CN105404770B - 临床诊断处理中从大失控状态恢复的系统以及方法 - Google Patents
临床诊断处理中从大失控状态恢复的系统以及方法 Download PDFInfo
- Publication number
- CN105404770B CN105404770B CN201510742496.4A CN201510742496A CN105404770B CN 105404770 B CN105404770 B CN 105404770B CN 201510742496 A CN201510742496 A CN 201510742496A CN 105404770 B CN105404770 B CN 105404770B
- Authority
- CN
- China
- Prior art keywords
- sample
- cusum
- test data
- condition
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Abstract
公开了一种临床诊断处理中从大失控状态中恢复的系统和方法。在检测大失控状态时,设计CUSUM规则,以预测该状态发生期间是否生成了样本测试数据。重新评估样本测试数据,应用CUSUM规则以确定接受或拒绝检测结果。在完成重新评估时,采用新的重新评估的结果替代识别为无效的旧的测试结果,并且如果之前未公开,则公开新的结果。
Description
相关申请的交叉引用
不适用。
关于联邦资助研究或开发的声明
不适用。
技术领域
本发明涉及临床诊断处理,更特别地,涉及用于此类处理中从大失控状态恢复的系统和方法。
背景技术
临床诊断实验室采用各种质量控制方案来控制临床诊断处理,以确保诊断结果的准确性。在美国,Westgard是公知的方案,还有在美国之外更通用的其他方案,例如RiliBAK。最近研发的基于患者数据的方案同样在变得广泛应用,例如在美国专利US8099257中描述的生物计量质量控制处理。
不考虑采用的特定质量控制(QC)处理,已知的临床诊断处理的共有特性为,所有这些处理最终会以某些方式失败。这些失败一般可被分为两类:停止失败,其中整个测试系统或处理被停止;以及运行失败,其中测试系统或处理继续,但是正在生成潜在错误结果。其中临床诊断处理继续运行的失败通常被称为失控状态,也就是说,诊断处理仍在运行,但是未在要求的参数内运行。当失控状态在评估中以增加测量误差的数量的形式存在时,失控状态影响所有的评估样本。只有在结果中的测量误差超过预定的等级(即可允许总误差TEa)时,该结果被认为是不适用或不可靠的。如果失控状态小,则在该状态的存在期间,它可以仅仅导致评估样本的一部分不可靠。但是,如果失控状态大,则在该状态存在期间,它可以导致所有的评估样本不可靠。
临床诊断处理的失控状态可以长时期保持未被检测到。因为被分析的患者样本自身具有未知的分析浓度(concentration),从这些样本中确定它们的质量是否已经被干扰是困难的。因此,当最终检测到失控状态时,实验室有义务停止测试处理以识别被认为不可靠的结果,并且采用正确动作以纠正失控状态,从而准确且可靠的结果可以被恢复。
提供了确保提供准确且可靠的结果的一种方法是,首先校正失控状态,之后重新测试从最近所知的临床诊断处理的“良好”状态开始被测试的所有患者样本。这通常被识别为最近的一次质量控制处理已经评估且认定为“良好”。虽然该方法保证多数(即使并非所有)潜在的不可靠结果被考虑以及样本被重新测试,但是它可能整体上是繁重且麻烦的。例如,如果从最近已知的良好状态已经测试了一千个样本,并且失控错误刚好发生在第999个样本之后,那么在只有第1000个样本实际不可靠时,要测量所有1000个样本。如果可以准确确定失控状态的发生时间,那么不可靠结果可以被识别,样本的重新测试会减少。
因此,明显地,当前根据识别的大失控状态并简单测试所有样本的质量控制处理是不够的,经常会导致重复测试以及非必要的样本重复测试。
发明内容
本发明针对一种在临床诊断处理中识别大失控状态并从大失控状态中恢复的系统和方法。本发明的系统和方法自动特征化大失控状态,并预测从最近已知的良好质量控制估计开始的不正确患者样本结果的数量。当解决了失控状态时,该系统和方法重新测试患者样本,直到使用规定的CUSUM规则识别到失败点。因此,只有在确定(warranted)时才需要对样本数据的校正。
在一个方面中,本发明的系统和方法提供在实验室质量控制(QC)处理中大失控状态的自动识别。另一方面,本发明的系统和方法通过估计失控状态的幅度以及重建可允许的总误差(TEa)简档(profile),估计从最近的良好QC事件开始评估的不正确结果的预期数量,以估计样本结果不正确的概率。在又一方面,本发明的系统和方法自动设计CUSUM规则,该规则被应用以确定重新评估的样本结果是否准确,并因此检测该大失控状态的起始点。在另一方面,本发明的方法和系统自动确定,在结果已经被上报或公布时,哪些重新评估的患者样本需要被校正。
本发明的系统和方法在本文中将结合美国专利申请号8,099,257的生物计量质量控制处理而描述,在此通过引用并入其全部内容。但是,应当理解,本发明的系统和方法同样可以采用任何其他的质量控制处理、生物计量等而被使用,这样的实施可以被预期且处于本发明的范围内。
参考说明书的余下部分,包括附图和权利要求,将实现本发明的其他特征和优点。本发明的进一步的特征和优点,以及本发明的各种实施例的结构和操作,在下文中伴随附图和权利要求被具体描述。在图中,相同的参考数字指示相同或功能类似的元件。
附图说明
在本发明的以下具体描述中,将结合构成本文一部分的附图更具体地描述本发明,附图中:
图1图示了一种根据本发明的第一示例实施例的客户端计算机系统的框图,配置有用于检测临床诊断处理中的大失控状态的应用模块。
图2图示了一种根据本发明的一个示例性实施例的网络布置的框图,该网络布置用于在多个计算系统以及设备之间执行共享应用和/或传输数据和命令。
图3A图示了根据本发明的一个示例性实施例的处理流程图的第一部分,该处理用于检测临床诊断处理中的大失控状态。
图3B图示了根据本发明的一个示例性实施例的处理流程图的第二部分,该处理用于检测临床诊断处理中的大失控状态。
具体实施方式
下图1到3B图示了根据本发明的示例性实施例的从临床诊断处理中的大失控状态自动恢复的系统和方法。虽然在下文将参考描述的示例性实施例和替代实施例具体描述本发明,但是应当理解的是,本发明不限于在这些实施例中示出和描述的特定配置。相反,本领域技术人员将意识到,根据本发明,可以实施多种配置。
首先参看图1和2,系统客户端计算机系统(例如临床诊断仪器)10被配置有可操作地对多种分析物(如患者样本或质量控制样本)进行测试的应用模块20。应用模块20可以连同实施任何临床诊断处理执行任何诊断步骤序列或者一个或多个诊断算法,例如血液分析器或者任何其他临床诊断或分析处理。如图2很好示出的,根据本发明的示例性实施例,多个客户端计算机系统10可以被布置在网络配置中,用于在多个计算系统和设备之间执行共享应用,和/或传输数据和命令。应当理解的是,客户端计算机系统10可以被操作为独立的系统(例如诊断仪器设备或实验室仪器),或者它可以经由网络34被连接到服务器系统30和/或其他客户端系统10和/或其他设备/服务器32。
图1和2中图示的系统中的一些元件是公知的,根据本发明可以实施已有的元件以及对这些示例性元件的变形。例如,客户端系统10可以包括桌面个人计算机、工作站、膝上计算机、手持移动设备或能够执行应用模块20的任何其他计算设备。在客户端-服务器或网络化的实施例中,客户端系统10被配置为经由网络30直接或间接与服务器系统30交互。网络34可以是本领域已知的任何类型的网络,例如局域网(LAN)、广域网(WAN)、因特网、ad-hoc网络或任何其他类型的网络。客户端系统10还可以经由网络34直接或间接地与一个或多个其他客户端系统10和设备/服务器32通信。客户端系统10优选执行网页浏览程序,例如微软的因特网浏览器、Netscape导航器、Opera等,允许客户端系统10的用户访问、接入和浏览经由网络34从服务器系统30或其他服务器系统到其的可用的信息和页面。客户端系统10还优选地包括一个或多个用户接口设备36,例如键盘、鼠标、触摸屏、图形平板、笔等,用于与显示器38上提供的图形用户接口(GUI)交互。显示器38优选为监视器或LCD屏幕,但可以是本领域已知的任何类型的显示设备。
在一个示例性实施例中,应用模块20在客户端系统10(例如独立的)上完整执行,但是在替代实施例中,该应用模块可以在诸如客户端-服务器、点对点或者多计算机联网环境下执行,该环境中应用代码的部分在网络系统的不同部分执行,或者在执行部分应用代码的多个组件或设备之间交换数据和命令。在本地网络示例中,优选经由LAN的互连,但是,应当理解的是,可以使用其他网络,例如因特网或任何内部网、外部网、虚拟私有网(VPN)、非基于TCP/IP的网络、WAN等。例如,在图2图示的示例性实施例中,LAN33将多个设备互连到客户端系统10。这样的网络是多种仪器环境35的示例,例如实验室或医院,其中在实验室信息系统(LIS)布置情况下,多个仪器、设备或服务器被连接到客户端系统10。LAN 33可以包括无线和有线链路和节点,并使用本领域所熟知的各种通信协议。
优选地,服务器系统30作为执行应用模块代码的多数或全部的中央计算机系统,每个客户端系统10作为对于用户的终端或登入点。例如,客户端系统10可以位于实验室或医院的多个仪器环境35中,以作为LIS的一部分,而服务器系统30可以位于地理上的远程位置。在这样的配置中,应用模块代码优选地整体在服务器系统30上执行,经由网络34在客户端系统10之间发送数据和命令。例如,如果客户端系统10位于实验室中,则客户端系统10会提供所需患者数据和/或测试结果/数据,以及来自本地数据库以及本地仪器和设备的其他信息,供服务器系统30处理,服务器系统之后会将处理结果提供回客户端系统10,或者其他计算机系统。应当理解的是,根据计算效率目的的需要,应用代码可以整体在单个系统上执行,或者各个部分可以在两个系统10和30上(或者在其他示例性实施例中在多个系统上)执行。此外,多个仪器环境35中的客户端系统10可以执行应用模块代码的一部分或全部。
回到图1,在一个示例性实施例中,客户端系统10以及其部件的一些或全部是通过应用模块20的操作可配置的操作器,其包括可以在通过本领域熟知的一个或多个总线42耦合到其他组件的中央处理单元40上执行的计算机代码。计算机代码包含用于操作并配置客户端系统10(或其上执行该应用模块其他系统,例如图2的服务器系统30)以处理数据内容、监视和控制应用处理,并且如本文描述的呈现GUI图像,所述计算机代码优选地存储在硬盘上,但是整个程序代码或者其部分也可以存储在所熟知得任何其他易失性或非易失性存储介质或设备中,例如ROM、RAM,或者提供在能够存储程序代码的任何介质上,例如致密盘(CD)介质、数字通用盘(DVD)介质、软盘等。
适当的介质驱动44被提供以用于从这样的计算机可读介质接收和读取文档、数据和代码。此外,模块20的全部程序代码、或者其部分、或者诸如Active X命令的相关命令,可以从诸如服务器系统30的软件源传输并下载至客户端系统10,或者经由熟知的因特网从另一服务器系统或计算设备到客户端系统10,或者使用所熟知的任何通信介质和协议(例如TCP/IP、HTTP、HTTPS、以太网等)经由任何其他的传统网络(例如以太网、VPN、LAN等)连接传输。应当理解的是,用于实现本发明方面的计算机代码可以以多种编码语言(例如C、C++、Java、Visual Basic或其他)或任何脚本语言(例如VBScript、JavaScript、Perl)或者诸如XML的标记语言实现,其可以在客户端系统10和/或在客户端服务器或联网布置中被执行。此外,根据本发明的方法,多种语言可以被应用在数据(例如患者结果、设备和仪器信息(例如ID、日期/时间戳、校正信息、温度信息等)以及其他信息)的外部和内部存储中。
在一个示例性实施例中,应用模块20包括用于本文描述的监视和控制临床诊断处理以及提供用户接口配置能力的指令。应用模块20优选被下载并保存在介质硬驱动44(或者诸如本地或连接的RAM或ROM等其他存储器)上,但是应用模块20还可以被提供在如上文讨论的诸如软盘、CD、DVD等任何软件存储介质上。
在图1图示的示例性实施例中,应用模块20包括用于处理数据内容的各种软件模块。通信接口模块22被提供,用于传输文本和/或其他数据至显示驱动器,从而在显示器38上呈现图像(例如GUI图像),并且用于与网络实施例中的设备/服务器32和/或其他计算机或服务器系统通信。用户接口模块24被提供,用于接收来自用户接口设备36的用户输入、命令和信号。通信接口模块22优选地包括浏览器应用,其可以与之前描述的客户端系统10上配置的默认浏览器相同,或者是任何其他浏览器或用户接口应用。可替代地,接口模块22包括与客户端系统10上执行的浏览器应用交互的功能。
应用模块20还包括临床诊断处理模块28,其根据一个或多个预定的临床诊断处理执行指令以处理数据。例如,临床诊断处理可以执行完整的血液分析仪、特定的葡萄糖分析仪或任何其他临床分析或诊断处理,或者这些或其他处理的任何变形或组合。此外,应用模块20可以包括可操作以执行其他临床诊断处理或分析或质量控制处理的其他模块。在下文中将更具体解释的是,应用模块20进一步包括检测模块26,可操作为检测在应用模块中运行的临床诊断处理的任何或全部上的大失控状态。
注意,虽然检测模块26被示出为结合应用模块20以及结合该模块内运行的临床诊断处理28(或多个处理)而运行,应当理解的是,该检测模块自身不需要是应用处理的一部分,但是可以独立于该处理运行。因此,虽然实施本发明的监测处理的模块可以被包括在实现临床诊断处理的仪器或系统内,以及可以结合该处理(如图1的示例性系统中所示)在系统上执行,或者甚至可以被编码到具有该处理的单个可执行应用程序内,本发明的大失控状态处理的检测还可以结合可被预期且位于本发明的范围内的其他临床诊断处理或者以分离配置方式被使用或实施。
编译统计(例如设备和仪器信息)、患者信息或其他信息优选被存储在数据库46内,该数据库可位于存储器48、存储卡或其他存储器或存储系统(例如连接的存储子系统RAID驱动系统)中,用于由临床诊断处理模块28、检测模块26以及应用模块20的其他部分检索。应当意识到,应用模块20或其部分,以及适当的数据可以被下载到客户端系统10并在其上执行。
图3A和3B图示了结合独立的临床诊断处理或者例如多仪器或多实验室环境下的一组临床诊断处理使用的处理的示例性实施例的流程图,现在特别参考图3A和3B描述检测模块26的操作。
本发明的方法自动检测大失控状态,估计失控状态的幅度,估计结果不正确的概率,并且预测从最近已知的良好质量控制评估开始已经生成的不正确患者样本结果的数量。该方法进一步构建CUSUM规则,以应用于重新评估的测试结果,以确定大失控状态的起始点。因此只有在确定时要求对重新评估的样本进行校正。在操作中,实验室通常会同时实施并运行多个临床诊断处理,多个仪器在任何给定的时间运作,这些仪器的每一个或者运行独特的临床诊断处理或者通常情况下,多个仪器运行同样的处理。
用来检测和校正大失控状态或者自动序列恢复的方法被简单描述如下:基于失控状态的检测,分析已经通过实验室仪器采集的样本评估数据,以确定该数据中潜在误差的范围。该数据的分析包括:估计失控状态的幅度;对于从最近已知的良好状态之后评估的每个样本,估计该样本数据不正确的概率;以及计算该样本数据内预期的不正确结果的预测数量(NI)。如果发现估计的失控状态的幅度太低(例如该幅度未达到预定阈值),那么不要求作出进一步评估,因为该误差位于允许的容忍内。类似地,如果不正确结果的预测数量(NI)小于1,那么不需要恢复(即不存在预测的不正确结果)。如果不正确结果的预测数量(NI)小于用于自动序列恢复的预定阈值,那么用于从大失控状态恢复的本发明不适用,应当采用另一恢复方法。
如果这样的例外都不使用(即NI不小于1,并且NI大于用于自动序列恢复的预定阈值),则如现在所要描述的,采用从大失控状态恢复的方法。
在校正的失控状态的情况下,使用先前计算的失控状态的估计幅度,设计CUSUM规则,用于检测在存在失控状态的时间期间是否产生患者结果。在检测失控状态之前,从最后测试的患者样本开始,重新测试每个样本,使用所设计的CUSUM规则评估重新测试的样本结果和初始的样本结果之间的差。当(1)不满足CUSUM规则接受限制(即,大失控状态的发生起始点已经被识别)时,或者(2)从最近的良好QC评估开始测试的第一患者样本测试发生时(即从最近已知的良好QC状态开始的所有样本已经被重新测试),停止患者样本的自动重新测试。
对于每个重新测试/重新评估的患者样本,如果初始结果(即在检测失控状态之前的样本评估)已经发布或者上报,那么生成具有样本重新评估的结果的校正列表。如果原始结果未被发布,那么采用患者样本的重新评估结果替代该原始结果。
现在参看图3A和3B,图示了本发明的大失控状态检测和校正方法的示例性实施例的流程图。对于本发明的系统和方法要使用的每个临床诊断处理,实验室必须最初定义一些处理参数,如下:
NUMREP-是用来估计失控状态大小的每个质量控制(QC)浓度水平上的复制次数。通常NUMREP值优选地会位于2到4的范围,但是取决于特定的临床诊断处理和/或特定分析,该范围之外的值可以是合适的。
TEa-是用于临床诊断处理的可允许总误差。TEa的值通常由实验室操作者优选地考虑技术能力和分析物的临床效用而确定。优选地,TEa作为百分比,或者基于一函数,该函数根据分析物的浓度水平为TEa分配值。
MINNI-是用于本发明的自动序列恢复方法的应用的不正确结果的最小预测数量。如果不正确结果的预测数量小于该限制,那么应当使用其他恢复流程。优选地,根据在各个质量控制(QC)事件之间评估的患者样本数量选择MINNI。如下文将具体解释的,如果不正确结果的预测数量小于MINNI,那么本发明的自动序列恢复不适用,可以使用其他恢复流程。
优选地,实验室操作者将根据被实施的各种临床诊断处理以及处理的分析物类型的实验室历史和知识,确定NUMREP、TEa和MINNI的默认或初始值。当然,随着实验室知识库增长,在本发明范围内根据需要可以对初始或默认值作出调整或改变。
按照刚刚描述的内容定义并设置用于特定临床诊断处理的初始参数后,在图3A和3B的流程图中图示了用于执行本发明的大失控状态的自动检测和校正的一般处理步骤。每个步骤首先会被一般描述;下文给出该处理中每个步骤更具体的描述。
参看图3A和3B,当识别出失控状态时,在块200,跨越患者结果的浓度范围估计失控状态的幅度。
在块202,对于从最近的良好质量控制评估开始评估的每个样本,估计该评估不正确的概率。
在块204,计算从最近的良好质量控制评估开始的不正确结果的预测数量(NI)。
在块206,如果计算的不正确结果的预测数量(NI)小于1,那么不需要恢复,并且临床诊断处理可以继续到块208。在块210,如果不正确结果的预测数量小于预定阈值MINNI(如上文定义的,用于自动序列恢复的最小预测不正确结果),那么本发明的自动序列恢复不适用。在该情况下,应当使用另一恢复方法,该处理在块212终止。如上文讨论的,本发明的自动序列恢复处理适用于大失控状态。如果失控状态不大,那么另一恢复方法可能更适用。例如,对于本领域技术人员来说,诸如简单地重新测试从最近良好QC事件开始的每个样本的其他方法是显而易见的,并在上文讨论。
如果不正确结果的预测数量大于MINNI阈值,那么在块214处理继续,其中解决失控状态。显然,对于本领域技术人员来说,失控状态的潜在原因是多样的,并且解决故障所需的动作也是不同的。
在失控状态解决的情况下,在块216,设计CUSUM(下文将具体讨论)以从已经完成的测试结果中识别不好的患者测试结果。在块218,从检测大失控状态之前的最后测试的样本开始,重新测试或重新评估已经测试的患者样本,对这些样本的每一个生成新的结果。
在块220,所设计的CUSUM规则被应用到每个重新测试的样本,在块222,如果该CUSUM规则接受重新评估的样本结果,那么出现大失控状态的起始点还没有被识别出,并且在块218处继续患者样本的重新测试。如果该CUSUM规则否定了重新评估的样本结果,则这表示原始测试结果没有被大失控状态污染,因此识别到大失控状态的起始点。因此完成了患者样本的重新测试,该处理继续到块224。
在块224,确定针对重新测试的患者样本的初始结果是否已经被上报或公布。如果该结果未被上报,那么在块226处用新的结果替代旧的结果。
如果该结果已经被上报,那么在块228,生成具有任何样本结果的校正列表,其中:(1)新的结果与旧的结果位于医疗决定限制的不同侧(例如,新的结果已经改变了医疗决定的结果)或者(2)新的结果与旧的结果的差别大于可允许的总误差TEA(例如,新的结果与旧的结果不同,大于可允许的量)。
因此,本发明的自动顺序恢复处理允许样本的受控重新测试,识别大失控状态的起始点以及只对被大失控状态影响的那些样本重新测试。
采用一般给出的处理,现在仍然参照图3A和3B,具体描述上述每个步骤。
在块200,评估失控状态的幅度,如下:
首先,对于当前正由临床诊断处理测试的每个QC水平,评估质量控制(QC)样本的选择数量。优选地,质量控制样本的所选数量是NUMREP,如先前描述初始设置的。
接着,使用刚刚执行的QC评估的结果,对于被考虑的每个QC的浓度x,构建偏差函数为:
bias(x)=MEAN(QC result)-MEAN(QC target level)
应当理解,这一计算应当包括来自失败的QC事件结果的QC结果的值。
对于落入各个QC水平之间的浓度x,通过在这些QC水平之间线性内插计算该偏差。对于大于或小于QC水平的浓度,该偏差被截断,从而对于QC的最高水平之上的浓度,使用QC的最高水平的偏差,以及对于低于QC的最低水平的浓度,使用QC的最低水平的偏差水平。
接着,使用历史QC结果,对于被考虑的每个QC的浓度x,构建非精确函数:
SD(x)=SD(QCtarget level)
换句话说,对于所考虑的QC的每个浓度,QC目标水平的SD被指定为SD(x)。
在浓度落入各个QC水平之间的情况下,通过在这些QC水平之间线性内插计算该SD。对于高于或低于QC水平的浓度,SD被截断,从而对于高于QC的最高水平的浓度,使用QC的最高水平的SD;以及对于低于QC的最低水平的浓度,使用QC的最低水平的SD水平。
因此,对于患者数据的每一值,该患者样本的浓度与用于获得该患者值的实验室仪器的样本元组(浓度,SD)中的浓度比较。当在患者浓度和元组中的浓度之间存在直接匹配时,来自元组的对应的SD被指定给该患者样本。注意,直接匹配可以被看作各个浓度的准确匹配或者是预定阈值内(例如,是否患者浓度位于样本数据中的浓度的0.1个百分点之内)的匹配。当患者浓度并不与元组中呈现的任何浓度直接匹配时,如上文所述的,通过内插计算用于患者数据的SD,当SD大于高或低阈值时,进行截断。
在替代示例性实施例中,通过从元组中的SD内插或者外插来计算用于患者数据的SD,如下:
当患者浓度落在两个元组的浓度之间时(其中低浓度元组被指定(conc0,SD0),并且高浓度元组被指定(conc1,SD1),用于患者数据(SDp)的SD被计算为:
SDp=SD0+(concentration-conc0)*(SD1-SD0)/(conc1-conc0)
当患者浓度水平落在最低的(concentration,SD)元组之下时,所指定的(concl,SDl)、最低浓度元组的SD值被指定为患者SD,即SDp=SDl。
最后,当患者浓度高于最高(concentration,SD)元组时,指定(conch,SDh),所给定的患者SD的值被计算为:SDp=(SDh/conch)*(patient concentration)。
因此,对于每个患者值,根据与样本数据浓度的直接匹配,如上所述通过在样本值之间内插,或者通过从样本值外插,来指定SD。应当理解,虽然已经描述了简单的分段线性内插函数以及低限制截断函数,但是根据本发明,其他的内插和外插方案当然可以被实施。
接着,对于每个分析物浓度x,指定的TEa(如上面描述的)被使用来构造TEa(x)。在TEa被给定作为百分比的情况下,例如在TEa(x)=%TEa*x/100的情况下,该值可以是微量允许(deminimus)。
对于每个分析物浓度x,对于每个NUMREP QC评估,使用刚刚描述的bias(x)以及SD(x)函数,定义估计相对误差(RE)函数为:
RE(x)=bias(x)/(√2*SD(x))
最后,通过平均RE(x)函数的值,计算平均相对误差(AVERAGE_RE),为:AVERAGERE=MEAN(RE(x))。
估计失控状态大小后,在块202处,对于从最近的良好质量控制评估开始评估的每个样本x,估计该评估不正确的概率(pI(x))如下:
pI(x)=1-normcdf(TEa(x),bias(x),sd(x))+normcdf(-TEa(x),bias(x),sd(x))
其中TEa(x)、bias(x)、sd(x)是相对于块200如上文所述的函数,其中normcdf是正态累积分布函数:
其中μ是用于正在计算正态累积分布的分布的均值(即此情况下,偏差),并且σ是正在计算正态累积分布的分布的标准偏差,其中x为用于正在计算正态累积分布的值。
在计算评估不正确的概率后,移动到块204,其中计算从最近的良好质量控制评估开始评估的不正确结果的预期数量(NI),如下:。
假设失控状态从最近的良好质量控制评估开始已经存在(即最坏情形分析),那么不正确结果的预测数量可以被计算为对于从最近良好QC评估开始测试的所有患者样本来说任何给定结果不正确的概率的和,或者:
其中NB是从最近的良好QC评估开始测试的患者样本数量。
在块206,如果NI小于1(即不正确结果的估计数量接近0),那么恢复是不必要的,处理可以继续到块208。
在块210,如果NI小于MINNI(如初始定义和上文描述的),那么失控状态的幅度过小,本发明的恢复方法不适用。因此,在块212,必须应用另一恢复方法。
在块214,解决了导致失控状态的问题。本领域技术人员将认识到,失控状态的潜在原因是多样的。本领域所知的各种测试和解决处理可以被采用以排除故障,并隔离任何特定误差的原因,解决可以要求测试系统维护、校正、改变试剂或者任何其他动作,以识别和解决本领域已知的故障。
转到图3B,在解决失控状态的情况下,处理继续到块216,其中设计CUSUM(累积和控制图)规则,以评估和检测患者数据中的不好结果。CUSUM规则优选如下设计:
首先,使用上文描述和计算的AVERAGE_RE,计算参考值K,为:
K=AVERAGE_RE/2。
之后,计算评估为错误拒绝的预期数量E(Nfr),为:
E(Nfr)=NB*2。
其中NB是从最近良好QC评估开始测试的患者样本的数量。
接着,使用刚计算的用于K和E(Nfr)的值,从表1示出的查找表中确定用于决定间隔的值H,E(Nfr)索引表中的行,K索引表中的列。
表1
因此,例如,如果E(Nfr)=10,K=0.5,那么从该表中所选的用于H的值为1.46。对于小于0.1的实际K值(该表中最小的K值),使用的K值为0.1,并且,对于大于1.5的实际K值(该表中最大的K值),使用的K至是1.5。同样的,对于落在表中所示的用于E(Nfr)值之间的E(Nfr)的实际值,用于E(Nfr)的值是该表中出现的下一最大值。因此,例如,如果用于E(Nfr)的实际计算值是1876,那么用于该表查找的E(Nfr)是1900,表中出现的下一最大值。可替代地,可以使用从该表确定H值的其他方法,例如在该表中所示的值之间内插和/或在这些值之外外插。
采用所选的决定间隔H,单侧上CUSUM(CU)、单侧下CUSUM(CL)以及索引(i)参数被初始化为0值,以完成CUSUM规则的设计。
在块218,患者样本被获取并按逆序重新测试,也就是说,第一个重新测试的样本是紧邻失控状态检测前测试患者样本,最后一个重新测试的样本(如有需要),是紧邻最近的良好QC结果之后测试的患者样本。
将要在遵循的等式中使用的,oldx指失控状态检测前的患者样本结果x,而newx指重新测试的样本结果x。
在块220,所涉及的CUSUM规则被应用到旧的和新的结果(即原始和重新测试的患者结果),如下:
首先,用于该规则的索引值(计值)被增加,为:i=i+1。
接着,根据oldx和newx的值,以及采用之前描述的偏差和SD函数,计算得出合成样本测试值xi,为:
xi=((oldx-newx)-bias(newx))/(√2 SD(newx))
然后,计算单侧上CUSUM(CU)以及单侧下CUSUM(CL),为:
CUi=max(0[xi-K+CUi-1])
CLi=max(0[-K-xi+CLi-1])
接着,在块222,回顾应用CUSUM规则的结果。如果计算的CU或CL的值大于决定间隔H,或者如果索引i达到NB(即,已经重新测试从最近已知的良好QC状态开始的所有样本),那么CUSUM规则拒绝,患者样本重新测试结束。或者,以数学方式表示为:
If(CUi>H)或(CLi>H),或者if i=NB,那么拒绝。
在块224,确定患者样本的初始评估结果是否已被上报或公布。如果否,在块226,采用通过抽查和重新评估患者样本产生的重新评估结果替代初始评估结果。
如果该结果已经被公布,那么在块228,生成具有任何样本结果的校正列表,其中新的结果与旧的结果位于医学决定限制的另一侧,或者其中新的结果与旧的结果的差异大于可允许总误差TEa。
因此,在块228,如果|新的结果-旧的结果|>TEa(新结果),新的结果被添加到校正列表。
类似地,如果以下两个计算的结果(旧结果-决定限制;以及新结果-决定限制)的符号不同(即,如果一个为正,另一为负),新的结果被添加到该校正列表。
然而,如果两个计算结果的符号相同,重新评估的结果不被添加到校正列表中。
因此,基于失控状态检测,本发明的系统和方法自动特征化大失控状态,并预测从最近已知的良好质量控制评估开始的不可靠患者样本结果的数量。该系统和方法进一步构建CUSUM规则,并且在失控状态已经被校正时,开始重新评估/重新测试样本,从失控状态检测之前测试的最后一个样本开始。样本被迭代地重新测试,CUSUM规则被应用以检测重新测试的样本何时是可接受的-即,识别发生失控状态的起始点。在该点,样本的重新测试被停止,仅对于那些需要校正的数据点,采用新的重新测试的数据替代旧的误差数据结果。在误差被检测和校正以及污染的数据被校正后,临床诊断处理可以继续。因此,仅在需要时进行重新评估/重新测试,只有需要校正的这些数据点被校正,从而避免了昂贵、费时且非必要的重新测试。
如果变量实质上不改变本发明的能力,可以获准改变而不导致其所关联的基本函数的变化的本文给出的任何量化呈现可以获准改变。
虽然本发明参照各种示例性实施例在上文已经描述并图示,应当理解的是,在不脱离本发明的范围下,可以对这些实施例做出各种改变。因此,本发明不限于上文描述和图示的示例性实施例,除了在这样的限制被包含在以下权利要求中的范围。
Claims (12)
1.一种分析至少一个样本的方法,包括以下步骤:
通过使用至少一个实验室仪器分析至少一个样本;
对分析结果质量检测,用于确定失控状态,其中所述失控状态为大失控状态;
在接收到来自实验室仪器的失控状态通知时,分析来自所述实验室仪器的样本测试数据,以确定由所述失控状态所导致的潜在误差的范围;
设计CUSUM规则,以预测当存在所述失控状态时是否产生样本测试数据点,其中所述设计CUSUM规则包括计算平均相对误差,以及至少部分地基于所述平均相对误差确定决定间隔;
重新评估之前测试的样本的至少一部分,以生成新的测试数据,其中,从失控状态监测之前测试的最后一个样本开始,按逆序迭代地对样本进行重新评估;
应用所述CUSUM规则以接受或拒绝重新评估的测试数据,其中所述应用CUSUM规则包括计算复合的样本测试值、计算单侧上CUSUM值以及计算单侧下CUSUM值,并且,在所计算的单侧上CUSUM值或单侧下CUSUM值大于所述决定间隔或者在已经重新评估从最近已知的良好QC状态开始的所有样本的情况下,所述CUSUM规则拒绝重新评估的测试数据,并且对样本的重新评估结束;以及
采用所述新的测试数据替代先前测试的样本数据的至少一部分。
2.根据权利要求1所述的方法,其中所述分析来自所述实验室仪器的样本测试数据包括:
估计所述失控状态的幅度、估计样本评估不正确的概率、计算不正确测试结果的预测数量,以及其组合。
3.根据权利要求1所述的方法,其中从预定的查找表中选择所述决定间隔。
4.根据权利要求1或3所述的方法,进一步包括:计算错误拒绝的评估的预期数量,以及其中,所述确定决定间隔至少部分地基于所述平均相对误差、所述错误拒绝的评估的预期数量以及其组合。
5.一种分析至少一个样本的系统,所述系统包括:
一个或多个实验室仪器,能够操作为获得测试数据;
计算机系统,能够操作为与所述实验室仪器通信,并从所述实验室仪器接收测试数据,所述计算机系统具有处理器,所述处理器能够操作为:
接收来自实验室仪器的失控状态通知,其中所述失控状态为大失控状态;
分析来自所述实验室仪器的样本测试数据,以确定由所述失控状态所导致的潜在误差的范围;
设计CUSUM规则,以预测在失控状态期间是否产生样本测试数据,其中所述设计CUSUM规则包括计算平均相对误差,以及至少部分地基于所述平均相对误差确定决定间隔;
重新评估之前测试的样本的至少一部分,以生成新的测试数据,其中,从失控状态监测之前测试的最后一个样本开始,按逆序迭代地对样本进行重新评估;以及
应用所述CUSUM规则以接受或拒绝重新评估的测试数据,其中所述应用所述CUSUM规则包括计算复合的样本测试值、计算单侧上CUSUM值以及计算单侧下CUSUM值,并且,在所计算的单侧上CUSUM值或单侧下CUSUM值大于所述决定间隔或者在已经重新评估从最近已知的良好QC状态开始的所有样本的情况下,所述CUSUM规则拒绝重新评估的测试数据,并且对样本的重新评估结束。
6.根据权利要求5所述的系统,其中所述分析来自所述实验室仪器的样本测试数据包括:估计所述失控状态的幅度、估计样本评估不正确的概率、计算不正确测试结果的预测数量,以及其组合。
7.根据权利要求6所述的系统,其中所述估计所述失控状态的幅度包括评估质量控制样本以及根据偏差和历史非精确数据确定可允许的总误差。
8.根据权利要求7所述的系统,其中所述估计样本评估不正确的概率包括计算正态累积分布。
9.根据权利要求5-8中的任一项所述的系统,其中所述处理器进一步能够操作为:采用重新评估的样本数据替代所述样本测试数据的至少一部分。
10.根据权利要求5-8中的任一项所述的系统,其中所述处理器进一步能够操作为:
生成标识重新评估样本数据的报告。
11.一种非暂时性计算机可读介质,具有计算机可执行指令,用于执行一种自动检测并校正临床诊断处理中的失控状态的方法,所述方法包括:
通过使用至少一个实验室仪器分析至少一个样本;
对分析结果质量检测,用于确定失控状态,其中所述失控状态为大失控状态;
在接收到来自实验室仪器的失控状态通知时,分析来自所述实验室仪器的样本测试数据,以确定由所述失控状态所导致的潜在误差的范围;
设计CUSUM规则,以预测在所述失控状态期间是否产生样本测试数据点,其中所述设计CUSUM规则包括计算平均相对误差,以及至少部分地基于所述平均相对误差确定决定间隔;
重新评估之前测试的样本的至少一部分,以生成新的测试数据,其中,从失控状态监测之前测试的最后一个样本开始,按逆序迭代地对样本进行重新评估;
应用所述CUSUM规则以接受或拒绝重新评估的测试数据,其中所述应用所述CUSUM规则包括计算复合的样本测试值、计算单侧上CUSUM值以及计算单侧下CUSUM值,并且,在所计算的单侧上CUSUM值或单侧下CUSUM值大于所述决定间隔或者在已经重新评估从最近已知的良好QC状态开始的所有样本的情况下,所述CUSUM规则拒绝重新评估的测试数据,并且对样本的重新评估结束;以及
采用所述新的测试数据替代先前测试的样本数据的至少一部分。
12.根据权利要求11所述的非暂时性计算机可读介质,其中所述分析来自所述实验室仪器的样本测试数据包括:
估计所述失控状态的幅度、估计样本评估不正确的概率、计算不正确测试结果的预测数量,以及其组合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/448,336 US20160034653A1 (en) | 2014-07-31 | 2014-07-31 | System and method for recovering from a large out-of-control condition in a clinical diagnostic process |
US14/448,336 | 2014-07-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404770A CN105404770A (zh) | 2016-03-16 |
CN105404770B true CN105404770B (zh) | 2023-04-18 |
Family
ID=54106104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510742496.4A Active CN105404770B (zh) | 2014-07-31 | 2015-07-31 | 临床诊断处理中从大失控状态恢复的系统以及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20160034653A1 (zh) |
EP (1) | EP2980716B1 (zh) |
CN (1) | CN105404770B (zh) |
AU (1) | AU2015207930B2 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160012191A1 (en) * | 2014-07-10 | 2016-01-14 | Bio-Rad Laboratories, Inc, | System and method for spot checking small out-of-control conditions in a clinical diagnostic process |
JP7204769B2 (ja) * | 2018-03-30 | 2023-01-16 | アイデックス ラボラトリーズ インコーポレイテッド | ポイント・オブ・ケア診断システムのための品質管理 |
CN112345777A (zh) * | 2019-08-06 | 2021-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析装置、系统和质控失控后病人样本的管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063375A (zh) * | 2011-01-13 | 2011-05-18 | 北京航空航天大学 | 一种基于混合测试的软件可靠性评估方法及其装置 |
CN102354116A (zh) * | 2011-08-05 | 2012-02-15 | 北京航空航天大学 | 一种高质量过程统计控制的ω事件间隔控制图的制作方法 |
CN102929148A (zh) * | 2012-10-26 | 2013-02-13 | 西安电子科技大学 | 基于t-k控制图的多品种生产模式统计过程控制方法 |
CN103548014A (zh) * | 2011-03-29 | 2014-01-29 | 伯乐实验室有限公司 | 用于产生质量控制材料的统计上有效的检验均值和范围的系统和方法 |
CN103649960A (zh) * | 2011-06-23 | 2014-03-19 | 生物辐射实验室股份有限公司 | 用于确定即刻发布结果的最优qc策略的系统与方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7050933B2 (en) * | 2001-08-24 | 2006-05-23 | Bio-Rad Laboratories, Inc. | Biometric quality control process |
US8099257B2 (en) | 2001-08-24 | 2012-01-17 | Bio-Rad Laboratories, Inc. | Biometric quality control process |
US7620523B2 (en) * | 2007-04-30 | 2009-11-17 | Integrien Corporation | Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity |
AT10073U9 (de) * | 2008-01-14 | 2009-02-15 | Avl List Gmbh | Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems |
US8059001B2 (en) * | 2009-05-22 | 2011-11-15 | Bio-Rad Laboratories, Inc. | System and method for automatic quality control of clinical diagnostic processes |
US8589081B2 (en) * | 2009-07-24 | 2013-11-19 | Bio-Rad Laboratories, Inc. | System and method to determine sigma of a clinical diagnostic process |
JP2011174844A (ja) * | 2010-02-25 | 2011-09-08 | Sysmex Corp | 臨床検査情報管理装置、臨床検査情報管理システム、及びコンピュータプログラム |
-
2014
- 2014-07-31 US US14/448,336 patent/US20160034653A1/en active Pending
-
2015
- 2015-07-28 EP EP15178622.5A patent/EP2980716B1/en active Active
- 2015-07-31 AU AU2015207930A patent/AU2015207930B2/en active Active
- 2015-07-31 CN CN201510742496.4A patent/CN105404770B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063375A (zh) * | 2011-01-13 | 2011-05-18 | 北京航空航天大学 | 一种基于混合测试的软件可靠性评估方法及其装置 |
CN103548014A (zh) * | 2011-03-29 | 2014-01-29 | 伯乐实验室有限公司 | 用于产生质量控制材料的统计上有效的检验均值和范围的系统和方法 |
CN103649960A (zh) * | 2011-06-23 | 2014-03-19 | 生物辐射实验室股份有限公司 | 用于确定即刻发布结果的最优qc策略的系统与方法 |
CN102354116A (zh) * | 2011-08-05 | 2012-02-15 | 北京航空航天大学 | 一种高质量过程统计控制的ω事件间隔控制图的制作方法 |
CN102929148A (zh) * | 2012-10-26 | 2013-02-13 | 西安电子科技大学 | 基于t-k控制图的多品种生产模式统计过程控制方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2980716A1 (en) | 2016-02-03 |
EP2980716B1 (en) | 2020-09-02 |
US20160034653A1 (en) | 2016-02-04 |
AU2015207930B2 (en) | 2020-07-02 |
CN105404770A (zh) | 2016-03-16 |
AU2015207930A1 (en) | 2016-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
JP5542201B2 (ja) | 医療診断プロセスの自動的な品質管理のシステムおよび方法 | |
EP2924579B1 (en) | Event correlation | |
US8589081B2 (en) | System and method to determine sigma of a clinical diagnostic process | |
WO2005008254A1 (ja) | 臨床検査分析装置、臨床検査分析方法およびその方法をコンピュータに実行させるプログラム | |
KR20100042293A (ko) | 화학 플랜트 또는 정제소를 연속해서 온라인 모니터하는 시스템 및 방법 | |
US8560279B2 (en) | Method of determining the influence of a variable in a phenomenon | |
CN105404770B (zh) | 临床诊断处理中从大失控状态恢复的系统以及方法 | |
US11568208B2 (en) | Solution for machine learning system | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
US10431341B2 (en) | Detection device, method, and program for assisting network entropy-based detection of precursor to state transition of biological object | |
CN114585922A (zh) | 用于分析物水平的自适应归一化的方法、装置和计算机可读介质 | |
EP2966583B1 (en) | System and method for spot checking small out-of-control conditions in a clinical diagnostic process | |
KR20230021272A (ko) | 인공지능을 이용한 교량 건전성 모니터링 시스템 | |
AU2016233815A1 (en) | Detecting a transient error in a body fluid sample | |
Robyns et al. | An intelligent data capturing framework to improve condition monitoring and anomaly detection for industrial machines | |
van Rossum | An approach to selecting auto-verification limits and validating their error detection performance independently for pre-analytical and analytical errors | |
Kouadri et al. | A statistical-based approach for fault detection in a three tank system | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
CN111176916B (zh) | 数据存储故障诊断方法及系统 | |
EP4254111A1 (en) | Fault diagnosis apparatus, method, computer program, and non-transitory computer-readable recording medium | |
Fitrianto et al. | Procedures of generating a true clean data in simple mediation analysis | |
JP2012256196A (ja) | 臨床検査装置、臨床検査方法および臨床検査プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |