CN113470770A - 基于误差预测模型的血小板检测系统 - Google Patents

基于误差预测模型的血小板检测系统 Download PDF

Info

Publication number
CN113470770A
CN113470770A CN202110738187.5A CN202110738187A CN113470770A CN 113470770 A CN113470770 A CN 113470770A CN 202110738187 A CN202110738187 A CN 202110738187A CN 113470770 A CN113470770 A CN 113470770A
Authority
CN
China
Prior art keywords
platelet
index
sample
rechecking
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.)
Granted
Application number
CN202110738187.5A
Other languages
English (en)
Other versions
CN113470770B (zh
Inventor
杨硕
李强
崔丽艳
乔蕊
丁杰
叶红
李晖
王小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Peking University Third Hospital Peking University Third Clinical Medical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Peking University Third Hospital Peking University Third Clinical Medical College
Priority to CN202110738187.5A priority Critical patent/CN113470770B/zh
Publication of CN113470770A publication Critical patent/CN113470770A/zh
Application granted granted Critical
Publication of CN113470770B publication Critical patent/CN113470770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1024—Counting particles by non-optical means

Landscapes

  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了基于误差预测模型的血小板检测系统，该系统包括：检测部、控制部和复检部，其中检测部基于阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测；控制部含有假阳性判定模块，假阳性判定模块可以基于检测部的数据，使用误差预测模型进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检；复检部使用光学法血小板计数(fluorescence platelet count，PLT‑F)对所述样品的另一部分进行检测。

Description

基于误差预测模型的血小板检测系统
技术领域
本发明涉及本发明涉及生物医学领域，具体涉及基于误差预测模型的血小板检测系统。
背景技术
常见的血小板的检测方法包括显微镜手工计数法、电阻抗原理法(impedanceplatelet count，PLT-I)、普通光学法(optical platelet count，PLT-O)、荧光光学法(fluorescence platelet count，PLT-F)、流式细胞分析法等。
电阻抗法也即库尔特原理，由华莱士·H·库尔特等人于20世纪50年代中期提出，这类仪器使用鞘流包裹血小板和红细胞依次通过检测小孔，当颗粒经过检测小孔时会因电阻变化而形成电流脉冲，脉冲的振幅越大说明颗粒的体积越大，脉冲的数量则反映了颗粒的数量。仪器通过判断颗粒的体积来区分血小板和红细胞，并利用脉冲对血小板进行计数。其中体积在2-30fL内的颗粒被识别为血小板，在25-250fL之内的颗粒被识别为红细胞。电阻抗法的优点是计数的颗粒度多，重复性好，速度快，方法原理简单，成本低。但在临床实验室中发现，其结果容易被小红细胞、红细胞碎片、大血小板、微血小板以及血小板聚集所干扰，对于这些异常血液标本，电阻抗法无法完全准确地区分红细胞和血小板。
光学法主要是通过使用特殊染料，使其将血小板染色而红细胞不被染色，同时利用前向散射光检测颗粒大小，从而将两者进行区分和计数。普通光学法(PLT-O)使用与网织红细胞相同的染料，在网织红细胞通道中同时对血小板进行染色，然后计数。其优点是通过对血小板的染色大大提高了与红细胞的区分度，能够有效排除小红细胞和细胞碎片的干扰；缺点是单次计数量少，精密度不如PLT-I，并且可能会受到网织红细胞的影响。
在PLT-O的基础上，荧光法(PLT-F)使用血小板特异性的染料进行染色，在兼顾PLT-O优点的同时回避了其缺点。并且做到了五倍颗粒分析计数，精密度更高，对低值血小板样本的检测更准确，并且能够有效识别血小板聚集。但由于其使用的试剂成本较高，临床实验室仅将其用于血小板计数的复检流程中。
因此，为了解决现有问题，需要提供通过供廉价且更高效血小板检测途径。
基于误差预测模型建立一种更高效的血小板检测系统是提供廉价且更高效血小板检测的一个途径。
发明内容
本发明的第一个方面，提供了一种血小板检测系统，其包括：
检测部，其基于阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测；
控制部，其含有假阳性判定模块，假阳性判定模块可以基于检测部的数据，使用误差预测模型进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检；
复检部，其使用光学法血小板计数(fluorescence platelet count，PLT-F)对所述样品的另一部分进行检测。
本发明中误差预测模型使用以下参数：小红细胞指数(Micro-R Index，MRI)，大血小板指数(Large Platelet Index，LPI)和加权指数(Weighted Index，WI)；
Figure BDA0003142286380000021
其中，Micro-R为小红细胞比率(micro red cell ratio)，RBC为红细胞计数(redblood cell count)，MCV为平均红细胞体积(mean corpuscular volume)。
LPI＝P-LCR0.1*MPV0.6*PLT-I1.2，
其中，P-LCR为大血小板比率(platelet-larger cell ratio)，MPV为平均血小板体积(mean platelet volume)，PLT-I为阻抗法血小板计数(impedance platelet count)。
WI＝60*MRI+2.3*LPI。
可选地，本发明的系统中，误差预测模型将|δ|<5％的样本视为无偏倚样本，以无偏倚样本WI均值计算WI校正值，用各样本WI减去校正值后取绝对值得到各样本的校正加权指数(Adjusted Weighted Index，AWI)，即AWI＝abs(WI-mean(WI(|δ|＜5％)))。
进一步地，使用校正加权指数AWI作受试者工作特征曲线(receiver operatingcharacteristic curve，ROC)，得到受试者工作曲线下面积(area under the receiveroperating characteristic curve，AUC)，通过计算约登指数(Youden’s index，YI)，YI＝(敏感度+特异度)-1，找到YI最大点，以此点计算截止(cut-off)值。
本发明的第二方面，提供一种检测样品中血小板的方法，包括以下步骤：
使用阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测，获得第一检测信息；
假阳性判定模块基于第一检测信息进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检。
进一步地，本发明的方法中，复检使用光学法血小板计数(fluorescenceplatelet count，PLT-F)对所述样品的另一部分进行检测。
本发明的第三方面，提供一种用于减少血小板二次检测的误差预测模型，其使用小红细胞指数(MRI)和大血小板指数(LPI)计算加权指数(WI)，然后将|δ|<5％的样本视为无偏倚样本，以无偏倚样本WI均值计算WI校正值，用各样本WI减去校正值后取绝对值得到各样本的校正加权指数(AWI)，使用校正加权指数AWI作受试者工作特征曲线(ROC)，得到受试者工作曲线下面积(AUC)，通过计算约登指数(YI)，YI＝(敏感度+特异度)-1，找到YI最大点，以此点计算截止值。
本发明的优点在于：
减少了三分之二的复检标本，能够较有效地提高实验室效率，节省试剂成本，是对当前复检规则的有益补充。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出了本发明一个实施例的受试者工作特征(ROC)曲线，纵坐标为敏感度(Sensitivity)，横坐标为1-特异性(specificity)。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例:
1对象
收集2020年随机选的10天内在北京大学第三医院就诊的门诊患者中，仪器自动复检PLT-F的标本共计370例，其中PLT-I<80×109/L的样本65例，PLT-I≥80×109/L的样本305例。采集样本基本信息和相关血常规数据，包括红细胞计数(red blood cell count，RBC)、平均红细胞体积(mean corpuscular volume，MCV)、平均血小板体积(mean plateletvolume，MPV)、阻抗法血小板计数(impedance platelet count，PLT-I)、光学法血小板计数(fluorescence platelet count，PLT-F)、大血小板比率(platelet-larger cell ratio，P-LCR)、小红细胞比率(micro red cell ratio，Micro-R)。
排除标准：(1)发生血小板聚集的样本；(2)因血液标本不合格，如血液凝固、采血量不足等导致复检的样本。
2建立误差预测模型
2.1仪器与试剂
本研究所有样本均采用希森美康公司XN-9000全自动血液分析仪检测，使用仪器配套的试剂与校准品。
2.2检测方法
红细胞3项(RBC、MCV、Micro-R)及血小板3项(PLT-I、MPV、P-LCR)使用PLT-I/RBC通道进行检测；荧光法血小板计数(PLT-F)使用仪器PLT-F通道进行检测。
2.3统计学分析
将样本分为低值血小板组(PLT-I<80×109/L)和非低值血小板组(PLT-I≥80×109/L)，分别在两组内按照偏倚(δ)大小将数据分为A、B、C组(其中A组：δ≤-15％；B组：|δ|<15％；C组：δ≥15％)，A组与C组均为偏倚状态阳性组，B组为偏倚状态阴性组。采用SPSS24.0统计数据，计量资料(RBC、MCV、Micro-R、PLT-I、MPV、P-LCR)以中位数[四分位数]表示，三组计量资料的显著性比较采用独立样本的非参数检验(Kruskal-Wallis)。分别对两个组的样本进行显著性分析，观察偏倚阳性和阴性样本相关指标的显著性是否有差异。
2.4相关指数计算
根据筛选的数据计算小红细胞指数(Micro-R Index，MRI)，大血小板指数(LargePlatelet Index，LPI)和加权指数(Weighted Index，WI)。将|δ|<5％的样本视为无偏倚样本，以无偏倚样本WI均值计算WI校正值，用各样本WI减去校正值后取绝对值得到各样本的校正加权指数(Adjusted Weighted Index，AWI)。
2.5寻找最佳参数值
首先将MRI输入MATLAB代码中，以a、b、c、d、e为循环变量，设置前四个参数起始值为0，终止值为9，e起始值为-9，终止值为0，每次循环结束后计算受试者工作曲线下面积(area under the receiver operating characteristic curve，AUC)和约登指数(Youden’s index，YI)，通过比较每次循环的AUC与YI(以值大者为优，前者优先)，寻找MRI的最佳参数值，同理可得参数f、j、h的最佳值。最后使用已确定的参数值计算MRI和LPI，将WI输入MATLB，寻找i、j最佳值。通过对——“偏倚状态-AWI”绘制ROC曲线，计算AUC，并使用YI寻找最适cut-off值。
Figure BDA0003142286380000051
LPI＝P-LCR0.1*MPV0.6*PLT-I1.2
WI＝60*MRI+2.3*LPI
AWI＝abs(WI-mean(WI(|δ|＜5％)))
2.6绘制ROC曲线
以|δ|≥15％为阳性组，|δ|<15％为阴性组，使用校正加权指数作ROC曲线，得到AUC为0.812，通过计算YI＝(敏感度+特异度)-1，找到YI最大点为0.4703，以此点计算cut-off值为554.03，敏感度71.74％，特异度75.29％，准确度74.75％，阳性预测值34.02％，阴性预测值93.75％，复检减少率为68.20％。
表1使用校正加权指数绘制ROC曲线分析结果
Figure BDA0003142286380000052
表2 cut-off值及模型期望效果
Figure BDA0003142286380000053
注：减少率＝预测阴性样本数量/总样本数量
3误差预测模型的测试
建立血小板检测系统，其包括：
检测部，其基于阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测；
控制部，其含有假阳性判定模块，假阳性判定模块可以基于检测部的数据，使用误差预测模型进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检；
复检部，其使用光学法血小板计数(fluorescence platelet count，PLT-F)对所述样品的另一部分进行检测。
按照初始标准再随机收集105例门诊患者血液样本，使用上文所述方法进行检测，将得到数据带入模型，计算模型预测的敏感度、特异度和准确度，与预期结果比较。
表3模型效果验证结果
Figure BDA0003142286380000061
一般认为血小板计数误差受红细胞及血小板两者体积的影响，其计数偏多是由于小红细胞及红细胞碎片的影响，此两者越多，正向误差和偏倚越大。小红细胞数量由红细胞总数和小红细胞的比例共同决定，而平均红细胞体积反映了整体红细胞的大小程度，因此，我们可以使用Micro-R、RBC、MCV三者的乘积来综合表示小红细胞的状态。由于样本的Micro-R值范围差距极大(0-100)，可以对其做对数变换以平衡其在乘积式中的权重，再使用三者的幂计算各自权重，得到评价小红细胞状态的参数——小红细胞指数(MRI)。同理可以得到评价血小板的参数——大血小板指数(LPI)。两者以不同的权重相加得到加权指数(WI)，为了便于绘制受试者工作特征曲线(ROC)曲线，我们将|δ|<5％的样本视为无偏样本，将所有样本的加权指数减去无偏样本的平均加权指数后的绝对值得到校正加权指数(AWI)，以此绘制ROC曲线，最终得到cut-off值。
以|δ|≥15％为阳性组，|δ|<15％为阴性组，使用校正加权指数作ROC曲线，得到AUC为0.812，通过计算YI＝(敏感度+特异度)-1，找到YI最大点为0.4703，以此点计算cut-off值为554.03，敏感度71.74％，特异度75.29％，准确度74.75％，阳性预测值34.02％，阴性预测值93.75％，复检减少率为68.20％。
其对于阻抗法计数结果在80×109/L及以上的样本，其能筛选出当前复检规则下超过百分之七十的假阳性样本，减少了三分之二的复检标本，能够较有效地提高实验室效率，节省试剂成本，是对当前复检规则的有益补充。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种血小板检测系统，其特征在于，包括：
检测部，其基于阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测；
控制部，其含有假阳性判定模块，所述假阳性判定模块可以基于检测部的数据，使用误差预测模型进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检；
复检部，其使用光学法血小板计数(fluorescence platelet count，PLT-F)对所述样品的另一部分进行检测。
2.根据权利要求1所述的血小板检测系统，其特征在于，所述误差预测模型使用以下参数：小红细胞指数(Micro-R Index，MRI)，大血小板指数(Large Platelet Index，LPI)和加权指数(Weighted Index，WI)。
3.根据权利要求2所述的血小板检测系统，其特征在于，所述MRI使用如下公式计算：
Figure FDA0003142286370000011
其中，Micro-R为小红细胞比率(micro red cell ratio)，RBC为红细胞计数(redblood cell count)，MCV为平均红细胞体积(mean corpuscular volume)。
4.根据权利要求2所述的血小板检测系统，其特征在于，所述LPI使用如下公式计算：
LPI＝P-LCR0.1*MPV0.6*PLT-I1.2，
其中，P-LCR为大血小板比率(platelet-larger cell ratio)，MPV为平均血小板体积(mean platelet volume)，PLT-I为阻抗法血小板计数(impedance platelet count)。
5.根据权利要求2所述的血小板检测系统，其特征在于，所述WI使用如下公式计算：
WI＝60*MRI+2.3*LPI。
6.根据权利要求5所述的血小板检测系统，其特征在于，所述误差预测模型将|δ|<5％的样本视为无偏倚样本，以无偏倚样本WI均值计算WI校正值，用各样本WI减去校正值后取绝对值得到各样本的校正加权指数(Adjusted Weighted Index，AWI)，即AWI＝abs(WI-mean(WI(|δ|＜5％)))。
7.根据权利要求2至6中任一项所述的血小板检测系统，其特征在于，使用校正加权指数AWI作受试者工作特征曲线(receiver operating characteristic curve，ROC)，得到受试者工作曲线下面积(area under the receiver operating characteristic curve，AUC)，通过计算约登指数(Youden’s index，YI)，YI＝(敏感度+特异度)-1，找到YI最大点，以此点计算截止(cut-off)值。
8.一种检测样品中血小板的方法，其特征在于，包括以下步骤：
使用阻抗法血小板计数(impedance platelet count)对样品的一部分进行检测，获得第一检测信息；
假阳性判定模块基于第一检测信息进行判断，如果为阳性，将样品的另一部分加入复检部进行复检，如果为假阳性，不再复检。
9.根据权利要求8所述的方法，其特征在于，所述复检使用光学法血小板计数(fluorescence platelet count，PLT-F)对所述样品的另一部分进行检测。
10.一种用于减少血小板二次检测的误差预测模型，其特征在于，使用小红细胞指数(MRI)和大血小板指数(LPI)计算加权指数(WI)，然后将|δ|<5％的样本视为无偏倚样本，以无偏倚样本WI均值计算WI校正值，用各样本WI减去校正值后取绝对值得到各样本的校正加权指数(AWI)，使用校正加权指数AWI作受试者工作特征曲线(ROC)，得到受试者工作曲线下面积(AUC)，通过计算约登指数(YI)，YI＝(敏感度+特异度)-1，找到YI最大点，以此点计算截止值。
CN202110738187.5A 2021-06-30 2021-06-30 基于误差预测模型的血小板检测系统 Active CN113470770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738187.5A CN113470770B (zh) 2021-06-30 2021-06-30 基于误差预测模型的血小板检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738187.5A CN113470770B (zh) 2021-06-30 2021-06-30 基于误差预测模型的血小板检测系统

Publications (2)

Publication Number Publication Date
CN113470770A true CN113470770A (zh) 2021-10-01
CN113470770B CN113470770B (zh) 2022-03-01

Family

ID=77876837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738187.5A Active CN113470770B (zh) 2021-06-30 2021-06-30 基于误差预测模型的血小板检测系统

Country Status (1)

Country Link
CN (1) CN113470770B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792198A (zh) * 2022-12-01 2023-03-14 南京市第一医院 一种辅助血细胞分析仪判定异常血小板聚集的方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5817519A (en) * 1995-12-28 1998-10-06 Bayer Corporation Automated method and device for identifying and quantifying platelets and for determining platelet activation state using whole blood samples
US20120084022A1 (en) * 2010-10-01 2012-04-05 The Board Of Trustees Of The Leland Stanford Junior University Enhanced Microfluidic Electromagnetic Measurements
CN103091287A (zh) * 2011-10-31 2013-05-08 深圳迈瑞生物医疗电子股份有限公司 一种血液分析仪测量结果的自诊断方法和装置
CN105825049A (zh) * 2009-10-19 2016-08-03 提拉诺斯公司 集成的健康数据采集和分析系统
CN106913348A (zh) * 2017-03-31 2017-07-04 汪学耀 一种预稀释真空采血管及测量血小板数目的方法
CN110120252A (zh) * 2018-11-08 2019-08-13 希森美康医用电子(上海)有限公司 一种临床实验室尿液常规检验自动审核系统及方法
CN110783002A (zh) * 2019-11-22 2020-02-11 浙江艾普拉斯电子科技有限公司 一种家用血样测试设备及系统
CN112201318A (zh) * 2020-09-28 2021-01-08 无锡市第五人民医院 实验室指标模型在covid-19患者危险分层中的应用方法
CN112924452A (zh) * 2021-01-29 2021-06-08 西安博锐轶信息科技有限公司 一种血液检查辅助系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5817519A (en) * 1995-12-28 1998-10-06 Bayer Corporation Automated method and device for identifying and quantifying platelets and for determining platelet activation state using whole blood samples
CN105825049A (zh) * 2009-10-19 2016-08-03 提拉诺斯公司 集成的健康数据采集和分析系统
US20120084022A1 (en) * 2010-10-01 2012-04-05 The Board Of Trustees Of The Leland Stanford Junior University Enhanced Microfluidic Electromagnetic Measurements
CN103091287A (zh) * 2011-10-31 2013-05-08 深圳迈瑞生物医疗电子股份有限公司 一种血液分析仪测量结果的自诊断方法和装置
CN106913348A (zh) * 2017-03-31 2017-07-04 汪学耀 一种预稀释真空采血管及测量血小板数目的方法
CN110120252A (zh) * 2018-11-08 2019-08-13 希森美康医用电子(上海)有限公司 一种临床实验室尿液常规检验自动审核系统及方法
CN110783002A (zh) * 2019-11-22 2020-02-11 浙江艾普拉斯电子科技有限公司 一种家用血样测试设备及系统
CN112201318A (zh) * 2020-09-28 2021-01-08 无锡市第五人民医院 实验室指标模型在covid-19患者危险分层中的应用方法
CN112924452A (zh) * 2021-01-29 2021-06-08 西安博锐轶信息科技有限公司 一种血液检查辅助系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEBNATH MAJI: "Toward Point-of-Care Assessment of Platelet Count-induced Changes in Whole Blood Coagulation with a Dielectric Microsensor", 《2018 IEEE BIOMEDICAL CIRCUITS AND SYSTEMS CONFERENCE (BIOCAS)》 *
何林波 等: "实验室血小板减少复检的优化流程", 《实用医技杂志》 *
杭建峰 等: "Sysmex XN-3000 全自动血细胞分析流水线复检规则的建立和临床评价", 《实用医学杂志》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792198A (zh) * 2022-12-01 2023-03-14 南京市第一医院 一种辅助血细胞分析仪判定异常血小板聚集的方法和系统
CN115792198B (zh) * 2022-12-01 2024-03-15 南京市第一医院 一种辅助血细胞分析仪判定异常血小板聚集的方法和系统

Also Published As

Publication number Publication date
CN113470770B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
US10222320B2 (en) Identifying and enumerating early granulated cells (EGCs)
Chabot-Richards et al. White blood cell counts: reference methodology
Fleming et al. Validation of the body fluid module on the new Sysmex XN-1000 for counting blood cells in cerebrospinal fluid and other body fluids
US7390662B2 (en) Method and apparatus for performing platelet measurement
Grimaldi et al. Evaluation of the Abbott CELL-DYN 4000 hematology analyzer
US20100054575A1 (en) Analysis method for 5-differential complete blood cell based on visual image
JP2012519848A (ja) 細胞集団識別のための機器間の方法およびシステム
CN113470770B (zh) 基于误差预测模型的血小板检测系统
Longanbach et al. Automated blood cell analysis
CN110823789A (zh) 一种用于临床感染性疾病的中性粒细胞cd64测定方法
Hoffmann et al. Automated counting of cells in cerebrospinal fluid using the CellDyn-4000 haematology analyser
CN113567327A (zh) 用于检验血液的方法、设备和系统
Ercan et al. Effects of specimen haemolysis on complete blood count results by Abbott Alinity hq System
Khodaiji Newer CBC parameters of clinical significance
Sugiyama et al. Performance evaluation of Celltac G: a new automated hematology analyzer
US20210041345A1 (en) Detecting and reporting subpopulations of neutrophils
Kemble et al. Platelet counting
Ivady et al. Comparative evaluation of body fluid analysis by Sysmex XN hematology analyzers, CellaVision, manual microscopy and multicolor flow cytometry
Kausar et al. Frequency of Causes of Spurious Platelets Count on Routine Complete Blood Count by an Automated Hematology Cell Analyser
Tanaka et al. Evaluation of the body fluid mode of automated hematology analyzer XN-series for extremely low peripheral white blood cell counts.
RU2818470C1 (ru) Способ подсчета реактивных нейтрофилов в периферической крови на автоматическом анализаторе с технологией флуоресцентной проточной цитометрии
CN111812070B (zh) 核左移以及取值范围的确定方法、装置和细胞分析仪
Lewis Automation in haematology-present and future trends
Leeuwen et al. A Short Evaluation of a New Haematological Cell Counter—The Cell-Dyn 3000-Following a Modified Tentative NCCLS-Procedure
Bas et al. A short evaluation of a new haematological analyser: the cobas argos 5 diff

Legal Events

Date Code Title Description
PB01 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