Det ulige sundhedsvæsen og patienterne på gangen
Metoderapport
Navnene på journalisten/journalisterne bag det indstillede
Anders Ejbye-Ernst, Nis Kielgast og Ditte Bannor-Kristensen.
Projektets beskrivelse
Titel:
Det ulige sundhedsvæsen og patienterne på gangen
Beskrivelse:
Når der er flere patienter end senge, stiger overdødeligheden blandt de indlagte på en hospitalsafdeling. Det konstaterer regionerne i rapporter. Alligevel er overbelægning dagligdag på flere af landets sygehuse. Det viser vores projekt, som har kortlagt hver enkelt indlæggelse i det danske hospitalsvæsen over en seksårig periode.
Datasættet bestod af mere end 23 millioner sengedage. Gennem en analyse af hospitalernes mange indberetning af belægningen til Sundhedsdatastyrelsen kunne vi se, at overbelægning er dagligdag i det danske sundhedsvæsen. Data afslørede en stor grad af geografisk ulighed målt i overbelægning. Mens overfyldte hospitalsafdelinger er en undtagelse omkring landets tre største byer, viser vores data, at det var et kæmpe problem på sygehusene i udkantsområderne.
Vi undersøgte herefter, om der var en sammenhæng mellem de tørre tal i vore gigantiske excel ark og patientsikkerheden på hospitalsgulvet. Det gjorde vi gennem kilder i sundhedsvæsenet. Flere læger og sygeplejersker på de mest overbelagte afdelinger stod frem og fortalte, at de måtte lave hårde prioriteringer mellem deres patienter, når der var overbelægning.
Aktindsigter i bekymringsbreve og tilsynsrapporter fra diverse myndigheder viste, at ledelsen på flere sygehuse i årevis var blevet advaret af personalet om, at overbelægningen bragte patientsikkerheden i fare. Men det var ikke lykkedes at løse problemet.
Midt i vores research lærte vi et nyt ord: Lånesenge. Et fænomen hvor sygehuse som en konsekvens af overbelægning flytter patienter til forkerte afdelinger. Hospitalsledelsen og lægerne vil helst undgå lånesenge, da patienterne får den bedste behandling, når de er i hænderne hos specialister. Nye dataudtræk viste, at mere end 10.000 patienter årligt i det danske sundhedsvæsen - på grund af overbelægning - blev indlagt på en forkert hospitalsafdeling.
Datasættet bestod af mere end 23 millioner sengedage. Gennem en analyse af hospitalernes mange indberetning af belægningen til Sundhedsdatastyrelsen kunne vi se, at overbelægning er dagligdag i det danske sundhedsvæsen. Data afslørede en stor grad af geografisk ulighed målt i overbelægning. Mens overfyldte hospitalsafdelinger er en undtagelse omkring landets tre største byer, viser vores data, at det var et kæmpe problem på sygehusene i udkantsområderne.
Vi undersøgte herefter, om der var en sammenhæng mellem de tørre tal i vore gigantiske excel ark og patientsikkerheden på hospitalsgulvet. Det gjorde vi gennem kilder i sundhedsvæsenet. Flere læger og sygeplejersker på de mest overbelagte afdelinger stod frem og fortalte, at de måtte lave hårde prioriteringer mellem deres patienter, når der var overbelægning.
Aktindsigter i bekymringsbreve og tilsynsrapporter fra diverse myndigheder viste, at ledelsen på flere sygehuse i årevis var blevet advaret af personalet om, at overbelægningen bragte patientsikkerheden i fare. Men det var ikke lykkedes at løse problemet.
Midt i vores research lærte vi et nyt ord: Lånesenge. Et fænomen hvor sygehuse som en konsekvens af overbelægning flytter patienter til forkerte afdelinger. Hospitalsledelsen og lægerne vil helst undgå lånesenge, da patienterne får den bedste behandling, når de er i hænderne hos specialister. Nye dataudtræk viste, at mere end 10.000 patienter årligt i det danske sundhedsvæsen - på grund af overbelægning - blev indlagt på en forkert hospitalsafdeling.
Publicering:
Projektet er publiceret på DRs regionale og landsdækkende platforme i radio, TV og web i perioden fra den 10.-12. april 2022.
Idéen:
Idébeskrivelse:
Ideen opstod på baggrund af en undren over vores sundhedsvæsen. Antallet af senge er blevet reduceret markant, mens antallet af især kronisk syge og ældre patienter omvendt er vokset markant.
Vi gravede i de modsatrettede udviklinger, og ved hjælp af kilder blev vi peget i retning af den store mængde af belægningsdata, der hver dag bliver indberettet fra danske hospitalsafdelinger til Sundhedsdatastyrelsen. Vi besluttede os for at søge aktindsigt i rådata ved hjælp af offentlighedslovens §11, som vi efter lidt forhandling modtog. Data udgjorde fundamentet for resten af projektet.
Vi gravede i de modsatrettede udviklinger, og ved hjælp af kilder blev vi peget i retning af den store mængde af belægningsdata, der hver dag bliver indberettet fra danske hospitalsafdelinger til Sundhedsdatastyrelsen. Vi besluttede os for at søge aktindsigt i rådata ved hjælp af offentlighedslovens §11, som vi efter lidt forhandling modtog. Data udgjorde fundamentet for resten af projektet.
Tidshorizont:
Vi har arbejdet på projektet siden foråret 2021, hvor vi lavede vores første analyse af data, men vi havde svært ved at finde gode cases, der ville stille op til tv. Da vi nærmede os sommerferien, blev projektet derfor sat på pause.
I december 2021 begyndte vi på ny at arbejde på historien. Vi bad om aktindsigt i opdateret data fra Sundhedsdatastyrelsen, og vi fandt en række gode cases. Projektet fik en publiceringsdato i uge 8. Men så brød krigen i Ukraine ud, og projektet blev igen sat på pause.
Mens bomberne faldt i Ukraine blev data for hele 2021 tilgængeligt. Indtil da havde vi kun data til og med 3. kvartal. Vi anmodede for tredje gang om aktindsigt i data hos Sundhedsdatastyrelsen. Lidt over en måned senere kunne vi fortælle historien.
I december 2021 begyndte vi på ny at arbejde på historien. Vi bad om aktindsigt i opdateret data fra Sundhedsdatastyrelsen, og vi fandt en række gode cases. Projektet fik en publiceringsdato i uge 8. Men så brød krigen i Ukraine ud, og projektet blev igen sat på pause.
Mens bomberne faldt i Ukraine blev data for hele 2021 tilgængeligt. Indtil da havde vi kun data til og med 3. kvartal. Vi anmodede for tredje gang om aktindsigt i data hos Sundhedsdatastyrelsen. Lidt over en måned senere kunne vi fortælle historien.
Nyhed:
* Hver syvende patient i hele det danske sundhedsvæsen lå på en afdeling, hvor der var overbelægning. Da vi her medtager alle patienter på de påvirkede afdelinger, får vi et tal, der er ti gange højere end myndighedernes normale opgørelser, hvor det kun er patienterne ‘på gangen’, der tælles.
* Der er en stor geografisk ulighed i overbelægning. Prisen betaler de syge danskere i provinsen. Mens én ud af 100 patienter fx lå på en overbelagt afdeling på Rigshospitalet, lå fire ud af ti på en overbelagt afdeling med overbelægning på Aalborg Universitetshospital.
* På flere sygehusafdelinger er en belægning på mere end 110 procent normalt. Ved en belægning på over 110 pct kan der registreres en overdødelighed blandt patienterne.
* Mere end 10.000 patienter i det danske sundhedsvæsen bliver hvert år som følge af overbelægning indlagt på en forkert hospitalsafdeling. Vi kunne dokumentere flere konkrete eksempler på såkaldte lånesenge. Eksempelvis en hjertepatient der blev indlagt på afdelingen for mave-tarmsygdomme, og en tarmsyg patient der blev indlagt på barselsgangen. Hverken myndigheder eller medier har tidligere lavet en kortlægning af omfanget af brugen af lånesenge.
* Der er en stor geografisk ulighed i overbelægning. Prisen betaler de syge danskere i provinsen. Mens én ud af 100 patienter fx lå på en overbelagt afdeling på Rigshospitalet, lå fire ud af ti på en overbelagt afdeling med overbelægning på Aalborg Universitetshospital.
* På flere sygehusafdelinger er en belægning på mere end 110 procent normalt. Ved en belægning på over 110 pct kan der registreres en overdødelighed blandt patienterne.
* Mere end 10.000 patienter i det danske sundhedsvæsen bliver hvert år som følge af overbelægning indlagt på en forkert hospitalsafdeling. Vi kunne dokumentere flere konkrete eksempler på såkaldte lånesenge. Eksempelvis en hjertepatient der blev indlagt på afdelingen for mave-tarmsygdomme, og en tarmsyg patient der blev indlagt på barselsgangen. Hverken myndigheder eller medier har tidligere lavet en kortlægning af omfanget af brugen af lånesenge.
Konsekvens:
Historien satte gang i en fornyet debat om overbelægning blandt faglige organisationer og patientforeninger. Flere lokale medier kørte på baggrund af vores dataanalyse videre med historien om overbelægning og lånesenge med afsæt i deres provinssygehus.
Aalborg Universitetshospital, et af landets mest overbelagte sygehuse, opdaterede efter historien deres retningslinjerne ved ekstraordinær overbelægning samt for brugen af lånesenge.
Aalborg Universitetshospital, et af landets mest overbelagte sygehuse, opdaterede efter historien deres retningslinjerne ved ekstraordinær overbelægning samt for brugen af lånesenge.
Metode:
Tal kan opgøres på mange måder. Hvis du har et stort problem et lille sted, kan du gøre det til et lille problem et stort sted – eller ligefrem få noget af det til at forsvinde.
Begge disse mekanismer er på en måde på spil i de officielle danske overbelægningstal, som de seneste år har ligget på 50-60.000 sengedage årligt.
Tallet er målt på større afdelinger, der kan bestå af fysisk adskilte enheder, hvis kapacitet lægges sammen, så man godt kan have patienter på gangene det ene sted, ledige senge det andet sted og samlet set ikke have for mange patienter.
Samtidig dækker tallet kun de patienter, der er for mange. Har en afdeling plads til 20 og 23 indlagte, er det officielt kun de 3, der er ramt af overbelægning. I praksis vil alle 23 patienter dog mærke, at personalet har for travlt. Sygeplejersken kan ikke være på gangen og stuen samtidig.
Da vi havde fundet ud af dette, stod det klart for os, at data måtte analyseres anderledes for at give offentligheden et reelt billede af problemet med overbelægning.
Det krævede store datamængder, der heldigvis fandtes. Alle hospitalsafdelinger registrerer hver dag, hvor mange patienter man har fagligt belæg for at have indlagt (disponible senge), og hvor mange patienter der reelt er indlagt klokken 23 om aftenen.
Vi fik aktindsigt i disse daglige indberetninger fra landets omkring 600 hospitalsafsnit fra 2016 til 2021. Data var struktureret på hospitalskoder, afdelingskoder og afsnitskoder. Vi startede med et excelark med knapt 9 millioner udfyldte felter og mangedoblede dette ved at berige det med beregninger og Lopslag, der kunne forvandle koder til faktiske afdelingsnavne. Det blev så stort, at det begyndte at knibe med computerkraft. Desuden var det praktisk umuligt at kvalitetssikre data ved manuel gennemgang, så vi var nødt til at lave sorteringer og summeringer på kryds og tværs for at sikre mod fejl.
Vi identificerede endelig dage med og uden overbelægning og summerede disse. Desuden identificerede vi dage med mere end 110 procent belægning, da forskning havde påvist øget dødelighed ved denne grænse.
En del af vores metodiske arbejde bestod også i, at vi kontaktede de mest overbelagte sygehuse for at få verificeret, at vores beregninger var korrekte. I dette arbejde gik det op for os, at logikken i de administrative inddelinger var forskellige fra hospital til hospital. I nogle tilfælde kunne to afdelinger med samme fagområde ligge på forskellige adresser. I andre tilfælde var de fysisk forbundne, og så var der en vis logik i, at personalet kunne assistere hinanden på tværs. Derfor endte vi med at lægge nogle afdelinger sammen i større enheder, så analysen tog udgangspunkt i cirka 500 hospitalsafdelinger.
Resultatet: 490.000 til 680.000 patientdage, hvor mennesker var indlagt på en afdeling med overbelægning. Det er 10 gange højere end det officielle tal, der kun måler på antallet af patienter ‘på gangen’. Omsat til et lagkagediagram betød det, at hver syvende patient på en helt almindelig dag i 2021 lå på en overbelagt afdeling..
Vi begyndte på projektet i foråret 2021. Dengang fik vi det ikke forløst, fordi vi manglede cases. I begyndelsen af december gik vi sideløbende med dataanalysen i gang med at jage cases. Jagten blev primært rettet mod Facebook, hvor vi blev medlemmer i de fleste grupper herhjemme, der handlede om at være syge samt protestgrupper mod nedskæringer af offentlig velfærd.
I midten af januar havde vi en række gode cases. Ved hjælp af vores gigantiske excelark kunne vi hurtigt se, om der havde været overbelægning i de dage, hvor vores cases havde været indlagt. Vi bad herefter om belægningsdata fra de specifikke hospitalsafdelinger, som vores cases havde været indlagt på for at krydstjekke, at vores beregninger var korrekte.
Midt i kortlægningen af overbelægning blev vi klar over, at der var et mørketal gemt i vores dataanalyse. Når hospitaler er overbelagte, flytter de nemlig patienter til forkerte hospitalsafdelinger, for at undgå at gangene på de mest pressede afdelinger sander til i patienter. Fænomenet hedder i lånesenge blandt fagfolk.
For at afdække brugen af lånesenge måtte vi bruge hospitalernes egne data. Da dette ikke registreres centralt, måtte vi række ud til hvert enkelt hospital og skaffe deres opgørelser. Det gjorde vi ved at bede om aktindsigt i dataudtræk over hospitalernes brug af lånesenge. Region Midtjylland kunne ikke trække retvisende tal for deres brug af lånesenge på grund af deres IT-system, og derfor undlod vi at bruge tal herfra.
Begge disse mekanismer er på en måde på spil i de officielle danske overbelægningstal, som de seneste år har ligget på 50-60.000 sengedage årligt.
Tallet er målt på større afdelinger, der kan bestå af fysisk adskilte enheder, hvis kapacitet lægges sammen, så man godt kan have patienter på gangene det ene sted, ledige senge det andet sted og samlet set ikke have for mange patienter.
Samtidig dækker tallet kun de patienter, der er for mange. Har en afdeling plads til 20 og 23 indlagte, er det officielt kun de 3, der er ramt af overbelægning. I praksis vil alle 23 patienter dog mærke, at personalet har for travlt. Sygeplejersken kan ikke være på gangen og stuen samtidig.
Da vi havde fundet ud af dette, stod det klart for os, at data måtte analyseres anderledes for at give offentligheden et reelt billede af problemet med overbelægning.
Det krævede store datamængder, der heldigvis fandtes. Alle hospitalsafdelinger registrerer hver dag, hvor mange patienter man har fagligt belæg for at have indlagt (disponible senge), og hvor mange patienter der reelt er indlagt klokken 23 om aftenen.
Vi fik aktindsigt i disse daglige indberetninger fra landets omkring 600 hospitalsafsnit fra 2016 til 2021. Data var struktureret på hospitalskoder, afdelingskoder og afsnitskoder. Vi startede med et excelark med knapt 9 millioner udfyldte felter og mangedoblede dette ved at berige det med beregninger og Lopslag, der kunne forvandle koder til faktiske afdelingsnavne. Det blev så stort, at det begyndte at knibe med computerkraft. Desuden var det praktisk umuligt at kvalitetssikre data ved manuel gennemgang, så vi var nødt til at lave sorteringer og summeringer på kryds og tværs for at sikre mod fejl.
Vi identificerede endelig dage med og uden overbelægning og summerede disse. Desuden identificerede vi dage med mere end 110 procent belægning, da forskning havde påvist øget dødelighed ved denne grænse.
En del af vores metodiske arbejde bestod også i, at vi kontaktede de mest overbelagte sygehuse for at få verificeret, at vores beregninger var korrekte. I dette arbejde gik det op for os, at logikken i de administrative inddelinger var forskellige fra hospital til hospital. I nogle tilfælde kunne to afdelinger med samme fagområde ligge på forskellige adresser. I andre tilfælde var de fysisk forbundne, og så var der en vis logik i, at personalet kunne assistere hinanden på tværs. Derfor endte vi med at lægge nogle afdelinger sammen i større enheder, så analysen tog udgangspunkt i cirka 500 hospitalsafdelinger.
Resultatet: 490.000 til 680.000 patientdage, hvor mennesker var indlagt på en afdeling med overbelægning. Det er 10 gange højere end det officielle tal, der kun måler på antallet af patienter ‘på gangen’. Omsat til et lagkagediagram betød det, at hver syvende patient på en helt almindelig dag i 2021 lå på en overbelagt afdeling..
Vi begyndte på projektet i foråret 2021. Dengang fik vi det ikke forløst, fordi vi manglede cases. I begyndelsen af december gik vi sideløbende med dataanalysen i gang med at jage cases. Jagten blev primært rettet mod Facebook, hvor vi blev medlemmer i de fleste grupper herhjemme, der handlede om at være syge samt protestgrupper mod nedskæringer af offentlig velfærd.
I midten af januar havde vi en række gode cases. Ved hjælp af vores gigantiske excelark kunne vi hurtigt se, om der havde været overbelægning i de dage, hvor vores cases havde været indlagt. Vi bad herefter om belægningsdata fra de specifikke hospitalsafdelinger, som vores cases havde været indlagt på for at krydstjekke, at vores beregninger var korrekte.
Midt i kortlægningen af overbelægning blev vi klar over, at der var et mørketal gemt i vores dataanalyse. Når hospitaler er overbelagte, flytter de nemlig patienter til forkerte hospitalsafdelinger, for at undgå at gangene på de mest pressede afdelinger sander til i patienter. Fænomenet hedder i lånesenge blandt fagfolk.
For at afdække brugen af lånesenge måtte vi bruge hospitalernes egne data. Da dette ikke registreres centralt, måtte vi række ud til hvert enkelt hospital og skaffe deres opgørelser. Det gjorde vi ved at bede om aktindsigt i dataudtræk over hospitalernes brug af lånesenge. Region Midtjylland kunne ikke trække retvisende tal for deres brug af lånesenge på grund af deres IT-system, og derfor undlod vi at bruge tal herfra.
Modstand:
* Hverken regionerne eller sundhedsministeriet ville forholde sig til vores beregninger, da vi henvendte os til dem for at få verificeret vores metode. Det gjorde det svært for os at få bekræftet, at vores beregninger var korrekte. Da vi havde med et stort og kompliceret datamateriale at gøre, skabte myndighedernes uvilje til at svare usikkerhed. Havde vi overset blinde vinkler i data, der kunne give forkerte resultater? Vi besluttede at fortsætte med arbejdet trods denne usikkerhed. Da vi var tæt på at have den første publiceringsdato fastlagt i februar 2022, svarede hospitalernes datafolk endeligt, at vores metode og forståelse af data var korrekt.
* Et enkelt sygehus ville tæt på publicering fortsat ikke anerkendende vores metode. De mente, at vi skulle beregne overbelægning på afsnitsniveau frem for afdelingsniveau. Vi lavede derfor både en dataanalyse på afsnitsniveau og afdelingsniveau til dette sygehus. Omfanget af overbelægning på afsnitsniveau var som forventet højere end på afdelingsniveau. Da vi havde forelagt tallene vendte sygehusets pressefolk tilbage og bad om at beregningen for deres hospital alligevel skulle laves på afdelingsniveau. Øvelsen var ressourcekrævende på et tidspunkt, hvor vi var pressede, men den var nødvendig for at undgå, at vi efter publicering - muligvis offentligt - skulle diskutere troværdigheden af vores projekt.
* For at vores dataanalyse kunne formidles på tv og sikres en plads i 21 Søndag, krævede det, at vi havde rigeligt med billedmateriale. Vi havde derfor brug for at komme ind på et af de mest overbelagte sygehuse i Region Sjælland eller Nordjylland og filme. I første omgang var sygehusene over en bred kam afvisende. Uden billederne ville det blive sværere at formidle historien. Efter flere lange samtaler lykkedes det at få sygehusledelsen på Aalborg Universitetshospital til at give grønt lys til, at vi måtte følge personalets arbejde på den endokrinologiske afdeling, en af landets mest pressede hospitalsafdelinger målt på overbelægning.
* Siden januar 2022 havde vi forsøgt at få et interview med sundhedsminister Magnus Heunicke i sagen. På trods af gentagne mails og telefonopkald ville ministeren ikke stille op til interview. Torsdag eftermiddag, tre dage inden projektet skulle køre på alle DRs platforme, henvendte ministeriets pressefolk sig med besked om, at ministeren gerne ville lave et interview fredag morgen. På det tidspunkt havde vi ekstremt travlt med at få redigeret TV-indslag, artikler og radio-takes til landsdækkende og regionale platforme til søndag og mandag. Ministerens henvendelse pressede den i forvejen pressede redigeringsfase.
* Ved vores første aktindsigt i rådata fra Sundhedsdatastyrelsen, gav styrelsen fuld aktindsigt i data. Da vi anmodede om aktindsigt i efteråret 2021, havde embedsfolkene med henvisning til GDR-lovgivningen anonymiseret samtlige afdelinger, hvor der var mindre end 5 patienter indlagt. Indlæggelsesdagene på disse afdelinger udgjorde under en procent af den samlede mængde indlæggelsesdage, men ikke desto mindre udgjorde anonymiseringen et benspænd i den efterfølgende dataanalyse.
* Et enkelt sygehus ville tæt på publicering fortsat ikke anerkendende vores metode. De mente, at vi skulle beregne overbelægning på afsnitsniveau frem for afdelingsniveau. Vi lavede derfor både en dataanalyse på afsnitsniveau og afdelingsniveau til dette sygehus. Omfanget af overbelægning på afsnitsniveau var som forventet højere end på afdelingsniveau. Da vi havde forelagt tallene vendte sygehusets pressefolk tilbage og bad om at beregningen for deres hospital alligevel skulle laves på afdelingsniveau. Øvelsen var ressourcekrævende på et tidspunkt, hvor vi var pressede, men den var nødvendig for at undgå, at vi efter publicering - muligvis offentligt - skulle diskutere troværdigheden af vores projekt.
* For at vores dataanalyse kunne formidles på tv og sikres en plads i 21 Søndag, krævede det, at vi havde rigeligt med billedmateriale. Vi havde derfor brug for at komme ind på et af de mest overbelagte sygehuse i Region Sjælland eller Nordjylland og filme. I første omgang var sygehusene over en bred kam afvisende. Uden billederne ville det blive sværere at formidle historien. Efter flere lange samtaler lykkedes det at få sygehusledelsen på Aalborg Universitetshospital til at give grønt lys til, at vi måtte følge personalets arbejde på den endokrinologiske afdeling, en af landets mest pressede hospitalsafdelinger målt på overbelægning.
* Siden januar 2022 havde vi forsøgt at få et interview med sundhedsminister Magnus Heunicke i sagen. På trods af gentagne mails og telefonopkald ville ministeren ikke stille op til interview. Torsdag eftermiddag, tre dage inden projektet skulle køre på alle DRs platforme, henvendte ministeriets pressefolk sig med besked om, at ministeren gerne ville lave et interview fredag morgen. På det tidspunkt havde vi ekstremt travlt med at få redigeret TV-indslag, artikler og radio-takes til landsdækkende og regionale platforme til søndag og mandag. Ministerens henvendelse pressede den i forvejen pressede redigeringsfase.
* Ved vores første aktindsigt i rådata fra Sundhedsdatastyrelsen, gav styrelsen fuld aktindsigt i data. Da vi anmodede om aktindsigt i efteråret 2021, havde embedsfolkene med henvisning til GDR-lovgivningen anonymiseret samtlige afdelinger, hvor der var mindre end 5 patienter indlagt. Indlæggelsesdagene på disse afdelinger udgjorde under en procent af den samlede mængde indlæggelsesdage, men ikke desto mindre udgjorde anonymiseringen et benspænd i den efterfølgende dataanalyse.
Etik:
1) Der var flere lag i vores data. Hver indlæggelse er udstyret med en afsnitskode, afdelingskode og en hospitalskode. På en afdeling kunne der være flere afsnit. Et eksempel kunne være en børneafdeling, der har et sengeafsnit for tidligt fødte børn samt et sengeafsnit for syge børn og unge op til 18 år.
Graden af overbelægning er højere, hvis man måler på afsnitsniveau frem for afdelingsniveau, da store enheder kan fortynde overbelægning. Hvis en afdeling har to afsnit, og det ene afsnit har to patienter på gangen, mens det andet har to ledige senge, vil der ikke blive registreret overbelægning.
Til at begynde med regnede vi belægningen på afsnitsniveau, da patienterne der var i overbelægning på et afsnit ikke havde glæde af, at der var ledige senge på naboafsnittet. Det protesterede de mest pressede sygehuse over. De forklarede at nogle hospitalsafsnit kunne låne senge og personale af hinanden.
Vi havde mange eksempler, hvor det ikke gjorde sig gældende. Eksempelvis arbejder sygeplejerskerne på neonatalafsnittet ikke på afsnittet for de større børn og omvendt.
Vi valgte at tage en beslutning om at beregne overbelægning på afdelingsniveau vel vidende, at vores resultat ville vise en lavere grad af overbelægning. Vi ville hellere gå ud med et tal, der var for lavt, end at risikere at blive anklaget for at puste tallet op.
2) Vi havde data for belægningen på dagsniveau fra hvert afsnit i hele landet. Imidlertid fandt vi eksempler på fejlkilder i hospitalernes indberetning til Sundhedsdatastyrelsen. Nogle afdelinger havde indberettet, at de havde afsnit med tomme senge, selvom der reelt lå patienter i sengene. Andre afdelinger indberettede patienter, der blev overvåget i eget hjem, som værende indlagte. Da vi ikke havde mulighed for at faktatjekke samtlige 23 millioner indlæggelsesdage valgte vi at angive andelen af patienter på en overbelagte afdeling på hospitalsniveau, så vi kunne fortynde fejlkilder og nå frem til et så pålideligt resultat som muligt.
3) For at sikre de afgørende billeder, valgte vi at være meget åbne om vores dokumentation og vinkel over for pressefolkene og ledelsen på Aalborg Universitetshospital. Vi lovede, at vi ikke ville filme personale og patienter uden et skriftligt samtykke. I dialogen havde vi overvejelser om, hvor vi skulle trække stregen i vores åbenhed for at bevare vores journalistiske integritet.
Graden af overbelægning er højere, hvis man måler på afsnitsniveau frem for afdelingsniveau, da store enheder kan fortynde overbelægning. Hvis en afdeling har to afsnit, og det ene afsnit har to patienter på gangen, mens det andet har to ledige senge, vil der ikke blive registreret overbelægning.
Til at begynde med regnede vi belægningen på afsnitsniveau, da patienterne der var i overbelægning på et afsnit ikke havde glæde af, at der var ledige senge på naboafsnittet. Det protesterede de mest pressede sygehuse over. De forklarede at nogle hospitalsafsnit kunne låne senge og personale af hinanden.
Vi havde mange eksempler, hvor det ikke gjorde sig gældende. Eksempelvis arbejder sygeplejerskerne på neonatalafsnittet ikke på afsnittet for de større børn og omvendt.
Vi valgte at tage en beslutning om at beregne overbelægning på afdelingsniveau vel vidende, at vores resultat ville vise en lavere grad af overbelægning. Vi ville hellere gå ud med et tal, der var for lavt, end at risikere at blive anklaget for at puste tallet op.
2) Vi havde data for belægningen på dagsniveau fra hvert afsnit i hele landet. Imidlertid fandt vi eksempler på fejlkilder i hospitalernes indberetning til Sundhedsdatastyrelsen. Nogle afdelinger havde indberettet, at de havde afsnit med tomme senge, selvom der reelt lå patienter i sengene. Andre afdelinger indberettede patienter, der blev overvåget i eget hjem, som værende indlagte. Da vi ikke havde mulighed for at faktatjekke samtlige 23 millioner indlæggelsesdage valgte vi at angive andelen af patienter på en overbelagte afdeling på hospitalsniveau, så vi kunne fortynde fejlkilder og nå frem til et så pålideligt resultat som muligt.
3) For at sikre de afgørende billeder, valgte vi at være meget åbne om vores dokumentation og vinkel over for pressefolkene og ledelsen på Aalborg Universitetshospital. Vi lovede, at vi ikke ville filme personale og patienter uden et skriftligt samtykke. I dialogen havde vi overvejelser om, hvor vi skulle trække stregen i vores åbenhed for at bevare vores journalistiske integritet.
Formidling:
* Det var afgørende, at vi kunne fortælle historien igennem stærke hovedpersoner. Vi har derfor lavet et stort arbejde for at finde frem til de mennesker, som skulle være ansigt på vores projekt. Jagten på de gode cases, der passede ind i de respektive vinkler, har taget lige så lang tid som den hårde dataanalyse.
* Vi har også lagt en kæmpe indsats i at få lov til at følge dagligdagen med en fotograf på en af de mest overbelagte hospitalsafdelinger i vores sundhedsvæsen. Vi var på afdelingen fra morgenkonferencen og frem til om aftenen. Billederne var altafgørende for, at vi kunne folde vores historie ud på tv i et længere format.
* Da et af de centrale elementer i historien var markante forskelle mellem hospitaler og landsdele, var det oplagt at give vores brugere mulighed for at dykke ned i situationen på deres lokale hospital. Derfor fik vi programmeret et interaktivt heatmap af Danmark, hvor alle landets hospitaler var sat ind og farvet efter situationen i 2021. Brugerne kunne så gå ind på deres lokale hospital og de grafer over udviklingen kvartal for kvartal de seneste seks år.
* Desuden lavede vi en interaktiv grafik, hvor brugerne kunne sammenligne graden af overbelægning på hospitalerne. Med denne kunne man få indblik i, hvor ofte et hospital oplevede, at der for eksempel var 5 procent eller 30 procent for mange patienter på en afdeling. Denne forskel var vigtig at fremhæve, da forskning har påvist, at der ved mere end 10 procent for mange patienter kan registreres en overdødelighed på afdelingen.
* Vi har også lagt en kæmpe indsats i at få lov til at følge dagligdagen med en fotograf på en af de mest overbelagte hospitalsafdelinger i vores sundhedsvæsen. Vi var på afdelingen fra morgenkonferencen og frem til om aftenen. Billederne var altafgørende for, at vi kunne folde vores historie ud på tv i et længere format.
* Da et af de centrale elementer i historien var markante forskelle mellem hospitaler og landsdele, var det oplagt at give vores brugere mulighed for at dykke ned i situationen på deres lokale hospital. Derfor fik vi programmeret et interaktivt heatmap af Danmark, hvor alle landets hospitaler var sat ind og farvet efter situationen i 2021. Brugerne kunne så gå ind på deres lokale hospital og de grafer over udviklingen kvartal for kvartal de seneste seks år.
* Desuden lavede vi en interaktiv grafik, hvor brugerne kunne sammenligne graden af overbelægning på hospitalerne. Med denne kunne man få indblik i, hvor ofte et hospital oplevede, at der for eksempel var 5 procent eller 30 procent for mange patienter på en afdeling. Denne forskel var vigtig at fremhæve, da forskning har påvist, at der ved mere end 10 procent for mange patienter kan registreres en overdødelighed på afdelingen.