CN106250672A - 在实验室结果的质量控制策略的分析中使用患者风险 - Google Patents
在实验室结果的质量控制策略的分析中使用患者风险 Download PDFInfo
- Publication number
- CN106250672A CN106250672A CN201610570812.9A CN201610570812A CN106250672A CN 106250672 A CN106250672 A CN 106250672A CN 201610570812 A CN201610570812 A CN 201610570812A CN 106250672 A CN106250672 A CN 106250672A
- Authority
- CN
- China
- Prior art keywords
- probability
- patient
- harm
- strategy
- result
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00613—Quality control
- G01N35/00623—Quality control of instruments
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
公开了在实验室结果的质量控制策略的分析中使用患者风险以及用于分析质量控制(QC)策略的方法、装置和系统,QC策略应用至分析物测试过程以满足由错误测试结果产生的患者危害的可接受水平的危害概率。患者危害的测量考虑了患者危害的严重程度及其发生机率。该方法包括:基于QC策略和测试装置计算由测试系统故障引起的不可靠最终结果的预期数量E(Nuf)。E(Nuf)的值能够用作为患者危害概率的预计水平的计算的一部分。患者危害概率的可接受水平与患者危害概率的预期水平的比值能够确定QC策略的充分性。
Description
相关申请的交叉引用
本申请涉及Parvin和Yundt-Pacheco所共同拥有的美国专利8,738,548、名称为“System And Method For Determining An Optimum QC Strategy For ImmediateRelease Results”,其全部内容通过引用并入本文。
背景技术
诊断设备被用于医学、研究、和其他行业内的多个目的。例如在医学行业,可使用诊断设备来测量血液或尿液样本中特定物质(分析物)的浓度。重要的是确保该诊断设备合适地操作且返回的测试结果是正确的。特定地,重要的是确保该设备不在带有可破坏所产生的结果的较大部分的系统误差的情况下操作。
当测试作为分析物的样本时,该仪器将返回可能与物理上正确值不同的测试结果。通常由测量设备提供的测试机结构具有固有的不精确度,也就是,预定范围或误差幅度。如果设备的所报告结果和正确值之间的差异处于固有不精确度内,则该结果被认为是可以接受的。
由于在使用期间通常没办法知道用于测试的样本的正确值,可周期性地以参考样本测试该设备来检测被不正确地报告的结果和系统误差。为了测试该设备,操作者可测试正确结果为已知的一个或多个参考样本。虽然患者样本在收集后可仅稳定达数小时或数天,参考样本可以是被设计为稳定且可测试非常长时间段,诸如数月或数年,的合成样本。
一旦获得了参考样本的测试值,可相对于一组预定质量控制(“QC”)标准来测试这些测试值。实施这个步骤,无论测试一个或多个样本,都可被称为QC事件。当测试了多于一个样本时,可测试具有相应正常值的一个样本、具有异常高的值的一个样本、以及具有异常低的值的一个样本来确保该设备在结果的整个量度范围上返回了正确的结果。此外,可测试具有相同值的多个样本来确保该设备一致地返回相同结果。
如果这些结果符合QC准则,则确定该设备将返回良好结果且因此不具有任何系统误差,且该装置能够被用于测试其他患者样本。如果这些结果不符合预定标准,则该装置可能在QC事件之前或期间的某一时刻处已经开始故障。该故障可能开始于测试最后的患者样本之后,但是在QC事件前,在这种情况下已经正确地报告了所有的患者样本。反之,该误差可能发生在QC事件前的任何时间点,且对在这故障后测试的患者样本报告的所有结果可能是在大于可接受的误差幅度的情况下被报告的。
如果在成功的QC事件后获取的患者结果直到通过下一次QC事件后才发布,可显著减少所报告的误差数量。即刻发布测试结果的需求通常使该选项并不实际,且因此需要另一解决方案。
通过增加QC事件的数量且在每一次QC事件时测试更多的参考样本,操作人员通常能够减少被错误地报告的患者结果的预期数量。然而,增加上述两者中的任一个都增加了成本且减少了在任何时间段可由该装置测试的患者样本的数量。
发明内容
公开了用于分析质量控制(QC)策略的方法和系统,例如使用特定器械进行患者样本中特定分析物的测量。这种分析可使用患者风险(patient risk)。例如,这种分析能够在提供QC策略的评估中使用患者危害的概率和严重程度这两者。QC策略能够包括:使用参考样本监测该特定器械的QC事件之间的间隔,以及每个质量控制事件处测试的参考样本的数量。
各实施方式能够获得如下作为输入:针对特定分析物的特定测试器械的错误报告的(错误的)患者结果的无故障概率PE(0);该特定器械的故障之间所报告的患者结果的平均数量;以及不可靠的(错误的)患者结果导致患者危害的概率Ph|u。能够计算针对QC策略的不可靠的最终结果的预期数量E(Nuf)。能够提供危害的预期概率与危害的可接受概率对比的评估。危害的可接受概率取决于由错误报告的患者结果产生的危害的严重程度。
其他实施方式涉及与本文所描述的方法相关的系统、便携式消费设备、以及计算机可读介质。
参照下面详细描述和附图可获得本发明各实施方式的特征和优点的更好理解。
附图说明
图1示出了能够在测试样本中发生并产生患者危害的事件序列;
图2示意了诊断测试结果的三个可能序列;
图3示出了根据各实施方式的风险可接受性矩阵;
图4示出了根据各实施方式的危害概率表;
图5示意了器械测量的时间相关序列的示例;
图6示意了器械测量的时间相关序列的示例;
图7示意了根据一个实施方式的不可靠结果的预期数量的曲线图;
图8示出了根据一个实施方式的被用于确定不可靠最终结果的预期数量的不可靠结果的预期数量的曲线图;
图9是根据一个实施方式的评估质量控制策略的方法的流程图;
图10是根据一个实施方式的选择用于质量控制策略的参数的方法的流程图;
图11示出可与根据本发明的各实施方式的系统与方法一起使用的示例计算机系统的框图;
图12是根据本发明各实施方式的用于确定生物学样本的一个或多个性质的装置的框图。
具体实施方式
除了减少错误报告的患者结果的数量之外,需要考虑的另一因素是如果错误测试结果用于诊断或确定治疗时患者风险的可能性。患者风险取决于对患者危害的严重程度和危害的概率两者。来自基于错误测试结果的不恰当医疗决策或动作对患者危害的严重程度能够从可忽略(例如,轻微不适)至灾难性(例如,住院治疗或死亡)变化。除了危害的严重程度之外,导致患者危害的这种错误测试结果的概率能够在分析QC策略中加以考虑。例如,相比导致严重伤害的错误治疗的错误测试结果,具有更高发生概率的仅导致引起可忽略伤害的治疗的错误测试结果是能够被容忍的。
描述了用于减少由错误测试系统结果引起的患者危害的方法和系统,错误测试系统结果能够导致不恰当治疗或缺乏治疗。各个实施方式考虑会发生的危害水平和该危害的概率。各实施方式能够使用指令控制(QC)策略的参数以计算危害概率。所计算的危害概率然后能够与可接受的危害概率对比,这能够基于合适的标准。然后能够在必要时修改QC策略的参数。
I.导致危害的事件
各个事件会导致患者被伤害。这些事件能够包括不精确的设备,其会导致误诊,以及患者被伤害。下面是事件的示例序列。
图1示出了能够在测试样本中发生并产生患者危害的事件序列100。序列100会在测试实验室中使用诊断设备发生以提供用于分析物的测试结果。下面描述使用测量特定分析物的特定测试器械采用的QC策略的示例。示例分析物包括血糖水平、血总胆固醇水平、以及尿糖水平。
在事件110,初始原因产生测试过程失败,诸如器械内测量精度的漂移、器械的特定故障、或错误的操作者输入。初始原因会引起设备测试结果的系统误差,其与设备固有不精确性是不同的。在一些情形中,该初始原因可以被立即检测到,诸如通过设备自身的自诊断部件,或通过操作者检测。然而,初始原因可能不被立即检测到,导致测试过程的失败。该初始原因产生测试过程失败不被立即检测到的概率P1能够基于操作者经验和设备的已知属性来估算。
在事件120,未被检测出的测试过程失败能够导致生成错误的患者结果。测试过程失败120导致生成错误的患者结果具有概率P2。概率P2能够取决于分析物和QC策略的可接受策略误差水平。
在事件130,将错误测试结果报告至医护提供者具有概率P3。概率P3能够部分地通过QC策略来决定。例如,初始原因被QC事件检测到有多么迅速限制了未被检测到的错误结果报告至医护提供者的概率。
因此,在事件140,错误结果会导致引起患者危害的不合适医疗动作150,其具有概率P4.这是设计QC策略来减小的结果。
II.QC设计
QC策略能够设计以提供一定目标。QC策略能够包括使用参考样本监测特定器械的QC事件之间的间隔,以及每个质量控制事件处测试的参考样本的数量。能够调节这些数值以实现目标。
A.概览
QC策略的目标是在可能时减少图1中事件序列的每个的概率。测试系统及其QC策略能够影响阶段110至140。QC策略通常包括器械上监测QC事件的器械的布置,即在QC事件之间器械执行了多少正在使用的患者诊断测试。现在下面将说明这和其他因素将如何影响被报告的错误测试结果的机率。
图2示出来自诊断测试的测试结果的三个可能的序列。第一行示出四组患者测试结果或QC间隔220,其中所有的结果都是在没有系统误差存在的情况下产生的。用垂直线211指示获得每一个患者测试结果的时间。在每一次QC间隔之前或之后以开口棱形示出合格的QC事件201。第二行示出四个QC间隔,其中在第四个QC间隔中发生了测试系统故障。受影响的结果213相对于未受影响的结果移动。用黑色棱形示出在测试系统误差后失败的QC事件202。由于受影响的结果发生在最后合格的QC事件后,它们是可修正的。第三行示出四组QC间隔,其中在第三个QC间隔中发生了测试系统误差。在测试系统故障后的QC事件是合格的。最终不可靠的患者结果212是在发生在合格的QC事件203之前发生的那些受影响的结果之中,而可修正的不可靠患者结果213是那些在最后合格的QC事件203和第一次故障的QC事件204之间发生的那些。
诊断设备的任何操作者感兴趣的是限制可修正的患者结果和最终不可靠结果两者的数量。然而,当存在质量控制可用的固定量的资源时,用于减少可修正的不可靠患者结果的数量的措施会不利地影响最终不可靠患者结果的数量,反之亦然。例如,如果在每次QC事件时测试多个参考样本,则必须在每次QC事件之间测试多个患者样本以将精力几乎耗费在QC事件上(例如,QC事件与QC事件之间测试的患者样本的比值)。尽管该移动可减少最终不可靠患者结果的机率,但它会增加QC故障后可修正不可靠患者结果的预期数量。因此需要用于寻找合适的平衡的方法。
B.性能目标
在一个实施方式中,良好的实验室实践规定,一旦QC失败,操作者将调查先前合格的QC事件和失败QC事件之间所测试的患者样本。在该时间期间所报告的错误患者结果可被称为可修正的,这是因为实验室可重新测试这些样本且告知患者新的、正确的结果。如果在最后的QC通过前报告了错误的结果,这些结果可被称为最终的,这是因为这些错误的结果将是来自实验室的最终报告。
在另一个实施方式中,实践用于重新测试较少数量的样本。例如,如果实验室在每个QC事件之间测试100个样本,则它可决定在QC事件后仅重新测试最后50个样本。在该情形中,那最后50个样本中的错误结果将是可修正的,且任意较早的错误患者结果将是最终的。
在又一个实施方式中,实践用于重新测试更多数量的样本。在每次QC事件之间测试100个样本的实验室可决定在QC失败时重新测试最后200个样本。类似地,在最后200个样本之中的任何错误测试结果将是可修正的,且在这些之前的任何错误测试结果将是最终的。
可将重新测试的窗口表达为在每次QC事件之间所测试的样本的数量的因子。例如,如果测试了200个样本且在每次QC事件之间存在100个样本,则该因子将是2。在没有相反表述的情况下,如图2中所示,该重新测试的因子将被设定为1。
当重新测试的因子恒定时,可通过增加或减少在QC事件之间患者样本的数量来控制可修正不可靠患者结果的数量。例如,如果在每20个样本之间来进行QC事件,则在QC故障后将不会存在超过20个可修正的不可靠患者结果。
在另一个实施方式中,这可被指定为每一测试系统故障的绝对最大值。例如,在测试系统故障的事件中,可指定应该存在最大10个最终不可靠患者结果和50个可修正的不可靠患者结果。在又一个实施方式中,这可以根据不可靠患者结果的预期数量来指定。例如,在测试系统故障的事件中,可指定最终不可靠患者结果的预期数量应该不大于5且可修正不可靠患者结果的预期数量应该不大于10。
可将特定策略的QC利用率表达为在每次QC事件所测试的参考样本的平均数量除以在QC事件之间所测试的患者样本的平均数量。例如,如果在QC事件之间测试了100个患者样本,且在每次QC事件期间测试了6个参考样本,则QC利用率是6/100=0.06=6%。可用多个不同方式测量这个度量。
在一个实施方式中,选择质量控制策略,以使得它在满足性能目标时最小化QC利用率。
除了性能目标外,在一个实施方式中,该优化可依赖于诊断设备的某些性质,包括该系统的系统稳定性因子(PF)和西格玛度量(σM)。
在一个实施方式中,该系统稳定性因子(PF)指示了导致至少与分析物的质量规范一样大的系统偏移的那部分系统故障。例如,不稳定的系统可具有PF=0.5,适度稳定的系统PF=0.25,且稳定的系统PF=0.1。在该情形中,对于稳定系统,仅10%的系统故障将导致与分析物的质量规范一样大或更大的系统偏移。
在一个实施方式中,该测试系统的西格玛度量(σM)被用作系统性能的测量值。该西格玛度量测量了质量规范与该测试系统不精确度的比值。例如,可使用该西格玛度量来表示具有小于所指定的可容许整体误差(TEα)的测量误差的那部分测试样本。在一个实施方式中,其中该测试系统不精确度由标准偏差σ表征,该西格玛度量是所指定的整体可容许误差与σ的比值:
这继而可被用于确定样本可接受或不可接受的概率。参见Westgard JO.的“SixSigma Quality Design&Control”(六西格玛质量设计与控制),Madison,WI:Westgard QC有限公司,2001。
III.风险可接受性矩阵
如先前所声明的,来自分析物的错误测量对患者的危害风险取决于两个因素:伤害严重程度和伤害发生的概率。前面部分中呈现的分析仅说明了可修正和最终不可靠患者结果发生的概率。在分析QC策略时能够考虑危害的严重程度。各个标准组织已经建立了危害严重程度和危害可接受概率之间的关系,如现在所说明的。
A.危害严重程度
图3示出了根据各实施方式的风险可接受性矩阵300。风险可接受性矩阵300关联了危害严重程度(顶行)与危害的可接受概率的对应量化水平(左列)的分类。危害的严重程度被分类为类别,从可忽略至灾难性。例如,在一些情形中,可忽略伤害能够定义为仅具有针对患者的轻微不适,而没有其他副作用。在另一个极端,灾难性伤害能够被定义为导致极度痛苦、长期失能或死亡的危害。
针对给定的危害严重程度,风险可接受性矩阵指示危害的对应概率是可接受或不可接受的。例如,在作用于错误测量上将引起的危害严重程度是严重的时,诸如不给药麻醉剂,该错误测量的概率将仅在它是偶然地、很少地或不太可能时是可接受的。可替代地,在危害严重程度被判定为灾难性的时,则仅发生的最不可能水平能够是可接受的。其他风险可接受性矩阵可使用针对危害严重程度的不同数量的分类,或针对危害可接受概率的不同水平。
该分类和定义通常依赖于所使用词汇选择和示例的普遍理解。危害严重程度是难以量化的,并能够取决于对患者特异的因素(诸如年龄或已存在的慢性疾病)。在一些实施方式中,危害严重程度能够是用于确定QC过程的可接受性的输入。危害概率的可接受水平能够是指定的可量化水平,如现在所讨论的。
B.可接受的伤害概率
图3的伤害概率类别能够作为用于分析QC策略中量化标准的基础。该标准能够基于发生概率或基于发生频率。
图4是示例性图表400,其将针对错误测试结果的可量化伤害概率类别(左栏)与相应发生频率(中间栏)或数字概率值(右栏)关联。针对图4左栏中可量化伤害概率的类别水平对应图3左栏中伤害概率类别。中间栏是基于由临床和实验室标准协会(CLSI)开发的错误测试结果的发生频率的标准。右栏是由国际标准化组织(ISO)开发的标准。各个实施方式可利用其他标准,或针对这些标准的修订/更新。
在图4的表400中,“偶然的”危害概率定义为具有每年一次的发生频率(由CLSI标准)的危害概率或小于10-4但大于或等于10-5的概率值的危害概率(ISO标准)。用户分析QC策略可基于通过厂商或QC策略的参数表达的策略设备的参数如何可靠来找到这些标准中哪一个更加有用。例如,在测量设备在每个时间段的测试稳定状态处使用时,则CLSI标准可以更加容易地使用,而可替代地,在测试设备的验证数据数字地指定测试误差的概率时,可优选执行ISO标准。需要指出的是,知晓每个时间段执行的测试次数能够允许使用者在两种标准之间转换。
在各个实施方式中,QC策略的设计可结合利用图3的风险可接受性矩阵和图4的表格。例如,在由基于错误测试结果的危险医疗行为引起的患者可能危害判定为严重时,则通过图3,QC策略应该确保该错误测试结果仅以“偶然的”频率发生。图4则将给出该错误测试结果每年发生一次,或具有10-5和10-4之间的可接受概率。
IV.可预测危害概率的确定
前面部分中描述示出了一旦给定了患者危害的严重程度,如何根据风险可接受性矩阵和制定的标准来确定可接受的危害概率。接下来需要的是使用测试设备的已知参数来计算危害概率的方式、针对测量特定分析物的特定器械的测试过程的QC测量的细节、以及测试结果如何用于患者护理。该预测可与可接受的危害概率对比以确定QC策略是否合适。
用于分析QC策略的实施方式能够通过下面公式从QC策略的参数计算危害概率PH:
PH={PE(0)+E(Nuf)/MPBF}·Ph|u (1)
现在将说明该公式中出现的每个项。在公式(1)中,大括号中的第一项PE(0)是测试系统在正确操作时报告错误结果的概率,即在受控状态。大括号中的第二项E(Nuf)/MPBF是错误最终患者结果的预期次数与测试系统失败之间测试的平均样本数目的比值,并因此给出了由于测试系统失败引起的错误的患者结果的比例。大括号项则是受控状态和失控(测试系统失败)状态期间错误结果的组合概率。因此乘以给出错误结果的危害条件概率Ph/u产生了所计算的危害概率。现在将更加详细地说明这些项中的每一个。
A.固有误差概率:PE(0)
项PE(0)是测试系统在受控且如预期地操作时报告错误结果的概率。虽然理想地它将是零,但没有器械是完美的,且测试系统的测量会经受关于测试下测量真值的随机变化。在具有测量设备的通常测试系统中,PE(0)非常小。PE(0)由测试系统的偏差和不精确度、以及加上针对分析物的允许总误差需求来确定。作为第二个需求示例,允许来自器械的血糖测量的±5%的误差具有2.5%的变动系数产生比允许±10%的误差的更高PE(0)。
B.不可靠的最终误差的预期数量:E(Nuf)
数值E(Nuf)是由测试系统失败引起所报告的错误最终结果的预期次数。它能够在使用中基于QC策略的参数确定。例如,在每100个患者测试后执行QC事件时,E(Nuf)能够预期为高于在每50个患者测试后执行QC事件时的。关于E(Nuf)的其他细节在下面的分部E中提供。
C.失败之间的平均患者结果数:MPBF
MPBF是在测试系统失败之间报告的平均患者结果数,即在测试系统没能如预期地操作之前执行的相应测试的平均次数。它测量了测试系统的可靠性。通常,它是由实验室或测试系统的操作者提供的数值,并且是基于测试器械的经历。
D.导致患者危害的错误结果的概率:Ph|u
最后的项Ph|u是由测试系统报告的错误患者结果将导致引起患者危害的不合适行为的条件概率。它取决于针对分析物的测试结果值在医疗决策制定过程中有多大影响。它还通常取决于关于测试结果数值如何用于患者治疗的医疗判断和经历。该概率评估不旨在反映与不合适行为相关的危害严重程度,而仅是不合适行为的可能性。
公式(1)提供了说明能够贡献于患者危害概率的单独影响的方式。它区分了基于测试设备的医学判断或知识的这些因子与基于QC策略确定的因子E(Nuf)。现在将说明如何从QC策略的参数确定E(Nuf)。
E.E(Nuf)的计算细节
图5和图6示出了测试结果的模拟序列的两个示例以说明用于E(Nuf)计算的细节。这些是图2中所描述示例序列的更详细情形。在图5中,上图510示出了针对血糖测量的所观察患者结果。初次QC事件512测量两个QC参考样本,以菱形示出,第一样本以60mg/dl以及第二样本以130mg/dl。第二图520示出测试结果中的测量误差;仅QC参考样本测量误差通过测试系统操作者是已知的包括患者结果测量误差以说明这里讨论的各个原理。在第一QC事件512处,根据QC策略确定器械准确地操作,这是因为针对2.5%的变异系数(CV)和10%的TEα,参考样本测量522的误差满足13s/22s/R4s的QC策略决策规则。
然后在实施中使用器械以获得50个患者结果的序列514直至进行下一QC事件测试518。即使在受控操作期间,患者结果可具有关于它们真值的测量误差524,如520中所示。在时间点525处,测试器械或系统经受引起随后患者结果遭受测量值中9%偏移的故障。这基于510中的可观察测试结果值对测试系统操作者不是显而易见的。在时间525处,一些随后患者结果526可具有超过被认为医学上可容许的测量误差,并因此可能导致患者伤害,而其他随后患者结果527可具有仍处于容许范围内的测量误差。
在QC间隔结束处,QC事件确定所测量的控制值518具有使QC策略失败的误差528。由于测试系统故障发生处的时间525对操作者是不可知的,操作者仅能排除先前50个患者结果中的任意一个有可能是错误的,在能够重新测试患者样本时,错误结果是可修正的。
图6示出了用于针对图5所描述的同一血糖测量系统和QC策略的可替代模拟数据。初始控制测试结果612示出了系统时受控状态,这是因为所观察误差622满足QC策略标准。在时间625处,测试系统故障引起所测量值经受-5%的偏移。在第二QC事件处,所测量控制测试值617具有导致系统使用者错误地推定测试系统仍处于受控状态的误差627。这对应于图2的第三行。由于由测试系统故障引起的测试结果中的偏移相对较小,针对许多患者结果614,与它们真值的差异624仍处于可接受限度。然而,对于患者结果616,实际测量误差626是在可接受的限度之外。相似地,针对第二QC事件后的大多数患者结果,虽然器械改变,大多数患者结果测量具有在真值的可接受限度内的误差。但仍有患者结果618,其测量误差628在限度外侧。
在第三QC事件,控制测试结果具有可观察误差629,其指示了测试系统的故障。因此,第二QC事件后的患者结果是可修正的,而第一和第二QC事件之间的患者结果——如果已经根据QC策略报告——将是最终的。
图5和图6的两个模拟示例示意了能够影响可修正不可靠患者结果的数目E(Nuc)的和最终不可靠患者结果E(Nuf)多个因素。这些因素包括在失败QC事件之前有多少QC间隔被作为不可靠和重新测试进行处理。最简单的策略是仅将失败QC事件之前紧接的QC间隔的所有测试结果作为不可靠和重新测试的对待。更强的策略可将更高数量的先前QC间隔的测试结果处理为不可靠的。更弱的策略,其可以在图3的危害概率类别是可忽略时使用,将仅重新处理来自先前QC间隔的一小部分测试结果。能够影响E(Nuf)的其他因素包括QC规则、TEα的值、以及QC间隔中的患者结果的数量。
影响E(Nuf)的另一重要因素是由于测试系统故障发生的偏移的大小。需要指出的是,图5示出了9%的较大偏移导致更大数量的患者结果526超出TEα限度,但后面的QC事件更可能检测到测试系统故障已经发生。因此,设定上述的最简单策略,E(Nuc)的值将较高而E(Nuf)将较低。相反,图6示出了针对-5%的较小测试系统故障,具有较少的整体错误患者结果。然而,使用相同的QC策略,错误患者结果626被报告为最终的,导致较高的E(Nuf)值和减小的E(Nuc)值。
图7示出了在用于图5和6的模拟条件下的E(Nuc)和E(Nuf)的值(相应图712和722),根据表示为系统误差(SE)的测试系统故障的大小进行绘制。针对SE=0都是零。针对小的SE值,如图6中的情形占据主导,导致较大的E(Nuf)和相对较小的E(Nuc),如针对图6的模拟的数据点714和724所示。但对于较大的SE值,变得较小可能的是QC事件将不能检测到测试系统故障,从而错误患者结果更可能是可修正的而不是最终结果。这通过数据点716和726示出。针对E(Nuc)和E(Nuf)的函数能够基于QC策略的参数确定。用于确定针对E(Nuc)和E(Nuf)的分析公式的方法在美国专利8,738,548中详细说明。
由于可能的是由测试系统故障引起的偏移SE的大小变化,为了确定针对QC策略的E(Nuf)的整体数值,需要指定针对SE可能数值范围的概率分布和根据SE关于该概率分布的积分E(Nuf)。可能的情形是测试系统故障的大小是由系统操作者公知的处于一定区间内。针对图5和6的情形,血糖测量设备使得测试系统故障产生-20%和20%之间的偏移,其中任意数值是相同可能性的。在该情形中,概率分布被认为是均匀分布。在其他应用和实施方式中,针对其他测试设备,诸如高斯分布、泊松分布或本领域公知的其他分布的其他概率分布是合适的。
图8示意了针对图5和6中情形的QC策略的整体数值E(Nuf)的计算:
不使用针对函数E(Nuf)(SE)的显式分解形式,上述值能够通过将曲线722近似为双三角来获得,从而
整体E(Nuf)≈2*(1/2)*(1.3)*(.10)/0.4=0.33
在一些实施方式中,函数E(Nuf)(SE)在各个样本点处仅在数字上是公知的,而不是来自分解表示。在该实施方式中,仍然能够通过适当已知的数字技术来计算整体值E(Nuf),例如辛普森法则、高斯求积、或Clenshaw-Curtis求积。该数值方法还能够用于有分解表示给出函数E(Nuf)(SE)时的情形。
V.确定QC策略是否是可接受的
杠杆说明的各个量现在将与公式(1)一起使用作为方法的一部分来确定QC策略是否是可接受的。可接受的QC策略是一个其中用户可选择参数,诸如QC间隔中执行的患者测试的次数,导致预测的危害概率好于(小于或等于)可接受的危害概率。
A.分析方法
图9示出了用于分析使用特定器械进行分析物的测试过程采所用的QC策略的方法900的流程图。在一些实施方式中,在计算机系统上执行分析,诸如下面关于图11和图12所描述的。
在阶段910,计算机系统获得测试系统没有发生故障时报告错误患者结果的概率PE(0)。如上所述,PE(0)通常非常小且由测试系统的偏差和不精确性以及分析物的容许总误差需求确定。在特定器械的故障之间报告的患者结果的平均(即,平均)次数(MPBF)由厂商的说明书和/或用户经验确定。
在阶段920,获得关于QC策略的信息。该信息能够包括参数值,诸如QC事件之间执行的患者测试的次数、QC决策规则、以及在检测到失败QC事件后重新测试多少患者样本。其他QC策略可使用其他参数,这可以在需要时由计算机系统获得用于下述的数值的计算。
在阶段930,计算由测试系统故障引起的不可靠最终结果的预期次数E(Nuf)。该计算可使用QC策略信息和/或关于测试设备的其他信息。该计算能够使用诸如上面在部IV.E中说明的那些方法。
在阶段940,获得错误结果导致患者危害的概率Ph|u。Ph|u并非必然反映与不合适行为关联的危害的严重程度,仅是患者危害的可能性。
在阶段950,使用公式(1)和PE(0)、MPBF、E(Nuf)及Ph|u计算预测的危害概率PH。这能够在计算机系统中通过首先计算是由于特定器械故障引起错误的患者结果的比例,该比例包括E(Nuf)除以MPBF。计算机系统然后通过将PE(0)加上该比例来计算错误结果的组合概率。接下来,计算机系统能够将PH计算为错误结果的组合概率与Ph|u的乘积。
在阶段960,通过将所计算的PH与可接受的危害概率对比来评估QC策略。可接受的危害概率能够通过使用由基于错误测试结果的不合适行为产生的危害的严重程度和风险可接受性矩阵来确定。QC策略的结果评估然后输出至用户,用户能够基于评估实施或修正QC策略。
阶段960的评估能够是所计算PH与可接受危害概率的对比,诸如在预测的PH是否≤可接受PH。能够根据如图3中的风险可接受性矩阵和如图4的危害概率表来确定可接受的危害概率。可以使用评估QC策略的其他方法,如现在所述的。
B.RMIP的计算
期望的是采用相比直接基于预测PH的数值的判断来说标准化的、更加直接的方式来评估QC策略。预测PH的数值会随着分析物和器械变化,从而预测PH的数字值不能提供QC策略的即刻评估,可接受PH的值也重要。如现在说明的,在一些实施方式中,评估QC策略的标准方式使用预测PH与可接受PH的比值。
用于评估QC策略的一种标准方法包括形成患者风险管理指标RMIP,并将决策标准应用于RMIP的值上。RMIP如下定义:
在RMIp≤1的情形时,则认为该风险是可接受的,以及将QC策略评估为满足风险评估矩阵中体现的标准。使用RMIP有许多优点。作为比值,它能够表示QC策略在多大程度上满足可接受风险标准(RMIP远低于1)。这能够允许QC策略修正以成本节约或减少的危害风险。它允许针对多种分析物的QC策略的简单评估和对比,其具有不同的测试系统故障频率、由错误结果给出的不同危害概率、以及不同的患者危害严重程度。它提供了用于评估QC策略的标准品质因素。它能够在计算机系统中执行以使得图9的方法中获得的数值是用户输入的,提供了快速计算。
C.QC策略的示例评估
现在呈现用于分析QC策略的示意性示例。在该示例中,测试系统故障之间的天数的平均数是120天。每天产生的患者结果的平均数是50。因此MPBF=120*50=6000。来自错误报告的患者结果的条件概率Ph|u是0.5,反映了分析物提供了重要和敏感信息。危害的严重程度被认为是严重的。通过图3,可接受危害频率是“偶然”。根据图4的EP23标准,偶然对应于1/年。因此可接受PH=1/(60*365)=1/18,250。
容许总误差需求TEα是10%。测试方法具有CV=2.4%,以及偏差=0。这允许PE(0)的值计算为1/32,354。QC策略在每次QC事件处使用2个控制浓度,使用规则13s/22s/R4s,其中QC事件每天一次(每50个分析物测试),类似于图5中表示的示例。如关于图8所说明的,假定针对误差大小的等概率分布,通过红色曲线的积分获得E(Nuf)并产生针对该QC策略的0.33的数值。
通过这些值,使用公式(1)产生针对该QC策略的预测PH是1/23,281。可允许的PH是1/18,250。因此,RMIP=(1/23,281)/(1/18,250)=0.78。由于RMIP<1,因此认为患者风险是可接受的。
VI.最优QC策略的确定
前面部分公开了通过初始系统的信息和QC策略的参数用于分析给型QC策略的方法和系统。但为了确定QC策略是否满足可接受的危害概率,各实施方式能够针对QC策略的参数逆向运算。
A.可允许E(Nuf)的确定
对于公式(1)中的各个量,PE(0)是基于分析物的策略中能够容忍搞多少误差以及在正确操作时测试方法的测量不精确性。MPBF的值通过测试方法的可靠性来确定。接下来,临床经验和判断能够用于基于如何使用分析物的测试值来确定Ph|u。因此,QC策略的用户可选择参数仅反映E(Nuf)的值。QC策略的这些参数的示例包括QC事件之间测试的患者样本的数量、QC事件处测试的参考样本的数量、以及QC策略的决策规则。
B.从可允许E(Nuf)确定QC策略
通过逆向公式(1),能够使用所获得的PE(0)、MPBF、Ph|u的值、以及危害严重程度来确定针对最大可允许E(Nuf)的公式。然后能够选择用于QC策略的各个用户可选择参数的值以使得所产生QC策略的E(Nuf)不超过最大可允许E(Nuf)。可接受QC策略满足预测PH<最大可接受PH。右侧的值是指示的最大PH,并能够用作为针对公式(1)的上限:
{PE(0)+E(Nuf)/MPBF}·Ph|u≤maxPH
在其反向时,结果变为
E(Nuf)≤MPBF*{maxPH/Ph|u-PE(0)}
(2)
右侧的值是指示的E(Nuf)可允许。
QC策略的参数现在能够用于计算针对E(Nuf)的对应值。在它小于E(Nuf)可允许时,认为QC策略时可接受的。否则,能够修改QC策略的参数。
作为示例,考虑上面在部IV.C中讨论的值。MPBF确定为7200,PE(0)=1/32354,来自错误患者结果的条件概率是0.5,以及认为危害的严重程度是严重的。通过图4的标准,Max PH=1/(50*365)。使用公式(2),人们获得E(Nuf)可允许=0.472。在实验室的QC策略产生E(Nuf)具有小于或等于0.472的值时,则实验室的RMIP小于或等于1,以及患者风险是可接受的。但如果实验室的QC策略产生E(Nuf)大于0.472时,则实验室的RMIP大于1,以及患者风险是不可接受的。
刚才表示的示例仅示例了能够用于选择参数以确保QC策略是充足的方法,即使得患者危害的概率处于可接受限度内。该方法包括确定不可靠最终患者结果的最大可允许预期次数,E(Nuf)可允许,并调节能够控制QC策略的参数以使得所产生QC策略的E(Nuf)不超过E(Nuf)可允许。
图10示意了用于该方法的流程图。在一些实施方式中,所涉及的计算在计算机系统上执行,诸如下面关于图11和图12所描述的。
在阶段1010,计算机系统获得在测试系统没有发生故障时报告错误结果的概率PE(0),以及特定器械的故障之间报告的患者结果的平均数目(MPBF)。如前面讨论的,这些数值取决于器械并且不取决于QC策略的参数。
在阶段1020,计算机系统获得测试系统的不可靠最终结果导致患者危害的条件概率Ph|u。如前面声明的,Ph|u并非必然反映与不合适行为关联的危害的严重程度,仅是不合适行为可能性。
在阶段1030,由不可靠最终结果产生的危害的严重程度用于确定最大可接受危害概率MaxPH。这能够通过使用可接受性矩阵和对应的概率表来确定。例如,在危害严重程度是危险时,通过图3的风险可接受性矩阵,危害的概率需要是很少。通过图4的表,来自ISO标准针对很少的危害概率的数字概率需要是小于10-5。也就是说,MaxPH=10-5。
在阶段1040,能够使用1030中确定的MaxPH的值、1010中获得的PE(0)和MPBF的值、以及1020中获得的Ph|u的值来确定由测试系统故障引起的不可靠最终患者结果的最大可允许预期数目E(Nuf)可允许。通过公式(2),比值MaxPH/Ph|u表示不可靠最终患者结果的概率。通过从测试系统受控时PE(0)减去对于该错误结果概率的贡献,人们获得由未检测到的测试系统故障引起的错误最终结果的概率。将其乘以MPBF产生了由未检测到的测试系统故障引起的错误最终结果的预期数目。这是QC策略试图控制的数量。
然后在阶段1050,QC系统的参数值能够选择为使得通过这些所选择参数,QC具有小于E(Nuf)可允许的E(Nuf)计算值。QC系统的参数示例包括监视特定器械的QC事件之间的间隔和每个QC事件处测试的参考样本的数量。
上面公开的各实施方式能够通过计算机系统上实施来部分地自动化。该自动化允许使用者通过输入QC策略的参数连同PE(0)、MPBF、危害严重程度、以及Ph|u的值来分析QC策略,从而确定QC策略的E(Nuf)。风险可接受性矩阵和危害概率表也能够在计算机系统内编程,并且可以随着它们之后标准改变而更新。现在将公开可用于实现各实施方式的计算机系统的示例。
VII.计算机系统
图11中所示的子系统经由系统总线1175互连。示出了另外的子系统,如打印机1174、键盘1178、固定盘1179,耦合到显示适配器1182的监视器1176、及其它。耦合到I/O(输入/输出)控制器/1171的外围设备和I/O设备可通过本领域已知的任何数量的装置,诸如串行端口1177,连接到计算机系统。例如,串行端口1177或外部接口1181可被用来将计算机子系统1100连接到诸如因特网的广域网、鼠标输入设备、或扫描仪。经由系统总线1175的互连使中央处理器1173能与每一子系统通信,并控制来自系统存储器1172或固定盘1179的指令的执行以及各子系统之间的信息交换。系统存储器1172和/或固定盘1179可以包括计算机可读介质。本文提及的任何值可从一个组件输出到另一个组件且可被输出到用户。
计算机系统可包括多个相同的组件或子系统,例如,通过内部接口1181连接在一起。在一些实施方式中,计算机系统、子系统或设备可通过网络通信。在这种情况下,一个计算机可被视为客户机而另一个计算机被视为服务器。客户机和服务器可各种包括本文提及的多个系统、子系统或组件。
图12是可用于执行本发明各实施方式的装置1200的框图。装置1200包括计算机系统1210且具有多个输入模块。分析物测量模块1201用于测量检验样本中的分析物响应量。该模块可在本发明不同实施方式之间有变化,这取决于所选用于测量分析物响应量的测量方法。还示出标准键盘1202和鼠标1203。装置1200还可在计算机系统内包括各种典型计算机组件。这些组件可包括系统总线1204、一个或多个盘驱动器1205、RAM 1206、以及处理器1207。图12还示出允许将信息显示给系统用户的监视器1208。还可存在其它组件,这取决于实施方式的实际特性。在各实施方式中,该装置可包括计算机系统1200的任何特征。
在本发明的一个实施方式中,将样本放置在分析物测量模块1201内,在该模块中样本被进一步处理且测量样本中的分析物响应。然后该信息沿着系统总线1204传递至计算机系统,且使用处理器1207将适当的转换方法应用于分析物响应量数据。此处描述了处理器1207执行从而实现任何方法的指令的指令,其中该指令可被存储于诸如RAM 1206或盘驱动器1205之类的计算机可读介质上。来自这些方法的结果然后可显示在监视器1208上。本发明的可选实施方式可使用其它通信装置输出结果。举例而言,计算机系统可使用打印机打印测量的比值或者经由网络将测量的比值发送到另一计算机。
特定实施方式的具体细节能够在不背离本发明的各实施方式的精神和范围的情况下以任何合适的方式相组合。然而,本发明的其它实施方式可涉及与每个独立方面有关的特定实施方式,或这些独立方面的特定组合。
应当理解,本发明的任何实施方式能以模块化或集成方式使用硬件和/或使用计算机软件以控制逻辑的形式实现。基于本文中所提供的公开和教导,本领域普通技术人员将知道并理解使用硬件以及硬件和软件的组合来实现本发明的其它方式和/或方法。
在本申请中描述的任何软件组件或功能可被实现为由处理器使用例如常规或面向对象技术、使用例如Java、C++、或Perl的任何适当计算机语言执行的软件代码。软件代码可作为一系列指令或命令存储在用于存储和/或传输的计算机可读介质上,合适的介质包括随机存取存储器(RAM)、只读存储器(ROM)、诸如硬盘或软盘等磁性介质、或诸如紧致盘(CD)或DVD(数字多功能盘)等光学介质、闪存等。该计算机可读介质可以是此类存储或传输装置的任何组合。
此类程序也可利用适于经由符合包括因特网的各种协议的有线、光学和/或无线网络进行传输的载波信号来编码和传输。因此,根据本发明一个实施方式的计算机可读介质可利用通过此类程序编码的数据信号来创建。利用程序代码编码的计算机可读介质可与兼容设备封装在一起,或与其它设备独立地提供(例如经由因特网下载)。任何此类计算机可读介质可驻留在单个计算机程序产品(例如硬盘驱动器、CD、或整个计算机系统)之上或其中,且可存在于系统或网络中的不同计算机程序产品之上或其中。计算机系统可包括监视器、打印机,或用于向用户提供本文中提及的任一结果的其它合适的显示器。
已给出本发明的示例实施方式的上述描述用于说明和描述的目的。不旨在穷举或将本发明限制于所描述的精确形式,而且鉴于以上教导,许多修改和变化是可能的。选择和描述了这些实施方式以最清楚地说明本发明的原理及其实际应用,从而使本领域普通技术人员能按照各个实施方式以及适合所构想的特定用途的各种修改来最好地利用本发明。
Claims (15)
1.一种使用患者风险来分析质量控制(QC)策略的方法,该QC策略用于使用特定器械进行患者样本中特定分析物的测量,该方法包括:
通过计算机系统获得针对该特定分析物的特定器械的误差的无故障概率PE(0)以及该特定器械的故障之间所报告的患者结果的平均数量(MPBF);
通过计算机系统获得QC策略的信息,包括:
使用参考样本来监测该特定器械的QC事件之间的间隔;和
每个质量控制事件处测试的参考样本的数量;
通过计算机系统计算针对QC策略的不可靠的最终结果的预期数量E(Nuf);
通过计算机系统获得不可靠的最终结果导致患者危害的概率Ph|u;
通过计算机系统计算由该特定器械的故障引起的患者结果错误的比例,该比例包括E(Nuf)除以MPBF;
通过计算机系统将PE(0)加上该比例来计算错误结果的组合概率;
通过计算机系统将该组合概率乘以概率Ph|u来计算预期危害概率;
通过计算机系统输出该预期危害概率与可接受危害概率对比的评估,其中可接受危害概率取决于由错误结果产生的危害的严重程度。
2.权利要求1所述的方法,其中所述评估包括患者风险管理系数,其包括该预期危害概率除以该可接受危害概率。
3.权利要求2所述的方法,还包括:
在患者风险管理系数小于或等于一时确定QC策略是可接受的。
4.权利要求2所述的方法,还包括:
响应于确定了患者风险管理系数大于一,修改下面中的至少一个:间隔和在每次质量控制事件处测试的参考样本的数量。
5.权利要求1所述的方法,其中针对特定分析物的特定器械的误差概率包括:
来自不同测量样本的统计方差的贡献;以及
来自针对特定分析物的特定器械的质量标准的贡献。
6.权利要求1所述的方法,还包括:
根据该特定器械的系统误差(SE)确定E(Nuf);
获得SE数值范围的概率分布;以及
通过计算E(Nuf)关于SE数值范围的概率分布的积分来计算E(Nuf)。
7.权利要求1所述的方法,其中该预期危害概率PH被计算为{PE(0)+E(Nuf)/MPBF}·Ph|u的值。
8.一种选择用于质量控制(QC)策略的参数的方法,该QC策略用于使用特定器械进行患者样本中特定分析物的测量,该方法包括:
通过计算机系统获得针对特定分析物的特定器械的误差的无故障概率PE(0),该特定器械的故障之间所报告的患者结果的平均数量MPBF,以及危害严重程度;
通过计算机系统获得不可靠的最终结果导致患者危害的概率Ph|u;
使用危害严重程度来确定最大可接受危害概率MaxPH;
至少使用MaxPH来计算由测试系统故障引起的不可靠的最终患者结果的最大可允许预期数量E(Nuf)可允许;以及
选择QC策略的用户可选择参数的值以使得通过调节值,该QC策略具有小于或等于E(Nuf)可允许的结果值E(Nuf)。
9.权利要求8所述的方法,其中E(Nuf)可允许通过如下计算:
计算MaxPH除以Ph|u的比值;
通过从该比值减去PE(0)来计算差值;以及
将该差值乘以MPBF。
10.权利要求8所述的方法,其中MaxPH是通过获得对应于危害严重程度的最大可接受危害概率来从危害严重程度获得的。
11.权利要求10所述的方法,其中最大可接受危害概率被表示为时段内发生次数。
12.权利要求10所述的方法,其中最大可接受危害概率是最大的数字间隔值。
13.权利要求8所述的方法,其中QC策略的用户可选择参数包括QC事件之间的间隔的多个患者样本,该QC事件使用参考样本和每个质量控制事件处测量的多个参考样本来监测所述特定器械。
14.一种计算机系统,其包括执行权利要求1-13中任一项所述的方法的装置。
15.一种系统,其包括一个或多个处理器,配置为执行权利要求1-13中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/702,019 US10161947B2 (en) | 2015-05-01 | 2015-05-01 | Using patient risk in analysis of quality control strategy for lab results |
US14/702,019 | 2015-05-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106250672A true CN106250672A (zh) | 2016-12-21 |
Family
ID=57204833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610570812.9A Pending CN106250672A (zh) | 2015-05-01 | 2016-04-29 | 在实验室结果的质量控制策略的分析中使用患者风险 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10161947B2 (zh) |
CN (1) | CN106250672A (zh) |
AU (1) | AU2016202692B2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112345779A (zh) * | 2019-08-06 | 2021-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 一种样本分析系统、装置及关于质控的处理方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3776574A1 (en) | 2018-03-30 | 2021-02-17 | Idexx Laboratories, Inc. | Quality control for point-of-care diagnostic systems |
US20200294674A1 (en) * | 2019-03-15 | 2020-09-17 | Hill-Rom Services, Inc. | Patient fall likelihood and severity |
CN110265145A (zh) * | 2019-05-21 | 2019-09-20 | 何泽仪 | 一种个人健康风险评估方法、装置、电子设备及存储介质 |
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 |
CN115543774B (zh) * | 2022-08-17 | 2023-06-23 | 睿智合创(北京)科技有限公司 | 一种案例自动化测算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5937364A (en) | 1996-05-07 | 1999-08-10 | Westgard Quality Corporation | Automatic selection of statistical quality control procedures |
AU1799099A (en) | 1997-11-26 | 1999-06-15 | Government of The United States of America, as represented by The Secretary Department of Health & Human Services, The National Institutes of Health, The | System and method for intelligent quality control of a process |
EP1965326A3 (en) * | 1999-11-30 | 2008-12-31 | Sysmex Corporation | Support method, quality control method, and device therefor |
US20020116224A1 (en) * | 2001-02-15 | 2002-08-22 | Arne Hengerer | Networked expert system for the automated evaluation and quality control of medical point of care laboratory measuring data |
CA2456296C (en) | 2001-08-24 | 2019-09-24 | Bio-Rad Laboratories, Inc. | Biometric quality control process |
JP4817251B2 (ja) * | 2006-09-22 | 2011-11-16 | シスメックス株式会社 | 精度管理システム |
US8214159B2 (en) | 2008-12-04 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Apparatus and method for automated quality control |
US8059001B2 (en) | 2009-05-22 | 2011-11-15 | Bio-Rad Laboratories, Inc. | System and method for automatic quality control of clinical diagnostic processes |
US9349103B2 (en) * | 2012-01-09 | 2016-05-24 | DecisionQ Corporation | Application of machine learned Bayesian networks to detection of anomalies in complex systems |
CN107667405B (zh) * | 2015-06-05 | 2022-02-18 | 雅培医护站股份有限公司 | 用于确保与单次使用测试设备一起使用的护理点仪器的质量合规性的系统和方法 |
-
2015
- 2015-05-01 US US14/702,019 patent/US10161947B2/en active Active
-
2016
- 2016-04-27 AU AU2016202692A patent/AU2016202692B2/en active Active
- 2016-04-29 CN CN201610570812.9A patent/CN106250672A/zh active Pending
-
2018
- 2018-12-20 US US16/228,597 patent/US11579155B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (3)
Title |
---|
CURTIS A. PARVIN 等: "New Insightintothe ComparativePowerof Quality-ControlRulesThat Use Control", 《CLINICAL CHEMISTRY》 * |
JOHN YUNDT-PACHECO 等: "Validating the Performance of QC", 《CLIN LAB MED》 * |
康凤凤 等: "临床实验室质量控制中的风险管理", 《临床检验杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112345779A (zh) * | 2019-08-06 | 2021-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 一种样本分析系统、装置及关于质控的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
US11579155B2 (en) | 2023-02-14 |
US10161947B2 (en) | 2018-12-25 |
AU2016202692B2 (en) | 2022-03-03 |
US20190120865A1 (en) | 2019-04-25 |
AU2016202692A1 (en) | 2016-11-17 |
US20160320420A1 (en) | 2016-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250672A (zh) | 在实验室结果的质量控制策略的分析中使用患者风险 | |
CN106126958B (zh) | 医疗实验室临床生化检验自动审核系统 | |
Polit | Assessing measurement in health: Beyond reliability and validity | |
Westgard et al. | Quality control review: implementing a scientifically based quality control system | |
CN107667405B (zh) | 用于确保与单次使用测试设备一起使用的护理点仪器的质量合规性的系统和方法 | |
Harr et al. | ASVCP guidelines: allowable total error guidelines for biochemistry | |
Sciacovelli et al. | The IFCC Working Group on laboratory errors and patient safety | |
Flatland et al. | ASVCP quality assurance guidelines: control of general analytical factors in veterinary laboratories | |
Westgard | Statistical quality control procedures | |
JP6062933B2 (ja) | 即時提出結果の最適qc法を決定するためのシステムと方法 | |
Clark et al. | Measurement invariance and child temperament: An evaluation of sex and informant differences on the Child Behavior Questionnaire. | |
Vandenberg et al. | A contemporary update on testing for measurement equivalence and invariance | |
Plebani et al. | ISO 15189 accreditation: navigation between quality management and patient safety | |
WO2002003077A1 (fr) | Systeme d'examen clinique | |
Berner et al. | Clinician performance and prominence of diagnoses displayed by a clinical diagnostic decision support system | |
Mackay et al. | A simple matrix of analytical performance to identify assays that risk patients using External Quality Assurance Program data | |
Flatland et al. | Repeat patient testing shows promise as a quality control method for veterinary hematology testing | |
CN113921128B (zh) | 对医疗检测数据软件自动的审核方法及电子设备 | |
Brooks | Performance-driven quality control | |
Mahmood et al. | Assessment of sigma metric results of serum parameters of liver and kidney function tested by automated chemistry analyzer in Medical City Hospital | |
Yallak et al. | Metric error monitoring for a cleaner record of timing. | |
van Rossum | An approach to selecting auto-verification limits and validating their error detection performance independently for pre-analytical and analytical errors | |
David et al. | Failure modes and effects analysis (FMEA)-An assessment tool for risk management in clinical laboratories | |
Lachman | From judgement to improvement: lessons for the future | |
Lasker | What is Not Tested is Not Debunked: A Comment about Measurement Invariance |
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 |