小程序开发|小程序制作|小程序开发网 › 小程序开发 ›新闻资讯› 热点新闻 › 查看内容

可以应用到每个检验科的顶级研究成果！里程碑式质控方法来了

2022-6-19 13:12| 发布者: xiaoxiao| 查看: 261| 评论: 0

摘要: 临床医学检验的目的是发出准确的检测报告，质量控制（Quality Control，QC，简称质控）历来是临床检验管理中最重要的环节之一，加强实验室质控管理，将有助于增强实验室技术能力和管理水平，有效降低风险，并提供更

临床医学检验的目的是发出准确的检测报告，质量控制（Quality Control，QC，简称质控）历来是临床检验管理中最重要的环节之一，加强实验室质控管理，将有助于增强实验室技术能力和管理水平，有效降低风险，并提供更加可靠的检测数据^[1]

近期，复旦大学附属中山医院检验科郭玮、潘柏申、王蓓丽、段昕岑团队结合过往研究成果，在基于大数据技术应用实时质控算法进行实验室检测质控管理方面，取得了算法研究的新突破，能大幅提高原有模型的运行性能，给未来实时质控算法研究提供了一条全新的思路^[2]。

提升检验质控管理

PBRTQC成重要发展方向

有效的室内质量控制（IQC）是确保实验室检测结果准确、可靠的关键因素，但由于IQC存在无法连续监测质量、易产生基质效应、质控品成本较高等情况，导致IQC可能无法及时、准确的反映仪器检测性能^[2-3]。

不同于传统IQC，患者样本实时质控（Patient-based real-time quality control，PBRTQC）使用患者临床标本结果，以实时、连续监测检测过程的方式来分析性能，可在不额外增加人力和物力成本的情况下实时监测检测系统的稳定性和判断有无“失控”情况。

其核心包括算法和各种参数，如计算样本数、分组、截断值等超参数和模型参数控制线等。

随着临床实验室信息技术以及基于患者风险质控方法的发展，包括差值检查法（Delta Check）、正态均值法（AoN）、移动中位数法（movMed）、指数加权移动均值法（EWMA）等多种运算方法，PBRTQC逐渐成为传统IQC的重要补充^[4-5]。

国际临床化学和医学检验联合会（IFCC）分析质量委员会于2020年发文指出，相较于传统IQC，PBRTQC凭借日益凸显的成本低、无基质效应、能敏感识别分析前误差等优点，可作为实验室提升质量控制管理的重要工具，并建议广泛应用于临床^[4-5]。

优化PBRTQC性能

中山检验不断探索

尽管PBRTQC具有诸多优势，但其指标检测性能易受到干扰、实施过程较为复杂且需要依靠强大数字系统，另外国内对PBRTQC存在认知程度较低、专业软件工具缺乏、临床实践经验少等客观现状，制约了PBRTQC系统在我国实验室质控管理中的广泛应用^[2,5-7]。

为优化PBRTQC性能，复旦大学附属中山医院检验科团队自2018年起进行了多年的探索研究。团队发表在2020年《Clinica Chimica Acta》杂志的初期研究成果显示：影响PBRTQC检测发挥最佳性能，进而限制其临床广泛应用主要有三个因素：

包括年龄、性别、疾病等因素可能引起检测指标数据分散，导致PBRTQC误差检出率下降；

检验数据的波动可能导致PBRTQC的假阳性报警率大幅上升，增加质控人员的工作量；

PBRTQC在呈偏态、分布较宽的项目中应用效果不甚理想，尽管截断值和正态化转换有一定帮助，但对PBRTQC模型实际性能的提升并不明显^[2]。

为解决上述三大要素，改善当前PBRTQC的性能，中山检验团队在PBRTQC常规数据处理基础上，增加回归调整步骤，研发出回归调整实时质控（Regression-Adjusted Real-Time Quality Control, RARTQC）算法^[8]。

RARTQC和PBRTQC的结构对比

大数据+AI双管齐下

以数字化赋能精准高效检测

有了算法和方法论，如何才能验证算法是否成立呢？答案是借助先进的数字化工具。

为保证RARTQC创新研究的顺利开展，中山检验团队与全球体外诊断领域领先企业——罗氏诊断就该项目开展了紧密合作。

在罗氏诊断提供的数字产品开发、自动化IT等跨领域的专家资源以及专业技术服务的支持下，双方携手研发新一代RARTQC系统，并致力将其打造为全球领先的创新实验室质量控制数字化解决方案。

新一代RARTQC系统以前沿的大数据和人工智能AI技术为基础，搭载罗氏诊断 cobas^® infinity系统，实现中央/临床实验室的实时质量控制管理；通过优化真实的患者数据，打造标准化、个性化、高效性质量控制方案，提升实验室智能化系统临床应用效能。

RARTQC系统完全遵从现代软件开发的标准，以微服务的形式将系统功能进行模块化的切分，可向终端用户提供高效能、可扩展、易维护的服务，在系统组件的选择上也通过使用如消息队列、缓存数据库等组件以保障系统的高性能。

整体系统通过容器化的解决方案可以适配各种操作系统以及硬件服务器，并可支持集群伸缩。

在系统对接上，通过适配器组件可以很好的支持与罗氏cobas^® infinity中间件的通信与协作，并为将来可能的其他系统的对接建立了规范化的标准。

该系统包括分析和实时两大模块，其中分析模块会根据历史检测数据特定算法模型；实时模块与cobas^® infinity协作，对检测结果进行实时预测，发出质控警告与提示^[8]。分析模块还会根据运行时系统的结果不断持续改进，实现算法优化和迭代。

中山检验团队于2021年发表在国际检验医学顶级期刊《Clinical Chemistry》的研究结果显示：

采用RARTQC系统，可在常规截断和正态转换后，利用通过大数据建模得到的回归模型调整检测结果，并将调整后的数据代入浮动均值模型进行质控判断，无需进一步细化分组建模，便能实现对性别、年龄、疾病等影响因素的分析，回归模型的引入，进一步提高数据的正态性^[7]。

与此同时，团队针对谷丙转氨酶（ALT）、血氯、血钠等临床常见的检测指标构建指数加权浮动均值模型（EWMA）进行误差分析。结果证实：相较于PBRTQC系统，采用RARTQC系统平均检测出ALT检测误差时，所需的患者样本量（ANPed）更低，说明后者的性能更佳；而血氯指标的测定过程中，RARTQC系统亦能进一步提高模型性能。总体而言，RARTQC系统在允许总误差（TEa）水平下，较PBRTQC性能平均提升了接近50%^[8]。

全球AI实时质控领域权威专家、IFCC-PBRTQC（基于患者样本实时质量控制）工作组成员Mark Cervinski教授高度肯定了复旦中山检验团队的研究成果。他表示，RARTQC可通过回归分析纳入患者年龄、性别、诊断信息等影响检测结果的不同因素，计算回归残差以调整这些因素对检测结果的影响，使得输入常规浮动均值的数据分布更加集中和对称，大幅提高浮动均值算法检出误差的性能，且在诸多血清指标的误差检测中，相比PBRTQC，RARTQC系统更具性能优势^[9]。

随着算法实用性和信息技术水平的不断迭代和提升，RARTQC系统能有效消除检测结果中的自相关性，改善传统PBRTQC系统在诸多检测项目误差检测性能方面的不足，提高实验室检测质量与质量管控水平，为检验科更好地服务临床与患者奠定坚实的基础。

【参考文献】

[1]章轶哲,张意,吴文红,温亚男,缪庆.2003-2012年我国医药卫生领域实验室质量控制研究论文的文献计量分析[J].现代预防医学,2014,41(10):1794-1796+1808.

[2]Duan X, Wang B, Zhu J, et al. Assessment of patient-based real-time quality control algorithm performance on different types of analytical error. Clin Chim Acta. 2020;511:329-335. doi:10.1016/j.cca.2020.10.006

[3]杨帆,董丹凤,陆怡德.患者数据指数加权移动平均法在血清离子项目室内质量控制中的应用[J].检验医学,2021,36(09):962-968.

[4]Loh TP, Cervinski MA, Katayev A, et al. Recommendations for laboratory informatics specifications needed for the application of patient-based real time quality control. Clin Chim Acta. 2019;495:625-629. doi:10.1016/j.cca.2019.06.009

[5]温冬梅, 郝晓柯. 基于患者数据的实时质量控制建立原则及研究进展 [J] . 中华检验医学杂志, 2022, 45(1) : 82-86. DOI: 10.3760/cma.j.cn114452-20210623-00391.

[6]van Rossum HH, Bietenbeck A, Cervinski MA, Katayev A, Loh TP, Badrick TC. Benefits, limitations, and controversies on patient-based real-time quality control (PBRTQC) and the evidence behind the practice [published online ahead of print, 2021 Mar 10]. Clin Chem Lab Med. 2021;10.1515/cclm-2021-0072. doi:10.1515/cclm-2021-0072

[7]Bietenbeck A, Cervinski MA, Katayev A, Loh TP, van Rossum HH, Badrick T. Understanding Patient-Based Real-Time Quality Control Using Simulation Modeling. Clin Chem. 2020;66(8):1072-1083. doi:10.1093/clinchem/hvaa094

[8]Duan X, Wang B, Zhu J, et al. Regression-Adjusted Real-Time Quality Control. Clin Chem. 2021;67(10):1342-1350. doi:10.1093/clinchem/hvab115

[9]Cervinski MA. Pushing Patient-Based Quality Control Forward through Regression. Clin Chem. 2021;67(10):1299-1300. doi:10.1093/clinchem/hvab155

编辑：yeah 审校：小冉