CN114971408A - 一种实时质量控制纠偏方法、装置、设备及程序产品 - Google Patents
一种实时质量控制纠偏方法、装置、设备及程序产品 Download PDFInfo
- Publication number
- CN114971408A CN114971408A CN202210737700.3A CN202210737700A CN114971408A CN 114971408 A CN114971408 A CN 114971408A CN 202210737700 A CN202210737700 A CN 202210737700A CN 114971408 A CN114971408 A CN 114971408A
- Authority
- CN
- China
- Prior art keywords
- quality control
- deviation
- real
- data
- control
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000002558 medical inspection Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 2
- 238000012937 correction Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 4
- 239000003814 drug Substances 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 6
- 239000012491 analyte Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本申请提供一种实时质量控制纠偏方法、装置、设备及程序产品，涉及检验医学技术领域。该方法包括：可以针对临床实验室中系统偏差的比例和恒定两种场景，实现失控识别与失控纠偏的目标。针对于两个相邻的检验结果，相减后的差值做为进一步的质控对象，按一定长度设置监测批次，同时进入比例偏差和恒定偏差判断器中，对于判断出失控的样本进入纠偏器中对结果进行纠正处理。在提升了目前医疗数据质控方法精度的同时，增加了结果自动干预功能，提高质控效率。
Description
技术领域
本发明涉及检验医学领域，具体涉及一种实时质量控制纠偏方法、装置、设备及程序产品。
背景技术
实验室检测结果在疾病筛查、诊断、预后评估、治疗监测等方面起着至关重要的作用。传统的质量控制，由于测量时不可交换的控制材料，导致较低的误差检出率和较高的假性报警率。基于患者的实时质量控制（PBRTQC）作为一种新的质控方法，由于用于质控的真实测试结果，降低了可交换性问题的影响，但数据的稳定性非常麻烦。另外此类研究制作失控识别，并未对失控的结果进行矫正处理。
差值核查（delta check，DC）是一种基于实验室信息系统的质量工具，涉及到计算和评估顺序患者的差异，以检测来自总检测过程的错误。样本差值（delta值）的增加可能来自患者内部变异、分析变异（如仪器）或分析外变异。利用delta值取代传统PBRTQC中浮动均值的输入信息，可以在不增加患者额外信息的情况下，提升质控效能。
发明内容
有鉴于此，本发明意在将PBRTQC技术引入检验医学领域，旨在利用delta数据，结合ML数据处理，探索数据稳定性的方法，从而提高质量控制（quality control，QC）事件检测能力。另外，本发明提出的一种实时质量控制纠偏方法、装置、设备及程序产品，可以针对临床实验室中系统偏差的比例和恒定两种场景，实现失控识别与失控纠偏的目标。
本发明提供的一种实时质量控制纠偏方法、装置、设备及程序产品针对于两个相邻的检验结果，相减后的差值做为进一步的质控对象，按一定长度设置监测批次，同时进入比例偏差和恒定偏差判断器中，对于判断出失控的样本进入纠偏器中对结果进行纠正处理。
第一个方面，本申请提供一种实时质量控制纠偏方法，包括两个操作场景：建模场景、监测场景。
在建模场景下，通过机器学习分类算法建立失控识别模型，通过机器学习回归算法建立失控纠偏模型。在建立失控识别模型前，为达到模型训练的样本要求，人为仿真偏差，制造失控数据下的delta值做为实验组，在控数据下的delta值做为对照组，样本的维度相当于按步长扩维的批次。识别分类模型的输出值为失控与在控两种状态；纠偏回归模型的输出值，为当前窗口下的误差比例因子。
在监测场景下，当失控识别动作结束之后，判断当前窗口是否为失控。失控情况下系统认为当前监测窗口内的数据全部存在偏差，对当前监测窗口内的所有样本数据进行纠正。
第二个方面，本申请提供一种实时质量控制纠偏装置，包括：
获取模块，用于获取多个医院的历史检测数据并清洗；
处理模块，用于：对历史检测数据进行特征工程处理，包括数据标准化、数据组队；
识别模块，用于：利用预设的分类模型，对一定步长下的批数据进行分类判断，识别其属于比例偏差还是恒定偏差；
纠偏模块，用于：利用预设的回归模型，对已判定为失控的数据预测其偏差因子。
第三个方面，本申请提供一种电子设备，包括：存储器，用于存储程序指令；处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的系统误差实时质量控制纠偏方法。
第四方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的系统误差实时质量控制纠偏方法。
附图说明
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
图1为本申请实施例提供的一种实时质量控制纠偏的应用场景示意图。
图2为一种实时质量控制纠偏的流程示意图的流程示意图。
图3为本申请实施例提供的一种实时质量控制纠偏装置的结构示意图。
图4为本申请提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的一种实时质量控制纠偏方法、装置、设备及程序产品，图1为本申请实施例提供的一种基于样本差值的系统误差实时质量控制纠偏的应用场景示意图。如图1所示，本实施例的应用场景涉及仪器设备和监测设备，其中，仪器设备用于出具某患者的检测数据，监测设备通过机器学习分类算法对该检测数据进行监测，当检测数据发生失控时，进行数据纠偏处理对结果进行干预。
图2为一种实时质量控制纠偏的流程示意图的流程示意图。包括两个操作场景：建模场景、监测场景。
在建模场景下，通过机器学习分类算法建立失控识别模型，通过机器学习回归算法建立失控纠偏模型。在建立失控识别模型前，为达到模型训练的样本要求，人为仿真偏差，制造失控数据下的delta值做为实验组，在控数据下的delta值做为对照组，样本的维度相当于按步长扩维的批次。识别分类模型的输出值为失控与在控两种状态；纠偏回归模型的输出值，为当前窗口下的误差比例因子。
在监测场景下，当失控识别动作结束之后，判断当前窗口是否为失控。失控情况下系统认为当前监测窗口内的数据全部存在偏差，对当前监测窗口内的所有样本数据进行纠正。
如图3所示，医疗数据质控系统包括：数据获取模块301、数据处理模块302、质控识别模块303、失控纠偏模块304。
其中，数据获取模块301用于获取医学检验项目中的质控在控数据，例如，实验室信息系统（Laboratory Information System, LIS）的检验结果数据。所谓质控在控数据是指经医学检验领域质控行业标准判定的，由符合该质控行业标准的医疗设备所检测到的医疗数据。采取的数据清洗规则设置为：1) 排除仅有一次结果的患者；2) 根据Tukey标准，去除小于整体25%分位数或者大于整体75%分位数的值；3) 排除应用Tukey标准后不足两次结果的患者；4) 年龄选择14岁至60岁；5) Delta检查时间间隔定义为一年。
数据处理模块302用于：将获取到的质控在控数据进行标准化处理，并按步长进行组队，一组为一个新样本。
质控判断模块303用于：利用分类模型对102处理后的数据进行分类预测；分类模型在首次使用时必须进行搭建。
识别模型的搭建需经过数据仿真、模型训练、模型调优的步骤。
在数据仿真模块：因为收集的样本默认为无偏数据，为了模拟失控后的情况，需要人为引入偏差，比例偏差的仿真公式如下：x’= x×(1+ n×TEa)，恒定偏差的仿真公式如下：x’= x + n×TEa×mean(x)，其中n指不同的倍数 (-3/2，-1，-1/2，-1/4，-1/6，1/6，1/4，1/2，1，3/2)，mean(x)为当前分析物下所有数据的均值，TEa为当前分析物的总分析误差，定义为随机误差（RE）和系统误差（SE）的和。仿真有偏数据时仅在第2次的结果上引入偏差，再与第1次重新做差得到有偏的Delta。
将无偏数据与有偏数据看作两类样本，利用机器学习的二分类问题区分两种数据。分类过程采用Random forest (RF)实现。RF算法是一种组成式的有监督学习方法，RF分类器会根据数据规律训练出多个决策树，最后将这些预测组合起来投票算出最终结果。首先需要通过实验分析步长对检测能力的影响程度，在默认参数下开展预实验。依据变异程度挑选出一个分析物做为算例分析，将程序中的其它参数设置为默认值，根据预设的步长范围开展遍历实验以确定步长值。利用确定的步长对数据进行组队，将一批数据的组合视为一个新的样本。对处理后的数据进行标准化处理。无偏数据和有偏数据采取一致的操作，将两种数据构成的样本分别标记为“0类”、“1类”，对RF进行带标签的有监督训练。
模型优化的目的是提高模型对当前数据集的预测能力。通过调整树的棵树 (N-trees) 和最大深度 (Max Depth) 对RF的参数进行寻优。仍然以上一步的分析物做为算例目标，分别给N-trees与N-trees设置实验范围，统计每个排列组合下的训练精度与测试精度，以此选取最佳参数。
可选的评价方法可以分为两种：分类算法常用的混淆矩阵用于模型训练和模型测试的检测性能评价，即：ROC曲线下的面积(AUC)、真阳性率(TPR)、真阴性率(TNR)、假阳性率(FPR)、精度(ACC)。
被试进入后获取当前的检验指标数值，额外再获取前一次的结果，从而形成差值。同时将差值分别输入至恒定失控判断器与比例失控判断器，如果判断为失控，失控判断器认为当前窗口内所有数据均处于失控状态，即失控的位置出现在窗口起点。
数据纠偏模块304用于：在质控判别模块303做出判断之后，如果为失控状态，进一步输入至相应的失控纠偏器中，失控纠偏器预测当前窗口下的偏差因子，按照相应的偏差类型下的仿真公式对原始样本结果进行干预。
被试监测环节具体存在以下四种情况：
第一种可能的情况中，被试通过恒定失控判断器与比例失控判断器均输出为0，即均判断为在控，此时系统不做处理，窗口继续保持滑动。
第二种可能的情况中，恒定失控判断器输出为1，比例失控判断器输出为0，此时被试下的一批样本继续进入恒定失控纠偏器预测恒定偏差因子n，恒定偏差的纠偏公式如下：x T = x -n×TEa×mean(x)。
第三种可能的情况中，恒定失控判断器输出为0，比例失控判断器输出为1，此时被试下的一批样本继续进入比例失控纠偏器预测恒定偏差因子n，恒定偏差的纠偏公式如下：x T = x÷(1+ n×TEa)。
第四种可能的情况中，恒定失控判断器输出为1，比例失控判断器输出为1，此时比较两个判断器输出的置信度，置信度计算方式为：P×ACC，其中P为模型对当前被试输出的概率值，ACC为模型的准确度（在训练时期确定的常数），比较两种判断器下的置信度选择最大者，决定最终的失控类型，进入相应的纠偏器中预测因子并纠偏。
根据本申请的实施例，本申请还提供了一种电子设备和一种程序产品。
图4为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括接收器40、发送器41、处理器42和存储器43，由上述部件构成的该电子设备可以用来实施本申请上述具体的实施例，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中方法中的各个步骤。
Claims (5)
1.一种实时质量控制纠偏方法，其特征在于：针对于两个相邻的检验结果，相减后的差值做为质控对象，按一定长度做为监测批次输入机器学习模型，同时进入比例偏差和恒定偏差判断器识别质量状态，对于判断出失控的样本进入纠偏器中对结果进行纠正处理。
2.根据权利要求1所述的一种实时质量控制纠偏方法，其特征在于，所述的机器学习模型包含两类：分类算法与回归算法，分别对应判断器与纠偏器，对患者检验数据实时监测干预。
3.一种实时质量控制纠偏装置，其特征在于，包括：数据获取模块，用于获取医学检验项目中的质控在控数据；数据处理模块，用于：将获取到的质控在控数据进行标准化处理，并按步长进行组队；质控判断模块，用于：利用分类模型进行分类预测；数据纠偏模块，用于：在质控判别模块做出判断之后，如果为失控状态，进一步输入至相应的失控纠偏器中，失控纠偏器预测当前窗口下的偏差因子，按照相应的偏差类型下的仿真公式对原始样本结果进行干预。
4.一种电子设备，其特征在于，包括：处理器以及存储器；所述存储器，用于存储所述处理器的计算机程序；所述处理器配置为经由执行所述计算机程序来执行权利要求1至3任一项所述的医疗质控数据处理方法。
5.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3任一项所述的医疗质控数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737700.3A CN114971408A (zh) | 2022-06-27 | 2022-06-27 | 一种实时质量控制纠偏方法、装置、设备及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737700.3A CN114971408A (zh) | 2022-06-27 | 2022-06-27 | 一种实时质量控制纠偏方法、装置、设备及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114971408A true CN114971408A (zh) | 2022-08-30 |
Family
ID=82965114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210737700.3A Pending CN114971408A (zh) | 2022-06-27 | 2022-06-27 | 一种实时质量控制纠偏方法、装置、设备及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971408A (zh) |
-
2022
- 2022-06-27 CN CN202210737700.3A patent/CN114971408A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019233189A1 (zh) | 一种传感网络异常数据检测方法 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
| CN110352389A (zh) | 信息处理装置及信息处理方法 | |
| CN110443304A (zh) | 一种基于机器学习模型的企业风险评估方法 | |
| CN113053535A (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
| CN112070239A (zh) | 基于用户数据建模的分析方法、系统、介质及设备 | |
| CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统 | |
| CN112419306A (zh) | 一种基于nas-fpn的肺结节检测方法 | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
| CN113242213B (zh) | 一种电力通信骨干网节点脆弱性诊断方法 | |
| CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
| CN116864011A (zh) | 基于多组学数据的结直肠癌分子标志物识别方法及系统 | |
| CN114944208B (zh) | 质量控制方法、装置、电子设备及存储介质 | |
| CN114971408A (zh) | 一种实时质量控制纠偏方法、装置、设备及程序产品 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN113255810A (zh) | 基于关键决策逻辑设计测试覆盖率的网络模型测试方法 | |
| CN113555124A (zh) | 一种基于机器学习的血常规样本差值核查方法 | |
| CN117275644B (zh) | 基于深度学习的检测结果互认方法、系统及存储介质 | |
| CN112257769B (zh) | 基于强化学习类脑读图的多层核磁影像分类方法及系统 | |
| CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |