CN115856279A - 免疫检测主曲线的校准方法 - Google Patents
免疫检测主曲线的校准方法 Download PDFInfo
- Publication number
- CN115856279A CN115856279A CN202211384609.4A CN202211384609A CN115856279A CN 115856279 A CN115856279 A CN 115856279A CN 202211384609 A CN202211384609 A CN 202211384609A CN 115856279 A CN115856279 A CN 115856279A
- Authority
- CN
- China
- Prior art keywords
- product
- calibration
- concentration
- curve
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011088 calibration curve Methods 0.000 claims abstract description 20
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000003018 immunoassay Methods 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000011426 transformation method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000009466 transformation Effects 0.000 description 36
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000013610 patient sample Substances 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000001900 immune effect Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010324 immunological assay Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009870 specific binding Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明公开了一种免疫检测主曲线的校准方法，使用主曲线校标替代定标，即制造商内部通过严格控制工作校准品的质量，对多个浓度梯度工作校准品的检测，得到浓度与测量值对应关系，生成主曲线。在实际临床应用中，以该主曲线为基础，每批次使用少量的产品校准品，就可得到新批次试剂校准曲线，从而减少临床检测产品校准品的使用量、降低成本，减少用户的工作量。
Description
技术领域
本发明涉及免疫学检测领域，尤其是涉及免疫检测主曲线的校准方法。
背景技术
免疫学检测领域中的免疫项目检测是指利用抗原、抗体之间的特异性结合来测定、分析特定物质的方法。
临床上为了量化免疫项目检测结果，通常需要建立函数模型来描述测量值与患者样本浓度之间的换算关系。每台设备采用新批次试剂进行免疫项目检测时，均需通过产品校准品浓度和测量值来确定定标曲线，以该定标曲线表达的测量值与产品校准品浓度之间关系来换算出临床测量值对应的患者样本浓度。目前确定定标曲线一般需要多个浓度梯度的产品校准品，少则几个，多则可达十几个。但由于产品校准品存在基质效应等影响因素，导致产品校准品的测量值与临床上样本的测量值水平存在一些差异，基于产品校准品浓度和测量值确定的定标曲线就制约了临床上确认患者样本浓度的准确度。而且在临床检测中对每台设备进行定标需使用产品校准品的浓度梯度多，导致试验人员操作较多，任务重，效率低。
发明内容
本发明目的在于提供一种免疫检测主曲线的校准方法，采用对预设的主曲线进行校准的方法替代现有的定标试验，临床上每台设备能够用更少量产品校准品（如2个校准浓度梯度）进行校标，能大量减少用户工作量，降低成本，且可提高计算准确度。
为实现上述目的，本发明采取下述技术方案：
本发明所述的免疫检测主曲线的校准方法，包括以下步骤：
S1，获取产品校准品浓度和测量值；
S2，根据主曲线，确定所述产品校准品浓度对应所述主曲线的计算值；
S3，以产品校准品浓度和产品校准品浓度对应主曲线的计算值为数据源，选择评价指标最优的校准模式、函数模型和坐标轴变换方法组合确定补偿曲线；
S4，根据所述补偿曲线，确定工作校准品浓度对应补偿曲线的计算值；
S5，以工作校准品浓度和工作校准品浓度对应补偿曲线的计算值为数据源，选择评价指标最优的所述函数模型和所述坐标轴转换方法组合确定校准曲线。
即本发明方法通过预先确定免疫检测对应的主曲线，在采用新批次试剂进行免疫检测时，根据获得的产品校准品浓度和试验测量值，通过选择评价指标最好的校准模式、函数模型和坐标轴转换方式的组合，确定补偿曲线，然后依据该补偿曲线确定工作校准品相应浓度点根据补偿曲线得到的计算值，以工作校准品浓度和根据补偿曲线得到的计算值为数据源，并选择评价指标最好的函数模型和坐标轴变换方法组合来确定校准曲线。
进一步地，所述主曲线是预设的描述免疫检测浓度与测量值关系的模型。
进一步地，所述补偿曲线是描述每批次产品校准品与主曲线关系的模型，所述每批次产品校准品的数量大于等于1。
进一步地，所述评价指标包括拟合优度，均方根误差，平均绝对误差；所述评价指标最优指拟合优度最高或均方根误差最低或平均绝对误差最低。
进一步地，所述主曲线和所述补偿曲线函数模型包括线性回归，五参数模型1，五参数模型2；所述主曲线和所述补偿曲线坐标轴转换方法包括线性转换及对数转换。
进一步地，所述坐标转换方法包括x值和y值均线性转换；x值线性转换，y值对数转换；x值对数转换，y值线性转换；x值和y值均对数转换。
进一步地，所述校准模式包括：
校准模式1：以所述产品校准品浓度对应所述主曲线的计算值为自变量，以产品校准品测量值为因变量；
校准模式2：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式3：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量；
校准模式4：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式5：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量。
进一步地， S4步中，确定所述工作校准品浓度对应所述补偿曲线的计算值包括：
若采用校准模式1，则将工作校准品测量值带入补偿曲线，得到的值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式2，则将工作校准品测量值带入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式3，则将工作校准品测量值带入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式4，则将工作校准品浓度代入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式5，则将工作校准品浓度代入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值。
进一步地，所述每批次产品校准品的数量为1时，则增加数据组：产品校准品浓度值为0，对应测量值为试剂空白测量值；若每批次产品校准品的数量小于5时，仅能选择函数模型线性回归确定校准曲线。
进一步地，所述五参数模型1，五参数模型2中五参数模型为：
其中，x为浓度， y为测量值，A、B、C、D、E为采用Levenberg-Marquardt算法计算出的估计参数；当计算估计参数时选择RMSE作为损失函数，构成五参数模型1；当计算估计参数时选择MAE作为损失函数，构成五参数模型2。
本发明的优点在于使用主曲线校标替代定标，即制造商内部通过严格控制工作校准品的质量，对多个浓度梯度工作校准品的检测，得到浓度与测量值对应关系，生成主曲线。在实际临床应用中，以该主曲线为基础，每批次使用少量的产品校准品，就可得到新批次试剂校准曲线，从而减少临床检测产品校准品的使用量、降低成本，减少用户的工作量。
附图说明
图1是本发明所述方法流程图。
图2是本发明实施例主曲线，补偿曲线及校准曲线展示。
具体实施方式
下面将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的一部分实施例，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做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。
如图1所示，本发明所述的免疫检测主曲线的校准方法，包括以下步骤：
S1，获取产品校准品浓度和试验测量值；
S2，根据预设的主曲线，确定所述产品校准品浓度对应所述主曲线的测量值；主曲线是预设的描述免疫检测浓度与测量值关系的模型。主曲线通常由制造商在实验室内确定。制造商在实验室内通过严格控制工作校准品的质量，获得更精确的免疫检测浓度与测量值关系，并将该关系作为预设的主曲线。
从而在临床上，每批次检测可获取较少的产品校准品浓度和测量值，用于对主曲线进行校准。原则上每批次检测产品校准品的数量需大于等于1。当每批次产品校准品的数量为1时，则默认增加一组数据组，即产品校准品浓度值为0，对应测量值为试剂空白测量值；将获取的产品校准品浓度代入主曲线，确定该产品校准品浓度对应主曲线的计算值。
S3，以产品校准品浓度和产品校准品浓度对应主曲线的计算值为数据源，选择评价指标最优的校准模式、函数模型和坐标轴变换方法组合确定补偿曲线；
补偿曲线是描述每批次产品校准品与主曲线关系的模型，其本质上也是每批次产品校准品与工作校准品关系的模型。确定补偿曲线的校准模式包括5种，即
校准模式1：以所述产品校准品浓度对应所述主曲线的计算值为自变量，以产品校准品测量值为因变量；
校准模式2：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式3：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量；
校准模式4：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式5：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量。
函数模型包括3种，即线性回归，五参数模型1，五参数模型2；其中，五参数模型1和五参数模型2中的五参数模型为：
其中，x为浓度， y为测量值，A、B、C、D、E为采用Levenberg-Marquardt（列文伯格-马夸尔特）算法计算出的估计参数；在Levenberg-Marquardt算法中计算估计参数时选择RMSE（均方根误差）作为损失函数，则构成五参数模型1；选择MAE（平均绝对误差）作为损失函数，则构成五参数模型2。
坐标轴变换方法包括2种，即线性转换t=z及对数转换t=log10z，其中z为原始值，t为转换值。具体针对坐标轴的x和y坐标变换，可以排列组合为4种形式，即x和y均线性转换；x线性转换，y对数转换；x对数转换，y线性转换；x和y均对数转换。
也就是说，基于3种函数模型、5种校准模式、4种坐标轴变换形式的不同组合，需遍历所有组合方式，并选择评价指标最好的的校准模式、函数模型和坐标轴变换方法组合来确定补偿曲线。若每批次产品校准品的数量小于5时，在选择确定校准曲线的函数模型时仅能选择线性回归模型。评价指标包括拟合优度，均方根误差，平均绝对误差等；评价指标最优是指拟合优度最高或均方根误差最低或平均绝对误差最低。
当采用拟合优度作为评价指标时，则选择拟合优度最高的组合确定补偿曲线，若采用均方根误差或平均绝对误差作为评价指标，则选择均方根误差或平均绝对误差最低的组合确定补偿曲线。
S4，根据所述补偿曲线，确定工作校准品浓度对应补偿曲线的计算值；具体的，若采用校准模式1，则将工作校准品测量值带入补偿曲线，得到的值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式2，则将工作校准品测量值带入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式3，则将工作校准品测量值带入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式4，则将工作校准品浓度代入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式5，则将工作校准品浓度代入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值。
S5，以工作校准品浓度和工作校准品浓度对应补偿曲线的计算值为数据源，选择评价指标最优的所述函数模型和所述坐标轴转换方法组合确定校准曲线。
其中，函数模型仍为3种，即线性回归，五参数模型1，五参数模型2。坐标轴转换方法仍为2种，即线性转换和对数转换。分别针对x和y的坐标变换，可以排列组合为4种形式，即x和y均线性转换；x线性转换y对数转换；x对数转换，y线性转换；x和y均对数转换。
基于3种函数模型、4种坐标轴变换形式的不同组合，需遍历所有组合方式，并选择评价指标最好的函数模型和坐标轴变换方法组合来确定校准曲线。
本发明方法利用制造商在实验室内首先确定免疫检测对应的主曲线，在采用新批次试剂进行免疫检测时，根据获得的产品校准品浓度和试验测量值，通过选择评价指标最好的校准模式、函数模型和坐标轴转换方式的组合，确定补偿曲线，然后依据该补偿曲线确定工作校准品相应浓度点根据补偿曲线得到的计算值，以工作校准品浓度和工作校准品相应浓度点根据补偿曲线得到的计算值为数据源，并选择评价指标最好的函数模型和坐标轴变换方法组合来确定校准曲线。
具体实施例：以实验室首次确定主曲线到后续获取校准曲线的过程，说明本发明的具体实施方式。
如表1第2列和第3列所示，可以在实验室内得到若干组某免疫检测的浓度与测量值数据。
表1：
| 序号 | 浓度 | 测量值 | 工作校准品浓度对应补偿曲线的计算值 |
| 1 | 0 | 749.9359155 | 3422.79223 |
| 2 | 1 | 4085.932735 | 7075.97534 |
| 3 | 5 | 10850.77533 | 15109.96778 |
| 4 | 15 | 25336.13623 | 32767.1989 |
| 5 | 30 | 46009.37593 | 58198.54556 |
| 6 | 60 | 86224.60394 | 107931.2389 |
| 7 | 120 | 163839.7265 | 204579.6256 |
| 8 | 240 | 309622.7342 | 388429.3989 |
| 9 | 480 | 571182.3658 | 726121.9456 |
| 10 | 620 | 709399.9521 | 908751.1812 |
| 11 | 740 | 821120.0874 | 1058537.955 |
| 12 | 860 | 927442.6352 | 1202927.728 |
首先，基于3种函数模型（即线性回归，五参数模型1，五参数模型2）、4种坐标轴变换形式（x和y均线性转换；x线性转换，y对数转换；x对数转换，y线性转换；x和y均对数转换）的不同组合，遍历所有组合方式，并选择评价指标最好的函数模型和坐标轴变换方法组合来确定主曲线。通过计算和对比，本实施例选择了拟合优度最高的五参数模型1、浓度和测量值均线性转换的组合方式确定了主曲线，如图2中主曲线所示，其拟合优度可达到0.999997281510842。然后将该主曲线作为预设的主曲线。
在本实施例中，发明人采用了本发明方法中记载的3种函数模型、4种坐标轴变换形式的不同组合，遍历所有组合方式，并选择评价指标最好的函数模型和坐标轴变换方法组合来确定主曲线，并不代表主曲线仅能通过本实施例记载的方式获得。
接着，在采用某新批次试剂进行免疫检测前，获取了如表2第2列和第3列所示的2组产品校准品的浓度和试验测量值数据。
表2：
| 序号 | 浓度 | 测量值 | 对应主曲线的计算值 |
| 1 | 282 | 361561 | 357759.9266 |
| 2 | 777.6 | 869175 | 855109.3471 |
根据主曲线，确定产品校准品浓度对应主曲线的计算值；如表2第4列所示。
然后以表2第2列产品校准品浓度和表2第4列产品校准品浓度对应主曲线的计算值为数据源，基于3种函数模型（即线性回归，五参数模型1，五参数模型2）、4种坐标轴变换形式（x和y均线性转换；x线性转换，y对数转换；x对数转换，y线性转换；x和y均对数转换）、5种校准模式的不同组合，遍历所有组合方式，并选择评价指标最好的校准模式、函数模型和坐标轴变换方法组合来确定补偿曲线。
在本实施例中，产品校准品有2个，所以只能采用线性回归函数模型，其组合方式共有15种。通过计算和对比，本实施例选择了拟合优度最高的五参数模型1、x和y均线性转换、校准模式4的组合方式确定了补偿曲线，如图2中补偿曲线所示，其拟合优度可达到0.999847203314795。
之后，根据该补偿曲线，计算工作校准品的浓度的补偿曲线计算值；由于该补偿曲线使用了校准模式4，则在计算工作校准品相应浓度点根据补偿曲线得到的计算值时需将工作校准品浓度代入补偿曲线，将得到的值加上工作校准品测量值即为工作校准品相应浓度点根据补偿曲线得到的计算值；计算结果如表1第4列所示。
最后以表1中第2列中的浓度值和表1中第4列所列的测量值为数据源，基于3种函数模型（即线性回归，五参数模型1，五参数模型2）、4种坐标轴变换形式（x和y均线性转换；x线性转换，y对数转换；x对数转换，y线性转换；x和y均对数转换）的不同组合，遍历所有组合方式，并选择评价指标最好的的函数模型和坐标轴变换方法组合来获取校准曲线。至此得到校准曲线，如图2中所示。临床进行免疫项目检测时，基于临床样本测量值，通过校准曲线回算可得到样本浓度值。
Claims (10)
1.一种免疫检测主曲线的校准方法，其特征在于：包括以下步骤：
S1，获取产品校准品浓度和测量值；
S2，根据主曲线，确定所述产品校准品浓度对应所述主曲线的计算值；
S3，以产品校准品浓度和产品校准品浓度对应主曲线的计算值为数据源，选择评价指标最优的校准模式、函数模型和坐标轴变换方法组合确定补偿曲线；
S4，根据所述补偿曲线，确定工作校准品浓度对应补偿曲线的计算值；
S5，以工作校准品浓度和工作校准品浓度对应补偿曲线的计算值为数据源，选择评价指标最优的所述函数模型和所述坐标轴转换方法组合确定校准曲线。
2.根据权利要求1所述的免疫检测主曲线的校准方法，其特征在于：所述主曲线是预设的描述免疫检测浓度与测量值关系的模型。
3.根据权利要求1所述的免疫检测主曲线的校准方法，其特征在于：所述补偿曲线是描述每批次所述产品校准品与所述主曲线关系的模型，所述每批次产品校准品的数量大于等于1。
4.根据权利要求1所述的免疫检测主曲线的校准方法，其特征在于：所述评价指标包括拟合优度，均方根误差，平均绝对误差；所述评价指标最优指拟合优度最高或均方根误差最低或平均绝对误差最低。
5.根据权利要求1所述的免疫检测主曲线的校准方法，其特征在于：所述主曲线和所述补偿曲线函数模型包括线性回归，五参数模型1，五参数模型2；所述主曲线和所述补偿曲线坐标轴转换方法包括线性转换及对数转换。
6.根据权利要求1或5所述的免疫检测主曲线的校准方法，其特征在于：所述坐标转换方法包括x值和y值均线性转换；x值线性转换，y值对数转换；x值对数转换，y值线性转换；x值和y值均对数转换。
7.根据权利要求1所述的免疫检测主曲线的校准方法，其特征在于：所述校准模式包括：
校准模式1：以所述产品校准品浓度对应所述主曲线的计算值为自变量，以产品校准品测量值为因变量；
校准模式2：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式3：以产品校准品浓度对应主曲线的计算值为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量；
校准模式4：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值为因变量；
校准模式5：以产品校准品浓度作为自变量，以产品校准品测量值减去产品校准品浓度对应主曲线的计算值再除以产品校准品浓度对应主曲线的计算值为因变量。
8.根据权利要求7所述的免疫检测主曲线的校准方法，其特征在于： S4步中，确定所述工作校准品浓度对应所述补偿曲线的计算值包括：
若采用校准模式1，则将工作校准品测量值带入补偿曲线，得到的值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式2，则将工作校准品测量值带入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式3，则将工作校准品测量值带入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式4，则将工作校准品浓度代入补偿曲线，得到的值加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值；
若采用校准模式5，则将工作校准品浓度代入补偿曲线，得到的值乘以工作校准品测量值后，再加上工作校准品测量值即为工作校准品浓度对应补偿曲线的计算值。
9.根据权利要求3所述的免疫检测主曲线的校准方法，其特征在于：所述每批次产品校准品的数量为1时，则增加数据组：产品校准品浓度值为0，对应测量值为试剂空白测量值；若每批次产品校准品的数量小于5时，仅能选择函数模型线性回归确定校准曲线。
10.根据权利要求5所述的免疫检测主曲线的校准方法，其特征在于：所述五参数模型1，五参数模型2中五参数模型为：
其中，x为浓度， y为测量值，A、B、C、D、E为采用Levenberg-Marquardt算法计算出的估计参数；当计算估计参数时选择RMSE作为损失函数，构成五参数模型1；当计算估计参数时选择MAE作为损失函数，构成五参数模型2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384609.4A CN115856279A (zh) | 2022-11-07 | 2022-11-07 | 免疫检测主曲线的校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384609.4A CN115856279A (zh) | 2022-11-07 | 2022-11-07 | 免疫检测主曲线的校准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115856279A true CN115856279A (zh) | 2023-03-28 |
Family
ID=85662650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211384609.4A Pending CN115856279A (zh) | 2022-11-07 | 2022-11-07 | 免疫检测主曲线的校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115856279A (zh) |
-
2022
- 2022-11-07 CN CN202211384609.4A patent/CN115856279A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022100235A1 (zh) | 一种用于荧光免疫分析仪台间差校准的方法 | |
| CN109682968B (zh) | 一种荧光免疫试条定量检测测试信号温度矫正方法 | |
| Kristiansen | Description of a generally applicable model for the evaluation of uncertainty of measurement in clinical chemistry | |
| CN117150386B (zh) | 基于自适应的湿度传感器测量不确定度的评定方法及装置 | |
| WO2022100234A1 (zh) | 一种用于荧光强度基底计算的方法 | |
| CN112684189A (zh) | 改进tsh检测结果一致性的定标方法、tsh候选标准物质及其制备方法 | |
| CN103969614A (zh) | 一种数字万用表的校准方法 | |
| CN104390932A (zh) | 基于红外差谱技术的木材含水率检测方法 | |
| CN112345813A (zh) | 动态测量精度的动态补偿方法 | |
| CN111323393A (zh) | 一种联合散射比浊法和透射比浊法的测量方法 | |
| CN109725138B (zh) | 智能化水泥工厂生产中熟料质量检测方法、装置及设备 | |
| CN114722332A (zh) | 一种革新的风洞天平校准数据处理方法 | |
| CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN115856279A (zh) | 免疫检测主曲线的校准方法 | |
| CN110632247B (zh) | 一种多维滴定分析的数据处理方法及其应用 | |
| CN111912974B (zh) | 一种免疫试剂定标方法 | |
| CN115910383A (zh) | 确定免疫检测样本浓度的方法 | |
| CN102095668A (zh) | 乳胶漆粘度检测方法以及温-粘修正系数的测量方法 | |
| CN112257017B (zh) | 标准化残差检验法一元线性逐点分析方法及系统和装置 | |
| CN114184605A (zh) | 一种化学发光免疫分析仪的测量系统及方法 | |
| CN113960256A (zh) | 一种含水仪的温度补偿方法 | |
| CN114548417A (zh) | 基于数据校正的机器学习模型训练方法及系统 | |
| Chen et al. | Criteria of determining the P/T upper limits of GR&R in MSA | |
| CN111750781B (zh) | 一种基于ccd的自动测试系统及其方法 | |
| CN104819703B (zh) | 一种用于倾角传感支点的倾斜角度参数拟合方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 450016 No.199, Jingkai 15th Street, Zhengzhou Economic and Technological Development Zone, Henan Province Applicant after: AUTOBIO LABTEC INSTRUMENTS Co.,Ltd. Address before: No. 199, 15th Street, economic and Technological Development Zone, Zhengzhou City, Henan Province Applicant before: AUTOBIO LABTEC INSTRUMENTS Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |