Pourquoi c'est important
En 2016, Implementation Science a publié le cadre de mise à l’échelle de IHI , qui fournit des conseils sur la manière de faire évoluer une idée ou une initiative d’amélioration depuis les tests à petite échelle au niveau local jusqu’à une région ou un pays défini. Le cadre propose une séquence délibérée de quatre phases d’amélioration, de la mise en place à la mise à l’échelle, ainsi que les mécanismes nécessaires pour faciliter l’adoption des interventions et les systèmes de soutien sous-jacents nécessaires à la réussite.
Après avoir testé le cadre de mise à l’échelle, nous avons appris qu’il est nécessaire de fournir davantage de directives sur la manière dont le contenu – ou les éléments de l’intervention de changement – doit évoluer pour soutenir la mise à l’échelle. Nous proposons une modification du cadre de mise à l’échelle pour décrire comment les exigences en matière de contenu évoluent pour chaque phase.
Cette théorie de l’évolution du contenu repose sur le principe selon lequel plus nous pouvons fournir des preuves claires de la manière dont une intervention peut être mise en œuvre ou adaptée – et démontrer l’amélioration et la valeur de ce contenu dans une gamme de contextes de plus en plus variés – plus il est probable que la mise à l’échelle se produise.
Au cours des quatre phases du cadre de mise à l’échelle de IHI , nous suggérons que le contenu associé aux besoins d’intervention évolue comme suit :
1. Configuration :
La phase de mise en place a pour objectif de comprendre l’état actuel, d’identifier les processus, systèmes et infrastructures clés actuellement en place et de comprendre comment ils produisent des résultats en matière de santé et de soins de santé. À partir de cette évaluation, les domaines d’amélioration potentielle peuvent être identifiés et hiérarchisés, et une théorie initiale décrivant les éléments clés d’une initiative d’amélioration peut être élaborée. À IHI, nous utilisons généralement des diagrammes de facteurs et des packages de changement pour décrire ces éléments clés. Nous devons fournir une prévision initiale de l’impact probable des changements s’ils sont mis en œuvre avec succès, même si notre degré de confiance dans ces changements à ce stade peut être relativement faible. En outre, nous devons fournir des indications sur la manière de mesurer la mise en œuvre et l’impact des éléments clés de l’intervention.
Par exemple, le travail de l’IHI sur l’amélioration de la mortalité maternelle et néonatale en Éthiopie a comporté une phase de mise en place approfondie. Des visites sur le terrain, la collecte de données de base et l’examen des meilleures pratiques ont été menés pour comprendre l’état actuel du système de santé du pays et élaborer une première théorie du changement à plusieurs volets. Bien que des protocoles cliniques existaient pour réduire la mortalité maternelle et néonatale, ils n’avaient pas été largement diffusés ni testés localement en conjonction avec un certain nombre d’autres changements de soutien tels que l’amélioration du comportement de recherche de soins, l’accès aux soins, l’utilisation de techniques d’amélioration de la qualité et l’amélioration de la gestion de la chaîne d’approvisionnement. Le paquet de changements initial a ensuite été adapté aux contextes locaux pendant la phase de construction de l’unité évolutive, en intégrant et en adaptant les changements en fonction des enseignements tirés des tests à petite échelle au niveau du woreda (établissement de district).
2. Construisez l'unité évolutive :
Dans le cadre de la construction de « l’unité évolutive » (la plus petite unité administrative qui sera reproduite lors de la mise à l’échelle), nous testons une théorie initiale qui comprend un ensemble de changements préliminaires comprenant des idées de mise en œuvre existantes, éprouvées ou prometteuses, ainsi que de nouvelles idées de changement développées lors de la phase de mise en place. Cette phase impliquera de travailler avec un ou un petit nombre de paramètres dans un contexte local bien compris. Une activité importante de cette phase consiste à renforcer le degré de conviction que ces premières idées de changement entraîneront une amélioration. Les prochaines étapes recommandées à partir de ce travail peuvent inclure des tests supplémentaires pour renforcer la conviction dans les idées de changement, ou passer à la phase suivante (Test de mise à l’échelle) qui teste l’ensemble de changements émergents dans un éventail plus large de paramètres.
3. Test à grande échelle :
L'objectif de cette phase est d'adapter ou de valider un ensemble de changements qui s'est avéré efficace dans un nombre limité de contextes ou d'environnements supplémentaires. L'ensemble de changements peut avoir été développé lors de la mise en place et de la construction de l'unité évolutive ou peut avoir été développé ailleurs de manière indépendante et adopté pour tester la mise à l'échelle. Lors des tests de mise à l'échelle, l'objectif est de renforcer la confiance que l'application du contenu de mise en œuvre entraînera une amélioration même dans des contextes variés, et de déterminer l'infrastructure et la volonté nécessaires pour soutenir la mise en œuvre.
Les prochaines étapes de cette phase peuvent inclure des recommandations visant à poursuivre les tests afin de renforcer le degré de confiance dans les changements appliqués à différents contextes, à entreprendre davantage de travaux pour développer la préparation des contextes à adopter et adapter les changements, ou à conclure que les idées de changement sont suffisamment solides pour passer à la mise en œuvre à grande échelle.
Par exemple, en s’appuyant sur un projet pilote réussi en 2012 visant à réduire le nombre de césariennes inutiles dans un établissement de santé au Brésil, un ensemble de changements raffinés a été mis à l’échelle et testé dans 26 hôpitaux pendant les 18 mois de Parto Adequado. Tout en créant une unité évolutive, un nouvel ensemble de pratiques avec un faible degré de croyance a été testé. Les enseignements tirés de ce projet d’amélioration ont ensuite été intégrés dans un ensemble de changements et testés dans des hôpitaux privés et publics. La réussite de cette phase a conduit à la conclusion que ces changements pourraient être transposés à l’échelle nationale et appliqués dans 150 hôpitaux aux contextes variés.
4. Passez à l'échelle maximale et maintenez :
L’objectif de cette phase est de reproduire, à grande échelle et avec une grande fidélité, les résultats observés lors des phases précédentes de mise à l’échelle. Bien qu’il soit nécessaire d’adapter en permanence le paquet de changements à tous les contextes au sein d’une population, d’une région ou d’un pays défini, la mise en œuvre bénéficie de l’expérience acquise lors des tests des changements effectués lors de la phase de mise à l’échelle test et de l’élaboration de normes de travail pour les stratégies et tactiques de mise en œuvre qui sont généralement applicables à l’ensemble du système. Les exécutants seront convaincus que l’application du paquet de changements entraînera une amélioration dans divers contextes. Les prochaines étapes de cette étape peuvent consister à recommander de continuer à tester la mise à l’échelle, si les résultats des interventions ne sont pas démontrés aux niveaux attendus, ou de continuer à mettre à l’échelle et de maintenir l’amélioration pour passer à l’échelle complète.
Il est essentiel de comprendre comment le contenu évolue pour pouvoir le mettre à l’échelle de manière efficace. De plus, les activités de mise à l’échelle doivent tenir compte de la manière de tester et de mettre en œuvre le contenu dans les contextes locaux. En effet, le processus de mise à l’échelle peut faire des allers-retours entre les phases, car les approches prometteuses nécessitent d’être affinées ou de subir des changements plus substantiels afin d’atteindre les objectifs généraux.
Gareth Parry, titulaire d'une maîtrise et d'un doctorat, est chercheur principal à l' Institute for Healthcare Improvement. Cet article a été coécrit par Pierre Barker, responsable des partenariats et des programmes mondiaux, et Amrita Dasgupta, chercheuse principale.