintään 65 -vuotiaita). Kun havainnot ovat riippumattomia, tällä estimaattorilla on (skaalattu) binomijakauma (ja se on myös Bernoullin jakauman datan otoskeskiarvo). Tämän jakauman enimmäisvarianssi on 0,25n, joka tapahtuu, kun todellinen parametri on s = 0,5. Käytännössä siitä lähtien s on tuntematon, suurinta varianssia käytetään usein otoskoon arvioinnissa. Jos tunnetaan kohtuullinen estimaatti p:lle, suuruutta p ( 1 − p ) voidaan käyttää arvon 0,25 tilalla.

    Riittävän suurille n, p ^ >> on lähellä normaalijakaumaa. [1] Käyttämällä tätä ja Wald-menetelmää binomijakaumaan saadaan muodon luottamusväli

    Jos haluamme luottamusvälin, se on W yksiköiden kokonaisleveys (W/2 näytteen keskiarvon kummallakin puolella), ratkaisimme

    varten n, jolloin saadaan otoskoko

    Jos olemme esimerkiksi kiinnostuneita arvioimaan tiettyä presidenttiehdokasta kannattavan osuuden Yhdysvaltain väestöstä ja haluamme 95 prosentin luottamusvälin olevan enintään 2 prosenttiyksikköä (0,02), tarvitsemme otoskoon of (1,96 2 )/(0,02 2 ) = 9604. Tässä tapauksessa on järkevää käyttää p:n arviota 0,5, koska presidentinvaalit ovat usein lähellä 50/50, ja on myös järkevää käyttää konservatiivista arviota. Virhemarginaali tässä tapauksessa on 1 prosenttiyksikkö (puolet 0,02:sta).

    Edellä oleva on yleensä yksinkertaistettu.

    muodostaa 95 %:n luottamusvälin todelliselle osuudelle. Jos tämän välin ei tarvitse olla enempää kuin W yksikköä leveä, yhtälö

    voidaan ratkaista n, tuottaa [2] [3] n = 4/W 2 = 1/B 2 missä B on arvioon sidottu virhe, eli estimaatti annetaan yleensä muodossa ± B:n sisällä. Joten, varten B = 10% vaaditaan n = 100, varten B = 5 % yksi tarvitsee n = 400, varten B = 3% vaatimus lienee n = 1000, kun taas B = 1 % näytteen koosta n = 10 000 vaaditaan. Näitä lukuja lainataan usein mielipidemittausten uutisissa ja muissa otantatutkimuksissa. Muista kuitenkin aina, että raportoidut tulokset eivät välttämättä ole tarkka arvo, koska luvut on mieluiten pyöristetty ylöspäin. Tietäen, että arvo n on näytepisteiden vähimmäismäärä, joka tarvitaan halutun tuloksen saavuttamiseksi, vastaajien lukumäärän on tällöin oltava vähimmäismäärän yläpuolella.

    Arvio keskiarvosta Muokkaa

    Osuus on keskiarvon erikoistapaus. Populaatiota arvioitaessa käytetään riippumatonta ja identtisesti jakautunutta (iid) kokoista otosta n, jossa jokaisella data-arvolla on varianssi σ 2, näytteen keskiarvon standardivirhe on:

    Tämä lauseke kuvaa kvantitatiivisesti, kuinka arvio muuttuu tarkemmaksi otoksen koon kasvaessa. Keskirajalauseen käyttäminen näytteen keskiarvon approksimoimiseksi normaalijakaumalla antaa muodon luottamusvälin

    Jos haluamme luottamusvälin, se on W yksiköiden kokonaisleveys (W/2 näytteen keskiarvon kummallakin puolella), ratkaisimme

    varten n, jolloin saadaan otoskoko

    Jos olemme esimerkiksi kiinnostuneita arvioimaan, kuinka paljon lääke alentaa potilaan verenpainetta 95 %:n luottamusvälillä, joka on kuusi yksikköä leveä, ja tiedämme, että väestön verenpaineen keskihajonna on 15, niin vaadittu näytekoko on 4 × 1,96 2 × 15 2 6 2 = 96,04 imes 15^<2>><6^<2>>>=96,04> , joka pyöristetään ylöspäin 97:ään, koska saatu arvo on minimi otoskoon ja otoskoon on oltava kokonaislukuja, ja niiden on oltava lasketun vähimmäisarvon yläpuolella.

    Yleinen tilastotieteilijöiden kohtaama ongelma on laskea otoskoko, joka vaaditaan tietyn tehon tuottamiseksi testille, kun otetaan huomioon ennalta määrätty tyypin I virhesuhde α. Seuraavalla tavalla tämä voidaan arvioida ennalta määrätyillä taulukoilla tietyille arvoille, Meadin resurssiyhtälöllä tai yleisemmin kumulatiivisella jakaumafunktiolla:

    Muokkaa taulukoita

    Oikealla olevaa taulukkoa voidaan käyttää kahden otoksen t-testissä arvioimaan koeryhmän ja kontrolliryhmän otoskoot, jotka ovat samankokoisia, eli kokeen yksilöiden kokonaismäärä on kaksinkertainen annetusta numerosta ja haluttu merkitsevyystaso on 0,05. [4] Käytetyt parametrit ovat:

    • Kokeen haluttu tilastollinen teho, joka näkyy vasemmalla olevassa sarakkeessa. (= vaikutuksen koko), joka on odotettu ero koearvon ja kontrolliryhmän tavoitearvojen keskiarvojen välillä jaettuna odotetulla keskihajonnalla.

    Meadin resurssiyhtälö Muokkaa

    Meadin resurssiyhtälöä käytetään usein laboratorioeläinten näytteen koon arviointiin sekä moniin muihin laboratoriokokeisiin. Se ei ehkä ole yhtä tarkka kuin muiden menetelmien käyttäminen otoskoon arvioinnissa, mutta antaa vihjeen siitä, mikä on sopiva otoskoko, jos parametreja, kuten odotettuja keskihajontoja tai odotettuja eroja ryhmien välillä, ei tunneta tai niitä on vaikea arvioida. [5]

    Kaikki yhtälön parametrit ovat itse asiassa niiden käsitteiden lukumäärän vapausasteita, ja siksi niiden luvut vähennetään yhdellä ennen kuin ne lisätään yhtälöön.

    • N on tutkimuksessa olevien yksilöiden tai yksiköiden kokonaismäärä (miinus 1)
    • B on estävä komponentti, edustaa suunnittelussa sallittuja ympäristövaikutuksia (miinus 1)
    • T on hoitokomponentti, joka vastaa käytettävien hoitoryhmien määrää (mukaan lukien kontrolliryhmä) tai esitettyjen kysymysten määrää (miinus 1)
    • E on vapausasteet virhekomponentti, ja sen pitäisi olla jossain 10 ja 20 välillä.

    Jos esimerkiksi koe-eläimillä tehtävä tutkimus on suunniteltu neljällä hoitoryhmällä (T=3), kahdeksan eläintä ryhmää kohden, eli yhteensä 32 eläintä (N=31), ilman lisäosittelua (B=0), sitten E vastaisi 28:aa, mikä on yli 20:n rajan, mikä osoittaa, että otoskoko saattaa olla hieman liian suuri, ja kuusi eläintä ryhmää kohden voisi olla sopivampi. [6]

    Kumulatiivinen jakelufunktio Muokkaa

    Antaa Xi, i = 1, 2, . n ovat itsenäisiä havaintoja, jotka on otettu normaalijakaumasta, jonka keskiarvo on tuntematon ja varianssi σ 2 . Harkitse kahta hypoteesia, nollahypoteesia:

    ja vaihtoehtoinen hypoteesi:

    "pienimmän merkittävän eron" vuoksi μ * & gt 0. Tämä on pienin arvo, jolle välitämme erosta. Nyt, jos haluamme (1) hylätä H0 todennäköisyydellä vähintään 1 − β kun Ha on tosi (eli potenssi 1 − β) ja (2) hylätä H0 todennäköisyydellä α kun H0 on totta, tarvitsemme seuraavan:

    Jos zα on siis normaalin normaalijakauman ylempi α-prosenttipiste

    on päätössääntö, joka täyttää (2). (Tämä on yksisuuntainen testi.)

    Nyt toivomme, että tämä tapahtuisi todennäköisyydellä vähintään 1 - β kun Ha on totta. Tässä tapauksessa otoksemme keskiarvo tulee normaalijakaumasta, jonka keskiarvo on μ * . Siksi vaadimme

    Huolellisella manipuloinnilla tämä voidaan osoittaa (katso Tilastoteho#Esimerkki) tapahtuvan milloin

    Monimutkaisemmilla näytteenottotekniikoilla, kuten ositettu otanta, näyte voidaan usein jakaa alaotoksiin. Yleensä, jos niitä on H tällaisia ​​osaotoksia (alkaen H eri kerrokset), niin jokaisella niistä on otoskoko nh, h = 1, 2, . H. Nämä nh täytyy noudattaa sitä sääntöä n1 + n2 + . + nH = n (eli otoksen kokonaiskoon antaa osa-otoskokojen summa). Valitsemalla nämä nh optimaalisesti voidaan tehdä eri tavoilla käyttämällä (esimerkiksi) Neymanin optimaalista allokaatiota.

    Ositetun otannan käyttöön on monia syitä: [7] otosestimaattien varianssien pienentäminen, osittain ei-satunnaisten menetelmien käyttäminen tai ositteiden yksilöllinen tutkiminen. Hyödyllinen, osittain ei-satunnainen menetelmä olisi ottaa näytteitä yksilöistä, joihin on helppo päästä, mutta jos ei, otosryhmiä matkakustannusten säästämiseksi. [8]

    Yleisesti, varten H ositteita, painotettu otoskeskiarvo on

    Painot, W h < displaystyle W_> , usein, mutta ei aina, edustavat väestöelementtien osuuksia ositteissa, ja W h = N h / N =N_/N> . Kiinteän otoskoon osalta n = ∑ n h < displaystyle n = summa n_> ,

    joka voidaan tehdä minimiin, jos kunkin ositteen näytteenottotaajuus tehdään verrannollinen kunkin ositteen keskihajontaan: n h / N h = k S h /N_=kS_> , jossa S h = Muutt ⁡ ( x ¯ h ) = (<ar >_) >>> ja k < displaystyle k> on vakio sellainen, että ∑ n h = n < displaystyle sum <>>=n>.

    "Optimaalinen allokaatio" saavutetaan, kun ositteiden näytteenottotiheydet tehdään suoraan verrannollisiksi ositteiden sisäisten keskihajontojen kanssa ja kääntäen verrannollisiksi ositteiden elementtikohtaisen näytteenottokustannusten neliöjuureen, C h > :

    missä K on vakio, jossa ∑ n h = n >=n> , tai yleisemmin milloin

    Otoskoon määrittämisessä kvalitatiivisissa tutkimuksissa on erilainen lähestymistapa. Se on yleensä subjektiivinen arvio tutkimuksen edetessä. [13] Yksi lähestymistapa on jatkaa osallistujien tai materiaalien lisäämistä, kunnes kylläisyys on saavutettu. [14] Kyllästymisen saavuttamiseen tarvittava määrä on tutkittu empiirisesti. [15] [16] [17] [18]

    Otoskoon arvioimiseen ennen tutkimuksen aloittamista on vähän luotettavaa ohjeistusta, ja ehdotuksia on annettu. [16] [19] [20] [21] Temaattiseen analyysiin on ehdotettu työkalua, joka muistuttaa kvantitatiivista teholaskentaa, joka perustuu negatiiviseen binomijakaumaan. [22] [21]


    Sekamenetelmien satunnaistetun kontrollitutkimuksen suunnittelu ja perustelut: ADHERE-ohjelma diabeteksen tulosten parantamiseksi.

    Lääkkeiden noudattamisen parantaminen on yksi tehokkaimmista tavoista parantaa diabetespotilaiden terveydentilaa. Tähän mennessä diabeteslääkityksen noudattamista on tehostettu parantamalla diabetekseen liittyvää tietämystä. Valitettavasti käyttäytymisen muutos ei usein seuraa tiedon muutosta. Potilaiden ja terveydenhuollon ammattilaisten välisen viestinnän tehostaminen käsittelemällä terveyslukutaitoon liittyviä psykososiaalisia ominaisuuksia on ratkaisevan tärkeää.

    Tavoite

    Selvitä, parantaako potilaskeskeinen interventio, joka lisää tavanomaista hoitoa terveyslukutaidon ja psykososiaalisen tukitoimenpiteen avulla, lääkityshoitoa paremmin diabeetikoille verrattuna tavanomaiseen hoitoon.

    Menetelmät

    Tämä tutkimus on satunnaistettu kontrolloitu tutkimus, jossa on interventioyhdistelmämenetelmä. Viisikymmentä ilmoittautunutta osallistujaa on englantia puhuva, 18–80-vuotias, jolla on diagnosoitu diabetes, he käyttävät vähintään yhtä diabeteslääkettä, heillä on alhainen diabeteslääkkeiden käyttö (osuus päivistä alle 80% tai perustuu kliinisiin merkintöihin) ja heillä on huono diabetes kontrolli (hemoglobiini A1c ≥8 %). Osallistujat jaetaan joko normaalia hoitoa saavaan kontrolliryhmään (n = 25) tai interventioryhmään (n = 25), joka saa tavanomaista hoitoa ja 6 istunnon interventiota, jossa keskitytään muunnettavissa oleviin psykososiaalisiin tekijöihin, jotka voivat vaikuttaa lääkityksen noudattamiseen. Kaikille osallistujille annetaan lähtötilanteessa ja toimenpiteen lopussa kyselylomake toimenpiteen tehokkuuden arvioimiseksi. Viisitoista osallistujaa interventioryhmästä haastatellaan selvittääkseen osallistujien kokemuksia ja käsityksiä interventioprosesseista ja tuloksista.

    Päätelmät

    Tutkimuksessa selvitetään, parantaako potilaskeskeinen interventio, joka käsittelee potilaiden terveyslukutaitoa ja keskittyy muunnettavissa oleviin psykososiaalisiin tekijöihin, parantaa diabetespotilaiden lääkityksen noudattamista.


    Tulevaisuuden tutkimussuunnat

    Psykiatria tarvitsee kipeästi lähestymistapoja, jotka mahdollistavat räätälöityjä tarkkuushoitoja. Tehokkaiden hoitojen suunnitteleminen edellyttää myös parempaa ymmärrystä patologian taustalla olevista neurobiologisista mekanismeista transdiagnostisella tasolla. Vaikka perinteiset hypoteeseihin perustuvat tilastolliset lähestymistavat näihin kysymyksiin eivät ole tuoneet tarvittavia läpimurtoja, nykyaikaiset ML-algoritmit, kuten DNN:t, tarjoavat uutta toivoa, kun otetaan huomioon niiden erinomainen suorituskyky muilla lääketieteen aloilla. Ensi silmäyksellä DNN-verkkojen monimutkaisuus (ja siten laskennallinen vahvuus) maksaa – suuret otoskoot. Kuitenkin, kuten yritimme keskustella täällä, on useita tapoja tehdä DNN:istä sopivia jopa paljon pienemmille näytekokoille. Olemme keskustelleet erilaisista konkreettisista vaiheista, joiden avulla voidaan kehittää tehokkaita järjestelmiä käyttämällä monimutkaisia ​​malleja yksilöllisille henkilökeskeisille ennusteille (katso myös [9, 87]). Mallit, jotka on ensin koulutettu ryhmädataan, voivat tarjota yhden tulevaisuuden väylän (kuvio 5), jos voidaan saavuttaa, että nämä taltioivat riittävät erityispiirteet (yksilöllisellä) yhden kohteen tasolla mielekkäiden ennusteiden tuottamiseksi, eivätkä vain heijasta ryhmän yhteisiä ominaisuuksia.

    DNN-verkkojen piilotettujen verkostoesitysten syvempi ymmärtäminen, eli "mustan laatikon avaaminen", voisi toisaalta paljastaa uusia oivalluksia tai luoda uusia hypoteeseja patologisista neurobiologisista mekanismeista. Itse asiassa useat tutkimukset ovat jo osoittaneet, että DNN-esitykset voivat tuottaa tulkittavia piirteitä (esim. [33, 94, 99, 163]). Esimerkiksi tutkimalla niiden DNN -painot, Zeng et ai. [94] havaitsi, että aivokuoren, striatalin ja pikkuaivojen toiminnalliset yhteysominaisuudet olivat tärkeimpiä skitsofrenian luokittelussa. Harjoiteltuaan syvällisen AE:n aivotilavuustiedoista suurelta joukolta terveitä yksilöitä, Pinaya et al. [138] arvioi verkoston tekemän aluespesifisen rekonstruktiovirheen ennustaessaan psykiatrisia potilaita paikantamaan tärkeimmät aivoalueet, jotka osallistuvat potilaiden erottamiseen kontrolleista. Li et ai. [163] kehittivät visualisointikehyksen sellaisten kiinnostavien alueiden tulkitsemiseksi, jotka ovat tärkeitä autismikirjon häiriöstä kärsivien henkilöiden havaitsemisessa verrattuna fMRI-tallenteisiin perustuviin kontrolleihin. Visualisointimenetelmät DNN: ien arvioimiseksi ovat tällä hetkellä kuuma aihe ML: ssä, ja tuleva kehitys tähän suuntaan voi auttaa paljastamaan psykiatristen sairauksien tulkittavia multimodaalisia biomarkkereita. Penkin ja sängyn vieressä oleva vuorovaikutus, patofysiologinen ymmärrys ja räätälöity hoito jatkuvat tekoälyn aikakaudella tässä artikkelissa käsiteltyjen uusien työkalujen avulla.