CN117288971B - 电解质分析仪智能交互控制方法及系统 - Google Patents
电解质分析仪智能交互控制方法及系统 Download PDFInfo
- Publication number
- CN117288971B CN117288971B CN202311580088.4A CN202311580088A CN117288971B CN 117288971 B CN117288971 B CN 117288971B CN 202311580088 A CN202311580088 A CN 202311580088A CN 117288971 B CN117288971 B CN 117288971B
- Authority
- CN
- China
- Prior art keywords
- calibration
- sample
- preset
- electrolyte analyzer
- quality 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.)
- Active
Links
- 239000003792 electrolyte Substances 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000003993 interaction Effects 0.000 title claims abstract description 22
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 138
- 239000000523 sample Substances 0.000 claims abstract description 137
- 238000003908 quality control method Methods 0.000 claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 239000002989 correction material Substances 0.000 claims abstract description 63
- 239000013062 quality control Sample Substances 0.000 claims abstract description 43
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 143
- 238000012549 training Methods 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 27
- 239000007788 liquid Substances 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 24
- 239000012530 fluid Substances 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000013068 control sample Substances 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 206010057362 Underdose Diseases 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 24
- 238000005259 measurement Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 210000002700 urine Anatomy 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010790 dilution Methods 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 3
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000000460 chlorine Substances 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000011734 sodium Substances 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000003085 diluting agent Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000037452 priming Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 206010021036 Hyponatraemia Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000012482 calibration solution Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000036470 plasma concentration Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000007420 reactivation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000007651 thermal printing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4163—Systems checking the operation of, or calibrating, the measuring apparatus
-
- 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
-
- 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
- G01N35/00663—Quality control of consumables
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G01N35/00663—Quality control of consumables
- G01N2035/00673—Quality control of consumables of reagents
-
- 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
- G01N35/00663—Quality control of consumables
- G01N2035/00683—Quality control of consumables of detectors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明属于医疗器械技术领域,解决现有技术中电解质分析仪存在自动化程度低的问题,提供一种电解质分析仪智能交互控制方法及系统。该方法包括:电解质分析仪接收到自检指令,控制电解质分析仪进行自检,其中,所述自检包括对预设试剂按预设顺序进行检测;响应于自检通过,接收到定标指令,通过所述校正液对电解质分析仪进行定标;响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对电解质分析仪进行质控校准;根据待检测样本的样本信息对待检测样本进行电解质分析,输出分析结果。本发明通过交互控制自检、定标和质控流程,无需依赖于操作人员的经验和手动操作技能,提升了电解质分析仪的自动化程度,且提高了电解质分析效率。
Description
技术领域
本发明涉及医疗器械领域,尤其涉及一种电解质分析仪智能交互控制方法及系统。
背景技术
电解质分析仪是一种医疗检测设备,用于测量人体液体(如血液和尿液)中的电解质水平,包括钠、钾、氯等离子的浓度。这些测量对于诊断和治疗多种疾病至关重要,特别是在紧急医疗和重症监护中。在使用电解质分析仪进行测量时,定标和质控是确保结果准确和可靠的关键步骤。
定标是指在使用电解质分析仪之前,使用已知浓度的标准溶液来校准仪器,以确保其读数准确,这个过程通常包括调整仪器,使其读数与质控样本的已知值匹配;质控是指使用质量控制样本定期测试电解质分析仪,以监控其性能和测量的可靠性。这些样本的电解质浓度是已知的,且通常模拟了人体流体的特性,通过这些过程,可以保证患者得到准确的诊断和适当的治疗。
传统的电解质分析仪在定标和质控过程中,由于自动化程度较低,往往需要较多的手动操作,特别是出现异常时,技术人员需通过人工分析来识别问题源头,例如检查试剂的有效性、分析仪器的校准状态、操作过程中的潜在错误等,这不仅增加了操作的复杂性和时间成本,也提高了操作过程中出错的风险。
发明内容
有鉴于此,本发明实施例提供了电解质分析仪智能交互控制方法及系统,用以解决现有技术中电解质分析仪存在自动化程度低的问题。
第一方面,本发明实施例提供了一种电解质分析仪智能交互控制方法,所述方法包括:
电解质分析仪接收到自检指令,控制电解质分析仪进行自检,其中,所述自检包括对预设试剂按预设顺序进行检测,所述预设试剂包括校正液、电极内充液、活化液、清洗液和质控样本;
响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标;
响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准;
根据待检测样本的样本信息对所述待检测样本进行电解质分析,输出分析结果。
作为本发明的一可选实施例,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检的步骤,包括:
获取各所述预设试剂的试剂卡信息,其中,所述试剂卡信息包括试剂类型、生产日期、使用期限和试剂剩余量;
根据所述生产日期和所述使用期限判断各所述预设试剂是否在有效期内;
若存在超出有效期的预设试剂或试剂剩余量小于等于剩余量阈值的预设试剂,控制电解质分析仪的显示器显示更换提醒信息,所述更换提醒信息包括待更换试剂类型;
若不存在超出有效期的预设试剂且试剂剩余量大于剩余量阈值的预设试剂,则自检通过。
作为本发明的一可选实施例,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检的步骤,还包括:
响应于试剂卡和预设试剂的更换,对所述试剂卡信息进行更新;
根据更新后的试剂卡信息和待更换试剂类型,判断更换后的预设试剂是否与所述待更换试剂类型匹配;
若匹配,获取更换后的预设试剂的实际温度;
若不匹配或所述实际温度不属于预设温度范围,则控制所述显示器显示试剂更换失败信息。
作为本发明的一可选实施例,所述校正液包括斜率校正液和漂移校正液,所述响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标的步骤,包括:
根据预设定标方法、所述斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值,其中,所述预设定标方法包括单点定标和两点定标;
获取所述实际斜率值与预设斜率值的第一差值以及所述实际漂移值和预设漂移值的第二差值;
若所述第一差值的绝对值大于第一预设差值,和/或所述第二差值的绝对值大于第二预设差值,根据所述第一差值和/或第二差值,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正;
返回所述根据预设定标方法、所述斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值的步骤,直至所述第一差值的绝对值小于等于第一预设差值,和所述第二差值的绝对值小于等于第二预设差值,则定标通过。
作为本发明的一可选实施例,若所述第一差值的绝对值大于第一预设差值,和/或所述第二差值的绝对值大于第二预设差值,根据所述第一差值和/或第二差值,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正的步骤,包括;
获取所述电解质分析仪的仪器状态参数和操作环境参数,其中,所述仪器状态参数包括电极状态和校正液状态,所述操作环境参数包括环境温度和环境湿度;
将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入预先构建的定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度,其中,所述定标故障原因预测模型基于预设机器学习算法构建,所述预设机器学习算法包括决策树算法、随机森林算法、支持向量机算法;
根据所述置信度,以从大到小的顺序对所述定标故障预测结果进行排序,得到待处理故障列表;
根据所述待处理故障列表,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正。
作为本发明的一可选实施例,所述预设机器学习算法为决策树算法,所述将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入预先构建的定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度的步骤,包括:
获取初始训练数据集,其中,所述初始训练数据集包括多条训练数据,每一条训练数据包括仪器状态参数、操作环境参数、斜率参数和漂移值参数以及对应的定标故障原因;
对所述初始训练数据集进行预处理,得到目标训练数据集;
对所述目标训练数据集中每一参数进行基尼不纯度计算,分别得到所述仪器状态参数、操作环境参数、斜率参数和漂移值参数的基尼不纯度;
根据决策树算法,将基尼不纯度最低的参数作为决策树的根节点,构建初始定标故障原因预测模型;
根据预设比例对所述目标训练数据集进行划分,得到训练集和测试集;
根据所述训练集对所述初始定标故障原因预测模型进行训练,得到中间定标故障原因预测模型;
根据测试集对所述中间定标故障原因预测模型进行评估,得到准确率和召回率;
根据所述准确率和召回率调整所述中间定标故障原因预测模型,得到定标故障原因预测模型;
将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度。
作为本发明的一可选实施例,所述质控样本包括:若干具有已知浓度的随机质控样本、具有未知浓度的室间质控样本、具有第一预设浓度的低值质控样本和具有第二预设浓度的高值质控样本,所述第一预设浓度低于所述第二预设浓度,所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤,包括:
随机选取一所述随机质控样本进行随机质控测试,得到第一测试结果;
根据所述室间质控样本进行室间质控测试,得到第二测试结果;
根据所述低值质控样本进行低值定值质控测试,得到第三测试结果;
根据所述高值质控样本进行高值定值质控测试,得到第四测试结果;
判断所述第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果是否满足预设质控标准;
若不满足,则根据第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果对所述电解质分析仪进行调整,并返回所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤;
若满足,则质控通过。
作为本发明的一可选实施例,所述若不满足,则根据第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果对所述电解质分析仪进行调整,并返回所述响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标的步骤,包括:
对第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果进行分析,得到质控故障原因;
根据所述质控故障原因,对所述电解质分析仪进行调整;
将所述质控故障原因和所述质控故障原因发生时的仪器状态参数、操作环境参数、斜率参数和漂移值参数进行关联,得到实际数据集;
合并所述实际数据集和所述目标训练数据集,得到第二训练数据集;
根据所述第二训练数据集对所述定标故障原因预测模型进行再训练,得到更新后的定标故障原因预测模型;
返回所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤。
作为本发明的一可选实施例,所述根据待检测样本的样本信息对所述待检测样本进行电解质分析,输出分析结果的步骤,包括:
对所述待检测样本进行扫描,获取所述待检测样本的编码信息;
根据所述编码信息,通过LIS实验室信息管理系统获取所述待检测样本的样本信息,所述样本信息包括样本类型和检测项目;
根据所述样本类型,对所述待检测样本进行预处理,得到目标检测样本;
根据所述检测项目,抽取所述目标检测样本进行电解质分析,得到分析结果,自动打印分析结果生成电解质分析报告。
第二方面,本发明实施例提供了一种电解质分析仪智能交互控制系统,系统包括:进样装置、取样装置、分析装置、显示装置和控制器,所述进样装置用于接收待检测样本并获取待检测样本的样本信息,所述取样装置用于选择性地吸取待检测样本或者吸取校正液,分析装置用于对待检测样本进行电解质分析,显示装置用于显示提示信息或分析结果,所述控制器用于执行第一方面所述的电解质分析仪智能交互控制方法。
综上所述,本发明的有益效果如下:
本发明实施例提供的电解质分析仪智能交互控制方法及系统,通过电解质分析仪接收到自检指令,控制电解质分析仪进行自检,自检过程中检查校正液、电极内充液、活化液、清洗液和质控样本等关键试剂的状态,确保试剂质量,增强了整体测试的准确性和可靠性,及时发现并更换不合格的试剂,防止因试剂问题造成的误测;响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标,仅当自检通过后才进行定标,保证定标的前提条件满足,提高后续分析的准确度,减少偏差;响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标,在定标成功后,通过质控样本进行质控校准,进一步确保分析的准确性,通过连续的校准步骤,提高整体分析过程的精准度和重复性;根据样本信息对所述待检测样本进行电解质分析,得到分析结果,利用已经自检、定标和质控校准的设备,对待检测样本进行电解质分析。
综上所述,本发明通过交互控制自检、定标和质控流程,无需依赖于操作人员的经验和手动操作技能,提升了电解质分析仪的自动化程度,且提高了电解质分析效率,并且这不仅提高了分析的准确性和可靠性,还降低了因人为操作失误导致的风险,可以有效提升实验室工作效率,确保患者检测数据的准确性,从而促进更好的临床决策。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,这些均在本发明的保护范围内。
图1为本发明实施例提供的一种电解质分析仪的结构示意图。
图2为本发明实施例提供的电解质分析仪智能交互控制方法的流程示意图。
图3为本发明实施例电解质分析仪进行自检的一流程示意图。
图4为本发明实施例电解质分析仪试剂管理界面的示意图。
图5为本发明实施例电解质分析仪进行自检的又一流程示意图。
图6为本发明实施例电解质分析仪定标界面的示意图。
图7是本发明实施例的电解质分析仪智能交互控制系统的结构示意图。
附图标记:1、电解质分析仪本体;2、打印机;3、触摸显示屏;4、全自动进样架。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
第一方面,本发明实施例提供了一种电解质分析仪智能交互控制方法,请所述电解质分析仪如图1所示,所述电解质分析仪包括用于离子选择性测量的电解质分析仪本体1、用于打印样品测量结果的打印机2、用于触摸屏幕选择设备菜单的触摸显示屏3以及样品放置位的全自动进样架4,纸仓抽出结构,设置于打印机2的内部,用于对打印机2进行防护,送纸结构,设置于纸仓抽出结构的内部,用于自动对纸张的送纸,卷纸结构,设置于送纸结构的一侧,用于对热敏打印纸的放置。
参见图2,本发明实施例1的电解质分析仪智能交互控制方法包括:
S1、电解质分析仪接收到自检指令,控制电解质分析仪进行自检,其中,所述自检包括对预设试剂按预设顺序进行检测,所述预设试剂包括校正液、电极内充液、活化液、清洗液和质控样本;
具体的,自检是确保仪器正常运行的首要步骤。在这一步骤中,电解质分析仪会自动检查其关键组成部分,包括各种试剂和消耗品,预设试剂的检测涵盖了校正液、电极内充液、活化液、清洗液和质控样本。这些试剂对于确保分析仪器的准确性和可靠性至关重要。其中,校正液用于校准仪器,确保测量结果的准确性,电极内充液为电极提供适宜的化学环境,以保证电极的正常工作,活化液用于激活或重新激活电极,以提高其性能,清洗液用于清洁电极和其他仪器部件,防止污染和堵塞,质控样本用于检验分析仪的准确性和一致性;
所述预设顺序可以基于试剂和电极内充液的使用频率和过期风险来设定。经常使用或接近过期的试剂可以被设置为优先检测,优先检测使用频率高的试剂可以确保分析仪在大多数操作时间内处于最佳状态,因为这些试剂最有可能耗尽或变质,通过优先检测接近过期的试剂,可以最大限度地利用这些试剂,避免它们过期后无法使用而造成的浪费;在一实施例中,在保证自检全面性的前提下,可以随机化测试顺序,这样做可以模拟不同的使用情景,确保在各种顺序下仪器都能正常工作。
在一实施例中,所述自检还包括硬件检查,硬件检查用于检查仪器的各个物理组件,如泵、阀门、管道和电极,确保它们没有磨损、堵塞或损坏;数据通信检查,用于验证仪器与外部系统(如实验室信息管理系统)之间的数据通信是否正常。
参见图3,作为本发明的一可选实施例,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检步骤,包括:
S11、获取各所述预设试剂的试剂卡信息,其中,所述试剂卡信息包括试剂类型、生产日期、使用期限和试剂剩余量;
具体的,本步骤收集和分析预设试剂的详细信息,如试剂类型(如校正液、电极内充液等)、生产日期、使用期限和剩余量,通过读取试剂瓶或试剂包装上的条形码或RFID标签来自动获取这些信息,以确保试剂的有效性和充足性,防止使用过期或数量不足的试剂,从而保证测试结果的准确性;
如图4所示,在获取各所述预设试剂的实际卡信息后,还可通过电解质分析仪的显示装置对其进行显示,图4的界面对试剂类型(如校正液、电极内充液等)、生产日期、使用期限和剩余量;
S12、根据所述生产日期和所述使用期限判断各所述预设试剂是否在有效期内;
具体的,在本步骤中系统会自动比较当前日期与试剂的生产日期和使用期限,避免使用过期试剂,因为过期试剂可能会降低测试准确性。
S13、若存在超出有效期的预设试剂或试剂剩余量小于等于剩余量阈值的预设试剂,控制电解质分析仪的显示器显示更换提醒信息,所述更换提醒信息包括待更换试剂类型;
当试剂超出有效期或剩余量不足时,系统会在电解质分析仪的显示器上显示更换提醒,确保操作人员及时更换或补充试剂,从而避免测试中断或结果不准确。
S14、若不存在超出有效期的预设试剂且试剂剩余量大于剩余量阈值的预设试剂,则自检通过。
当所有预设试剂均在有效期内且剩余量足够时,则可判定为自检通过,这些自检步骤提高了电解质分析仪的可靠性和精确性。通过确保试剂的有效性和充足性,可以有效避免测试错误和减少因试剂问题导致的测试延误。这些步骤的自动化实现还提高了工作效率,减少了人为错误的可能性。
参见图5,作为本发明的一可选实施例,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检的步骤,还包括:
S15、响应于试剂卡和预设试剂的更换,对所述试剂卡信息进行更新;
操作人员通过点击图4所示界面的更换试剂按钮,可以进行试剂卡和对应的预设试剂的更换,当试剂被更换时,操作人员首先需要取出待更换的预设试剂的试剂卡,将更换试剂的试剂卡插入后进行预设试剂的更换,试剂卡内存储了关于试剂的详细信息,如生产日期、有效期、批号等,当试剂卡插入分析仪时,仪器自动读取卡内信息,对系统中,试剂卡的信息进行更新,包括新试剂的类型、生产日期、使用期限和剩余量的更新,在一实施例中,在移除旧试剂之前,确保记录下任何必要的信息,如剩余量、过期时间等。
S16、根据更新后的试剂卡信息和待更换试剂类型,判断更换后的预设试剂是否与所述待更换试剂类型匹配;
具体的,本步骤比较更换后的试剂类型与待更换试剂类型,确保正确的试剂被安装,避免由于使用错误类型的试剂而导致的测试错误或损害设备;
S17、若匹配,获取更换后的预设试剂的实际温度;
如果更换后试剂类型匹配,通过内置的温度传感器测量并记录试剂的实际温度,电解质分析仪的试剂仅作为体外诊断使用,通常保存在室温18-25℃,并可冷藏,电解质分析仪中的化学反应通常依赖于特定的温度范围。如果温度不在这个范围内,可能导致反应速度变化或反应不完全,从而影响测试结果的准确性,试剂的标准化处理有助于确保分析结果的一致性和可比性,因此,对更换后的试剂进行温度检测,是确保试剂的适用性、分析的准确性和设备安全的重要步骤。
S18、若不匹配或所述实际温度不属于预设温度范围,则控制所述显示器显示试剂更换失败信息。
如果更换的试剂不匹配或其温度不在预设范围内,系统会在显示器上提示错误信息,以提示确保操作人员能及时纠正错误,避免因试剂问题影响测试结果的准确性和可靠性。
S2、响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标;
具体的,在自检通过后,利用校正液对分析仪的测量系统进行定标,如图6所示,操作人员通过点击血清定标按钮,电解质分析仪接收到定标指令,即可通过所述校正液对电解质分析仪进行定标,定标是调整仪器以便其读数与真实值一致的过程,从而提高测量结果的准确性和重复性,对于保证临床分析结果的可靠性至关重要;定标通常通过单点定标或双点定标实现,单点定标,需要首先保存好斜率校正液的定标数值,然后定标电极漂移液,用测出的电极漂移液数值与保存的斜率校正液数值计算斜率,双点定标是每次都定标电极漂移液与斜率校正液,测量其数值,然后计算斜率;
需要说明的是,本发明电解质分析仪通过显示装置显示的界面不仅限于图4和图6所示的界面,通过图形界面上的按钮,操作人员可以轻松执行复杂操作,无需深入了解仪器的内部工作原理,并且可以通过专用的远程访问软件或网页界面实现对设备的远程操作和监控,远程监控和操作功能使得操作人员能够迅速响应设备的问题或更改设置,提高了处理紧急情况的能力,减少了旅行和现场维护的需要,从而降低了运营成本。
作为本发明的一可选实施例,所述校正液包括斜率校正液和漂移校正液,所述响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标的步骤,包括:
S21、根据预设定标方法、所述斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值,其中,所述预设定标方法包括单点定标和两点定标;斜率校正液用于确定电极对浓度变化的响应灵敏度(即斜率),而漂移校正液则用于评估电极的长期稳定性(即漂移),这些是在定标过程中测得的电极性能参数,反映了电极当前的工作状态和性能;
在单点定标中,斜率是根据一个已知浓度的校正液确定的,设备读取校正液的响应值,然后与已知浓度进行比较,在单点定标中,因为只有一个校正点,所以通常假设斜率是理想值,比如电极对特定离子的理论响应斜率。
双点定标使用两个不同浓度的校正液,设备分别读取两个校正液的响应值,在双点定标中,漂移可以更精确地计算,因为有两个校正点。可以观察这两个点随时间的变化。
S22、获取所述实际斜率值与预设斜率值的第一差值以及所述实际漂移值和预设漂移值的第二差值;
具体的,第一差值为实际斜率值与预设斜率值之间的差异,这是实际斜率值与预设斜率值之间的差异,如果差异大,表明电极对浓度变化的响应不符合预期,可能导致测量误差;第二差值为实际漂移值与预设漂移值之间的差异,漂移值的异常表明电极稳定性不佳,可能会随时间变化而导致测量结果不准确。
S23、若所述第一差值的绝对值大于第一预设差值和/或所述第二差值的绝对值大于第二预设差值,根据所述第一差值和/或第二差值,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正;
如果差值超过预设阈值,设备可以自动调整参数以校正电极,尽量减少人为干预和错误,如果设备无法自动校正,或需要特别注意的情况下,会生成提示信息,提醒操作人员进行手动校正。
具体的,如果第一差值的绝对值超过第一预设差值,可能的原因包括电极膜管上吸附的蛋白过多、环境温度太低或环境湿度过高,电极寿命将至等等;如果差值变化是由温度或湿度引起的,仪器可以自动调整其读数以适应环境变化,对于一些软件相关的问题,如读数偏差,仪器可以通过内置算法进行自我调节;如果差值变化是电极老化或损坏、校正液过期或污染或者硬件电路问题造成,则可生成对应的提示信息,以提醒操作人员对仪器进行校正;
作为本发明的一可选实施例,若所述第一差值的绝对值大于第一预设差值和/或所述第二差值的绝对值大于第二预设差值,根据所述第一差值和/或第二差值,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正的步骤,包括;
S231、获取所述电解质分析仪的仪器状态参数和操作环境参数,其中,所述仪器状态参数包括电极状态和校正液状态,所述操作环境参数包括环境温度和环境湿度;
具体的,收集电解质分析仪的当前工作状态和外部环境信息,以便进行准确的故障分析,仪器内部传感器和控制器手机仪器状态参数和操作环境参数,所述仪器状态参数包括电极状态和校正液状态,所述操作环境参数包括环境温度和环境湿度,电极状态和校正液状态是评估电解质分析仪性能的关键因素,其中,电极状态包括其灵敏度、反应时间、使用寿命、清洁维护记录等,而校正液状态校正液的更换频率、有效期以及存储条件,这些数据决定了校正液的化学性质是否保持稳定,环境温度和环境湿度对电解质分析仪的性能也有重要影响。例如,温度变化可能影响化学反应速率,湿度变化可能影响电极表面的物理状态,通过获取仪器状态参数和操作环境参数,确保了故障分析的准确,帮助区分是仪器内部问题还是外部环境因素导致的问题。
S232、将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入预先构建的定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度,其中,所述定标故障原因预测模型基于预设机器学习算法构建,所述预设机器学习算法包括决策树算法、随机森林算法、支持向量机算法;
具体的,本步骤将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值作为输入参数,输入预先构建的定标故障原因预测模型,所述定标故障原因预测模型基于预设机器学习算法构建,所述预设机器学习算法包括决策树算法、随机森林算法和支持向量机算法,决策树通常计算简单,尤其是当树的深度和分支数量较少时,易于理解和实现,适合处理具有明显决策规则的数据;随机森林由多个决策树构成,因此计算量高于单个决策树,但相对于单个决策树,随机森林提供了更好的准确率和鲁棒性;支持向量机在处理复杂的、非线性的决策边界方面表现良好;
通过将上述参数输入预先构建的定标故障原因预测模型,模型对仪器状态、环境参数、差值等进行分析,并输出预设数量的预测原因和对应的置信度,置信度即该模型认为输出结果正确的概率,从而快速准确地预测故障原因,提高诊断效率,并且通过输出对应的置信度,能够优先处理最可能发生的故障,提高了定标的效率;
作为本发明的一可选实施例,所述预设机器学习算法为决策树算法;
本实施例选择决策树算法作为预设机器学习算法,其优势决策树算法在处理大量数据时运算效率高,且计算量相对较低,适用于需要快速响应的电解质分析仪场景,并且决策树的结果容易理解和解释,这对于诊断故障原因和解释给操作人员非常重要。
S232、将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入预先构建的定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度的步骤,具体包括:
S2321、获取初始训练数据集,其中,所述初始训练数据集包括多条训练数据,每一条训练数据包括仪器状态参数、操作环境参数、斜率参数和漂移值参数以及对应的定标故障原因;
本步骤收集包含各种可能故障和相应参数的数据,作为模型训练的基础,收集历史故障数据,包括仪器状态、环境参数、斜率和漂移值等,以及它们对应的故障原因,确保模型训练覆盖广泛的故障情景,提高预测的准确性。
S2322、对所述初始训练数据集进行预处理,得到目标训练数据集;
本步骤的目的在于清洗、标准化和转换原始数据,确保数据质量和格式适合模型训练,所述预处理包括去除异常值、填充缺失值、进行数据归一化或标准化等,如果数据缺失不严重,可以用平均值、中位数或众数替换,对于更复杂的情况,可以使用k-最近邻(k-NN)或插值方法进行处理,确保数据完整性,避免模型训练时的误差;对于分类数据,使用独热编码(One-Hot Encoding)或标签编码,对于时间序列数据,可能需要转换为时间戳或提取特定时间特征;
S2323、对所述目标训练数据集中每一参数进行基尼不纯度计算,分别得到所述仪器状态参数、操作环境参数、斜率参数和漂移值参数的基尼不纯度;
基尼不纯度是决策树算法中用来衡量数据集的不纯度或混乱程度的一个指标,在决策树的构建过程中,基尼不纯度被用来评估分割点的质量,即决定在哪里分割数据集以构建树的节点,具体的对于给定的数据集D,其中包含多个类别,基尼不纯度可以用以下公式计算:式中,pi是数据集D中第i个类别的相对频率,n是类别的总数;对于每个参数(如仪器状态参数、操作环境参数、斜率参数和漂移值参数),首先确定每个类别在数据集中的相对频率,举例来说而非限定,如果仪器状态参数有三种状态(正常、警告、故障),则计算每种状态出现的频率,对于每个参数,使用上述公式计算基尼不纯度;低基尼不纯度意味着数据集中的元素大多属于同一类别,而高基尼不纯度则表示数据集中包含多种类别,且分布相对均匀;
S2324、根据决策树算法,将基尼不纯度最低的参数作为决策树的根节点,构建初始定标故障原因预测模型;
在构建决策树时,基尼不纯度用于评估不同分割点的有效性。通常选择使得基尼不纯度最大程度降低的分割点作为决策节点。这个过程重复进行,直到满足特定的停止条件,如达到树的最大深度或节点中的数据量小于某个阈值,从而得到初始定标故障原因预测模型。通过这种方式,基尼不纯度帮助确定最佳的树结构,以确保模型在预测时具有较高的准确性和泛化能力。
S2325、根据预设比例对所述目标训练数据集进行划分,得到训练集和测试集;
本步骤中,根据预设比例对目标训练数据集进行划分,得到训练集和测试集,所述预设比例可以是7:3,也可以是8:2或是9:1,所述预设比例可根据实际情况进行设置,例如,数据量不是特别大的情况,采用7:3进行划分,提供了足够的数据用于训练,同时保留了合理数量的测试数据,以较好地评估模型性能;当测试集的大小对模型评估的准确性影响较小的情况可以使用8:2进行划分,提供更多的数据用于训练,有助于模型更好地学习数据的特征,选择哪种比例取决于多种因素,包括数据集的大小、多样性、模型的复杂度和特定应用的需求。
S2326、根据所述训练集对所述初始定标故障原因预测模型进行训练,得到中间定标故障原因预测模型;
本步骤,使用训练集数据对模型进行训练,通过学习训练数据来调整模型参数,获得能够准确预测故障原因的中间定标故障原因预测模型;
S2327、根据测试集对所述中间定标故障原因预测模型进行评估,得到准确率和召回率;
本步骤中,通过测试集对中间定标故障原因预测模型进行评估,得到其准确率和召回率,两者从不同的角度评价模型预测的准确性和可靠性,准确率衡量了模型在所有预测中做出正确预测的能力,高准确率意味着模型在总体上预测得比较准确,召回率衡量了模型捕捉正例(如故障)的能力。对于故障检测来说,高召回率意味着模型能有效地识别大多数真实存在的故障,在故障预测模型中,通常会更加重视召回率,以确保能够捕捉到尽可能多的潜在故障。
S2328、根据所述准确率和召回率调整所述中间定标故障原因预测模型,得到定标故障原因预测模型;
当我们使用准确率和召回率来评估中间定标故障原因预测模型的性能后,接下来就需要根据这些指标来调整模型,以便得到最终的定标故障原因预测模型,调整可包括调整模型的超参数如决策树的深度、叶节点最小样本数等来改善模型性能,如果模型在训练集上表现很好但在测试集上表现不佳,可能是过拟合。这时可以通过简化模型如减少决策树的深度来解决,如果模型在训练集和测试集上都表现不佳,可能是欠拟合,这时可以尝试增加模型复杂度。这些调整是为了使模型更好地符合实际应用中的需求,提高其在实际操作环境中的可靠性和准确性。
S2329、将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度。
最后,仪器状态参数、操作环境参数、第一差值和第二差值被作为输入提供给模型,定标故障原因预测模型使用这些输入参数来预测可能的故障原因,这个过程类似于一个分类任务,其中输入参数是特征,预测的故障原因是标签,模型会为每个可能的故障原因给出一个预测置信度。这个置信度反映了模型对其预测的自信程度。
S233、根据所述置信度,以从大到小的顺序对所述定标故障预测结果进行排序,得到待处理故障列表;
本步骤中,为了对模型认为最可能发生的故障原因,根据模型给出的各个故障原因的置信度(即模型认为该原因正确的概率),按从高到低的顺序进行排序,确保首先处理最可能的故障原因,提高处理效率。
S234、根据所述待处理故障列表,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正。
本步骤中,根据待处理故障列表中的故障原因采取相应的校正措施或提醒操作人员,如果故障是可以自动校正的(如小幅度的环境调整),则由仪器自动完成。如果需要人工干预(如更换电极或校正液),则生成提示信息告知操作人员。
举例来说而非限定,如果定标故障原因预测模型指出故障是由于轻微的环境温度波动引起的,例如温度略微超出理想工作范围,系统可以自动激活内置的温度调节装置,如加热器或冷却器,以将温度调节到理想范围内;如果故障原因是校正液浓度轻微偏离,系统可以自动调节校正液的输入量,以补偿浓度的微小变化;如果检测到样品或试剂的流速不符合预设参数,系统可以调整泵速或阀门开度,以确保流速符合要求,流速的自动调整确保了样品和试剂的正确配比,从而提高了测试结果的准确性。
如果故障预测指出电极已经老化或损坏,系统会生成详细的提示信息,告知操作人员需要更换特定的电极,如果校正液已经过期或用量不足,系统会显示更换校正液的提示,包括需要更换的校正液类型和规格;如果预测模型表明管道堵塞是故障的原因,系统会提示操作人员需要清洁或更换特定的管道部件,及时的人工干预可以防止因管道堵塞引起的测试错误或设备损坏。
通过这些例子,可以看到智能控制系统在自动化和人工干预方面提供了灵活性,以确保电解质分析仪的稳定运行和高准确度。自动校正处理日常小问题,而复杂或重大问题则通过提示信息引导操作人员进行干预,从而维护了整体的操作效率和准确性。
S24、返回所述根据预设定标方法、所述斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值的步骤,直至所述第一差值的绝对值小于等于第一预设差值和所述第二差值的绝对值小于等于第二预设差值,则定标通过。
在这一步骤中,电解质分析仪反复进行斜率和漂移的校正过程,每次使用斜率校正液和漂移校正液,每次校正后,计算电极的实际斜率值和漂移值,然后与预设的斜率值和漂移值比较,以得出第一差值和第二差值,若这些差值的绝对值小于或等于预设的阈值,则认为定标成功;否则,重复校正过程。
通过不断的校正和比较,确保电解质分析仪在进行实际测量前达到高准确度,这个自动化的反馈循环减少了人工干预的需求,提高了工作效率,使得分析仪能够适应不同的环境和操作条件,保持其长期稳定性和可靠性;
S3、响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标;
具体的,在定标通过后,通过质控样本对所述电解质分析仪进行质控校准,定标和质控是实验室分析过程中的两个关键步骤,它们在分析仪器的准确性和可靠性保证上发挥着不同但互补的作用,在定标完成后进行质控,可以验证定标过程是否正确完成,确保仪器根据定标后的设定能够准确测量样本,质控模拟了实际的样本测试条件,有助于确认仪器在日常使用中是否能保持其准确性和一致性,如果仅进行定标而不进行质控,可能无法及时发现和纠正在实际使用中出现的误差,这可能导致数据质量下降。
在一实施例质控通过以下步骤实现,使用已知浓度和成分的质控样本,这些样本的电解质水平已被精确确定,用于评估分析仪的性能,随后用质控样本测试电解质分析仪,记录测量结果,如果测量值与已知值存在显著差异,需要调整分析仪的设置,以确保其准确性。
作为本发明的一可选实施例,所述质控样本包括:若干具有已知浓度的随机质控样本、具有未知浓度的室间质控样本、具有第一预设浓度的低值质控样本和具有第二预设浓度的高值质控样本,所述第一预设浓度低于所述第二预设浓度;所述响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标的步骤,包括:
S31、随机选取一所述随机质控样本进行随机质控测试,得到第一测试结果;
具有已知浓度的随机质控样本用于模拟日常的样本分析场景。这些样本的浓度已知,因此可以直接用来评估仪器对于特定浓度范围内样本的分析准确性,通过使用具有已知浓度的随机质控样本进行测试,得到第一测试结果,来模拟日常样本分析的实际情况,确保仪器在各种随机条件下仍能维持准确度。
S32、根据所述室间质控样本进行室间质控测试,得到第二测试结果;
具有未知浓度的室间质控样本,通常用于实验室间的质量比较。它们的浓度对于操作者来说是未知的,可以用来模拟真实的未知样本测试,使用室间质控样本进行测试,记录第二测试结果,提供了一个与其他实验室或仪器比较的基准,有助于保证结果的一致性和可比性。
S33、根据所述低值质控样本进行低值定值质控测试,得到第三测试结果;
具有第一预设浓度的低值质控样本专门用来测试仪器在低浓度范围内的性能,这对于那些在低浓度下可能会出现变异或不准确读数的分析仪尤为重要,确保仪器能够准确测量低浓度样本,对于一些临床诊断特别重要,比如低钠血症的诊断,使用具有第一预设低浓度的质控样本进行测试,得到第三测试结果,评估和确保仪器在低浓度水平上的准确性和稳定性。
S34、根据所述高值质控样本进行高值定值质控测试,得到第四测试结果;
具有第二预设浓度的高值质控样本用于评估仪器在高浓度水平上的性能,这对于确保仪器不会因高浓度样本而出现读数饱和或精确度下降至关重要,保证仪器在处理高浓度样本时的准确性和可靠性,对于某些病理状态的诊断(如高钾血症)至关重要。使用具有第二预设高浓度的质控样本进行测试,记录第四测试结果,从而测试仪器在处理高浓度样本时的准确性和可靠性。
S35、判断所述第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果是否满足预设质控标准;
本步骤比较测试结果与预设的质控标准,综合评估四个测试结果,确认是否都在可接受的精度和精确度范围内,确保仪器在全浓度范围内均能提供可靠的分析结果;
具体的,预设质控标准通常包括允许的误差范围、特定统计指标的阈值等,对于已知浓度的样本,直接比较测试结果与预设浓度,看是否在允许的误差范围内,使用统计方法(如均值、标准偏差等)来评估一系列测试结果的一致性和稳定性,分析一段时间内测试结果的变化趋势,以识别潜在的性能下降或校准偏差;例如,对于已知浓度的质控样本,测试结果应在预期值的±3%以内,对于一系列重复测试,变异系数应低于预定阈值(例如1.5%),
S36、若不满足,则根据第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果对所述电解质分析仪进行调整,并返回响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标;
根据不满足质控标准的测试结果,分析可能的原因,对仪器设置、校正液的状态、电极的性能等方面的检查,根据分析结果,进行相应的调整。例如,如果是由于校正液过期或质量问题导致的,可能需要更换校正液;如果是电极问题,可能需要清洁、重新激活或更换电极;如果任何测试结果不满足预设标准,需进行进一步分析,可能涉及仪器调整、重复测试或更深入的故障诊断;对所做的调整进行记录,以便于未来的跟踪和质量控制;
调整校正后,使用校正液按照预设的定标方法重新对仪器进行定标再次使用质控样本进行测试,以验证调整和定标的有效性,以有效地确保电解质分析仪的性能和测试结果的准确性。
在一实施例中,所述若不满足,则根据第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果对所述电解质分析仪进行调整,并返回所述响应于自检通过,通过所述校正液对电解质分析仪进行定标的步骤,包括:
S361、对第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果进行分析,得到质控故障原因;
具体的,在不满足首先根据随机质控、室间质控、低值质控和高值质控得到的第一测试结果、第二测试结果、第三测试结果以及第四测试结果进行综合分析,将测试结果与预期范围或既定的质控标准进行比对,以得到导致质控不准确的原因,例如,如果发现高值质控样本的测试结果系统性低于预期值,可能表明电解质分析仪的检测灵敏度降低,通过综合分析不同类型的质控测试结果(随机质控、室间质控、低值和高值质控),可以更准确地识别出设备的性能偏差或故障原因。例如,系统性的偏差可能指向特定的硬件或软件问题。
S362、根据所述质控故障原因,对所述电解质分析仪进行调整;
根据分析结果,对电解质分析仪进行必要的调整,如校准、清洗或更换组件,如果检测到电极性能下降,可能需要进行电极的重新激活或更换,以实现提高分析仪的性能,减少错误结果的发生,提升整体工作效率。
S363、将所述质控故障原因和所述质控故障原因发生时的仪器状态参数、操作环境参数、斜率参数和漂移值参数进行关联,得到实际数据集;
将质控故障原因与发生时的仪器状态参数、操作环境参数、斜率参数和漂移值参数关联,形成实际数据集,质控故障和定标故障通常都与仪器的性能状态、操作环境等因素有关。例如,电极老化、环境温度变化、试剂质量问题等既可能导致质控故障,也可能引起定标故障,质控和定标过程中可能面临的问题通常来源于共同的影响因素(例如仪器磨损、环境条件等),因此这些数据在某种程度上是互通的,可与目标训练数据集进行合并,合并前同样可对实际数据集进行预处理,确保质实际数据集在特征和格式上与定标故障数据兼容。
S364、合并所述实际数据集和所述目标训练数据集,得到第二训练数据集;
将新生成的实际数据集与原有的目标训练数据集合并,形成第二训练数据集,从而扩充训练数据集,增强模型学习新情况的能力;使用质控故障数据可以增加训练集的多样性和丰富性,特别是在实际应用中,某些类型的故障可能比较少见,通过融合不同来源的故障数据,可以增强模型的泛化能力,质控故障数据的加入可以帮助模型学习在更广泛的条件下进行准确预测,提高模型对未知情况的适应性。
S365、根据所述第二训练数据集对所述定标故障原因预测模型进行再训练,得到更新后的定标故障原因预测模型;
使用更新后的第二训练数据集对定标故障原因预测模型进行再训练,在包含新数据的情况下,新的训练数据可能包含原始数据集中未覆盖的新的故障模式,有助于模型更好地识别和应对这些新情况,模型可能会学习到新的故障模式和解决方案,从而提高其预测能力;
S366、返回所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤。
返回到质控校准步骤,允许系统在进行必要的调整后重新评估其性能,形成一个持续改进和优化的循环,这个步骤确保了在设备调整和模型更新后,质量控制和性能评估是持续进行的,从而确保了分析结果的可靠性和准确性;
总结来说,本实施例通过综合分析、设备调整、数据集的扩充和模型的持续优化,形成了一个完整的质量保障和性能提升循环,能够显著提高电解质分析仪的准确性、可靠性和效率。
S37、若满足,则质控通过。
如果所有测试结果均满足预设标准,则质控通过,可以进行下一步的分析;
S4、根据样本信息对所述待检测样本进行电解质分析,得到分析结果。
在自检、定标和质控均结束后,待检测样本将被用于进行电解质分析,以获取分析结果,这个步骤是整个电解质分析仪智能交互控制方法的核心,实际应用于检测样本的电解质水平,首先,准备待检测的样本。这通常涉及将样本置于适当的容器中,并确保样本的体积、温度等因素符合分析要求,将样本的相关信息(如样本类型、采集时间等)输入分析仪,这些信息有助于分析仪根据不同的样本特性选择合适的分析参数和方法,将样本置于电解质分析仪中,仪器将自动进行电解质分析。这包括对样本中特定电解质(如钠、钾、氯等)的浓度进行测量,分析仪将处理测量得到的数据,将其转换为电解质浓度的读数,最终的分析结果将被显示在仪器的界面上或打印出来,供操作人员或医务人员查看。结果可能包括各种电解质的浓度值以及任何相关的警告或备注。
作为本发明的一可选实施例,所述根据样本信息对所述待检测样本进行电解质分析,得到分析结果的步骤,包括:
S41、对所述待检测样本进行扫描,获取所述待检测样本的编码信息;
使用电解质分析仪的扫描设备(如条码扫描器)来识别样本的编码信息。这些编码通常以条码或二维码的形式出现在样本容器上,编码信息通常包含关于样本的关键信息,如样本ID、采集时间等;
S42、根据所述编码信息,通过LIS实验室信息管理系统获取所述待检测样本的样本信息,所述样本信息包括样本类型和检测项目;
LIS(实验室信息管理系统)是一种专门用于实验室数据管理的软件系统,它能够存储、管理和处理大量的实验室测试数据,根据编码信息,LIS系统能够提供具体的样本信息,如样本类型(血液、尿液等)和检测项目(需测量的特定电解质)。
S43、根据所述样本类型,对所述待检测样本进行预处理,得到目标检测样本;
具体的,根据样本类型,决定样本的预处理方法。不同类型的样本可能需要不同的处理方法,例如稀释、温度调整、混合等,以确保样本适合进行电解质分析,从而得到目标检测样本;
作为本发明的一可选实施例,所述根据所述样本类型,对所述待检测样本进行预处理,得到目标检测样本的步骤,包括:
S431、若所述样本类型为尿液样本,根据预设稀释比例和尿液稀释剂对所述待检测样本进行稀释,其中,所述预设稀释比例为1:9;
具体的,尿液样本通常需要稀释以降低样本中的物质浓度,使之适合电解质分析仪的检测范围,预设的稀释比例为1:9,即每单位尿液样本将与九单位稀释剂混合,这个比例是根据常见的电解质浓度和分析仪的灵敏度确定的,可根据实际情况进行调整。
S432、对所述待检测样本的温度检测,得到样本温度;
温度对许多化学和生物化学过程有显著影响,包括在电解质分析中的反应,对样本的温度进行测量,以确保其处于适合分析的温度范围内;
S433、若所述样本温度低于预设样本温度,对所述待检测样本进行升温得到目标检测样本。
如果样本温度低于预设的标准温度(通常是接近室温或体温),则需要对样本进行升温,这是为了确保测试的准确性,因为温度变化可能影响电解质浓度的测量。
S44、根据所述检测项目,抽取所述目标检测样本进行电解质分析,得到分析结果,自动打印分析结果生成电解质分析报告。
本步骤根据检测项目选择相应的分析方法和仪器设置,抽取预处理后的样本,进行具体的电解质分析,并通过打印装置自动对分析结果进行打印,生成电解质分析报告。电解质分析包括钠、钾、氯、钙、二氧化碳等电解质的浓度测量,分析完成后,获取电解质的浓度读数,这些数据将用于临床诊断或科研分析,这个过程通过与LIS系统的集成,提高了数据管理和分析的效率,确保了数据准确性,同时减少了人为错误的可能性,打印得到的电解质分析报告包括患者信息、样本信息、测试项目和结果以及结果解释,结果解释包括异常结果的标记,如果某些电解质水平超出正常范围,通常会特别标注,结果解释还包括可能的解释或备注,对于异常结果,可能会提供一些初步的解释或建议。通过自动化的样本处理和数据获取,实验室工作效率得到显著提升,有助于提高医疗和研究的质量。
实施例2
参见图7,本发明实施例提供了一种电解质分析仪智能交互控制系统,系统包括:进样装置、取样装置、分析装置、显示装置和控制器,所述进样装置用于接收待检测样本并获取待检测样本的样本信息,所述取样装置用于选择性地吸取待检测样本或者吸取校正液,分析装置用于对待检测样本进行电解质分析,显示装置用于显示提示信息或分析结果,所述控制器用于执行上述的电解质分析仪智能交互控制方法。
综上所述,本发明实施例提供的电解质分析仪智能交互控制方法及系统,通过控制电解质分析仪进行自检,其中,所述自检包括预设试剂的检测,自检过程中检查校正液、电极内充液、活化液、清洗液和质控样本等关键试剂的状态,确保试剂质量,增强了整体测试的准确性和可靠性,及时发现并更换不合格的试剂,防止因试剂问题造成的误测;响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标,仅当自检通过后才进行定标,保证定标的前提条件满足,提高后续分析的准确度,减少偏差;响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标,在定标成功后,通过质控样本进行质控校准,进一步确保分析的准确性,通过连续的校准步骤,提高整体分析过程的精准度和重复性;根据样本信息对所述待检测样本进行电解质分析,得到分析结果,利用已经自检、定标和质控校准的设备,对待检测样本进行电解质分析。本发明通过精细化的自检、定标和质控流程,为电解质分析提供了一个全面且高效的控制系统。这不仅提高了分析的准确性和可靠性,还降低了因人为操作失误导致的风险,可以有效提升实验室工作效率,确保患者检测数据的准确性,从而促进更好的临床决策。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种电解质分析仪智能交互控制方法,其特征在于,所述方法包括:
电解质分析仪接收到自检指令,控制电解质分析仪进行自检,其中,所述自检包括对预设试剂按预设顺序进行检测,所述预设试剂包括校正液、电极内充液、活化液、清洗液和质控样本;
响应于自检通过,电解质分析仪接收到定标指令,通过所述校正液对电解质分析仪进行定标,其具体包括:
根据预设定标方法、斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值,其中,所述预设定标方法包括单点定标和两点定标,所述校正液包括斜率校正液和漂移校正液;
获取所述实际斜率值与预设斜率值的第一差值以及所述实际漂移值和预设漂移值的第二差值;
若所述第一差值的绝对值大于第一预设差值,和/或所述第二差值的绝对值大于第二预设差值,根据所述第一差值和/或第二差值,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正,其具体包括:
获取所述电解质分析仪的仪器状态参数和操作环境参数,其中,所述仪器状态参数包括电极状态和校正液状态,所述操作环境参数包括环境温度和环境湿度;
将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入预先构建的定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度,其具体包括:
获取初始训练数据集,其中,所述初始训练数据集包括多条训练数据,每一条训练数据包括仪器状态参数、操作环境参数、斜率参数和漂移值参数以及对应的定标故障原因,所述定标故障原因预测模型基于预设机器学习算法构建,所述预设机器学习算法为决策树算法;
对所述初始训练数据集进行预处理,得到目标训练数据集;
对所述目标训练数据集中每一参数进行基尼不纯度计算,分别得到所述仪器状态参数、操作环境参数、斜率参数和漂移值参数的基尼不纯度;
根据决策树算法,将基尼不纯度最低的参数作为决策树的根节点,构建初始定标故障原因预测模型;
根据预设比例对所述目标训练数据集进行划分,得到训练集和测试集;
根据所述训练集对所述初始定标故障原因预测模型进行训练,得到中间定标故障原因预测模型;
根据测试集对所述中间定标故障原因预测模型进行评估,得到准确率和召回率;
根据所述准确率和召回率调整所述中间定标故障原因预测模型,得到定标故障原因预测模型;
将所述仪器状态参数、所述操作环境参数、所述第一差值和所述第二差值输入定标故障原因预测模型,得到若干定标故障预测结果和对应的置信度;
根据所述置信度,以从大到小的顺序对所述定标故障预测结果进行排序,得到待处理故障列表;
根据所述待处理故障列表,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正;
返回所述根据预设定标方法、所述斜率校正液和漂移校正液对所述电解质分析仪进行定标,得到各电极的实际斜率值和实际漂移值的步骤,直至所述第一差值的绝对值小于等于第一预设差值,和所述第二差值的绝对值小于等于第二预设差值,则定标通过;
响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准,其具体包括:
随机选取一随机质控样本进行随机质控测试,得到第一测试结果,其中,所述质控样本包括:若干具有已知浓度的随机质控样本、具有未知浓度的室间质控样本、具有第一预设浓度的低值质控样本和具有第二预设浓度的高值质控样本,所述第一预设浓度低于所述第二预设浓度;
根据室间质控样本进行室间质控测试,得到第二测试结果;
根据低值质控样本进行低值定值质控测试,得到第三测试结果;
根据高值质控样本进行高值定值质控测试,得到第四测试结果;
判断所述第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果是否满足预设质控标准;
若不满足,则根据第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果对所述电解质分析仪进行调整,并返回所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤,具体包括:
对第一测试结果、所述第二测试结果、所述第三测试结果和所述第四测试结果进行分析,得到质控故障原因;
根据所述质控故障原因,对所述电解质分析仪进行调整;
将所述质控故障原因和所述质控故障原因发生时的仪器状态参数、操作环境参数、斜率参数和漂移值参数进行关联,得到实际数据集;
合并所述实际数据集和所述目标训练数据集,得到第二训练数据集;
根据所述第二训练数据集对所述定标故障原因预测模型进行再训练,得到更新后的定标故障原因预测模型;
返回所述响应于定标通过,电解质分析仪接收到质控校准指令,通过质控样本对所述电解质分析仪进行质控校准的步骤;
根据待检测样本的样本信息对所述待检测样本进行电解质分析,输出分析结果。
2.根据权利要求1所述的电解质分析仪智能交互控制方法,其特征在于,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检的步骤,包括:
获取各所述预设试剂的试剂卡信息,其中,所述试剂卡信息包括试剂类型、生产日期、使用期限和试剂剩余量;
根据所述生产日期和所述使用期限判断各所述预设试剂是否在有效期内;
若存在超出有效期的预设试剂或试剂剩余量小于等于剩余量阈值的预设试剂,控制电解质分析仪的显示器显示更换提醒信息,所述更换提醒信息包括待更换试剂类型;
若不存在超出有效期的预设试剂且试剂剩余量大于剩余量阈值的预设试剂,则自检通过。
3.根据权利要求2所述的电解质分析仪智能交互控制方法,其特征在于,所述电解质分析仪接收到自检指令,控制电解质分析仪进行自检的步骤,还包括:
响应于试剂卡和预设试剂的更换,对所述试剂卡信息进行更新;
根据更新后的试剂卡信息和待更换试剂类型,判断更换后的预设试剂是否与所述待更换试剂类型匹配;
若匹配,获取更换后的预设试剂的实际温度;
若不匹配或所述实际温度不属于预设温度范围,则控制所述显示器显示试剂更换失败信息。
4.根据权利要求1所述的电解质分析仪智能交互控制方法,其特征在于,根据所述待处理故障列表,对所述电解质分析仪进行自动校正或生成提示信息以提醒操作人员对所述电解质分析仪进行校正的步骤包括:
如果定标故障原因为环境温度波动,控制电解质分析仪将温度调节到理想范围内;
如果定标故障原因为校正液浓度偏离,控制电解质分析仪自动调节校正液的输入量,以补偿浓度的变化;
如果定标故障原因为到样品或试剂的流速不符合预设参数,控制电解质分析仪调整泵速或阀门开度;
如果定标故障原因为电极老化或损坏,控制电解质分析仪生成详细的提示信息以告知操作人员需要更换特定的电极;
如果定标故障原因为校正液过期或用量不足,控制电解质分析仪显示更换校正液的提示,包括需要更换的校正液类型和规格;
如果定标故障原因为管道堵塞,控制电解质分析仪显示提示信息,以提醒操作人员需要清洁或更换特定的管道部件。
5.根据权利要求1-4任一项所述的电解质分析仪智能交互控制方法,其特征在于,所述根据待检测样本的样本信息对所述待检测样本进行电解质分析,输出分析结果的步骤,包括:
对所述待检测样本进行扫描,获取所述待检测样本的编码信息;
根据所述编码信息,通过LIS实验室信息管理系统获取所述待检测样本的样本信息,所述样本信息包括样本类型和检测项目;
根据所述样本类型,对所述待检测样本进行预处理,得到目标检测样本;
根据所述检测项目,抽取所述目标检测样本进行电解质分析,得到分析结果,自动打印分析结果生成电解质分析报告。
6.根据权利要求1-4任一项所述的电解质分析仪智能交互控制方法,其特征在于,所述预设机器学习算法还包括随机森林算法和支持向量机算法。
7.一种电解质分析仪智能交互控制系统,其特征在于,系统包括:进样装置、取样装置、分析装置、显示装置和控制器,所述进样装置用于接收待检测样本并获取待检测样本的样本信息,所述取样装置用于选择性地吸取待检测样本或者吸取校正液,分析装置用于对待检测样本进行电解质分析,显示装置用于显示提示信息或分析结果,所述控制器用于执行权利要求1-6任一项所述的电解质分析仪智能交互控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580088.4A CN117288971B (zh) | 2023-11-24 | 2023-11-24 | 电解质分析仪智能交互控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580088.4A CN117288971B (zh) | 2023-11-24 | 2023-11-24 | 电解质分析仪智能交互控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117288971A CN117288971A (zh) | 2023-12-26 |
CN117288971B true CN117288971B (zh) | 2024-02-23 |
Family
ID=89258941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311580088.4A Active CN117288971B (zh) | 2023-11-24 | 2023-11-24 | 电解质分析仪智能交互控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117288971B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202583225U (zh) * | 2012-05-03 | 2012-12-05 | 郭玉杰 | 一种全自动微量元素分析仪 |
CN102914565A (zh) * | 2012-11-14 | 2013-02-06 | 深圳市锦瑞电子有限公司 | 电解质分析仪的定标方法 |
CN104634849A (zh) * | 2015-02-04 | 2015-05-20 | 梅州康立高科技有限公司 | 一种电解质分析仪装置及流路方案 |
CN104678116A (zh) * | 2015-02-15 | 2015-06-03 | 石家庄禾柏生物技术股份有限公司 | 一体式定量采样加试剂装置检测仪的控制系统及控制方法 |
CN106483274A (zh) * | 2016-09-29 | 2017-03-08 | 石家庄禾柏生物技术股份有限公司 | 体外诊断试剂互联网校准和修正质控系统及其实现方法 |
CN108322347A (zh) * | 2018-02-09 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、检测服务器及存储介质 |
CN108520278A (zh) * | 2018-04-10 | 2018-09-11 | 陕西师范大学 | 一种基于随机森林的路面裂缝检测方法及其评价方法 |
CN110023764A (zh) * | 2016-12-02 | 2019-07-16 | 豪夫迈·罗氏有限公司 | 用于分析生物样本的自动分析仪的故障状态预测 |
CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
CN114200151A (zh) * | 2022-02-17 | 2022-03-18 | 宁波海壹生物科技有限公司 | 一种全自动化学发光免疫分析仪管理系统 |
-
2023
- 2023-11-24 CN CN202311580088.4A patent/CN117288971B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202583225U (zh) * | 2012-05-03 | 2012-12-05 | 郭玉杰 | 一种全自动微量元素分析仪 |
CN102914565A (zh) * | 2012-11-14 | 2013-02-06 | 深圳市锦瑞电子有限公司 | 电解质分析仪的定标方法 |
CN104634849A (zh) * | 2015-02-04 | 2015-05-20 | 梅州康立高科技有限公司 | 一种电解质分析仪装置及流路方案 |
CN104678116A (zh) * | 2015-02-15 | 2015-06-03 | 石家庄禾柏生物技术股份有限公司 | 一体式定量采样加试剂装置检测仪的控制系统及控制方法 |
CN106483274A (zh) * | 2016-09-29 | 2017-03-08 | 石家庄禾柏生物技术股份有限公司 | 体外诊断试剂互联网校准和修正质控系统及其实现方法 |
CN110023764A (zh) * | 2016-12-02 | 2019-07-16 | 豪夫迈·罗氏有限公司 | 用于分析生物样本的自动分析仪的故障状态预测 |
CN108322347A (zh) * | 2018-02-09 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、检测服务器及存储介质 |
CN110322085A (zh) * | 2018-03-29 | 2019-10-11 | 北京九章云极科技有限公司 | 一种客户流失预测方法和装置 |
CN108520278A (zh) * | 2018-04-10 | 2018-09-11 | 陕西师范大学 | 一种基于随机森林的路面裂缝检测方法及其评价方法 |
CN114200151A (zh) * | 2022-02-17 | 2022-03-18 | 宁波海壹生物科技有限公司 | 一种全自动化学发光免疫分析仪管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117288971A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107690583B (zh) | 用于确保护理点单次使用测试设备的质量合规性的系统和方法 | |
JP4584579B2 (ja) | バイオメトリック・クオリティ管理プロセス | |
US11846616B2 (en) | Automatic calibration of laboratory instruments | |
US9229015B2 (en) | Accuracy management method | |
EP2433142B1 (en) | System and method for automatic quality control of clinical diagnostic processes | |
CN110023764A (zh) | 用于分析生物样本的自动分析仪的故障状态预测 | |
US20070217949A1 (en) | Quality control system | |
US9280642B2 (en) | Method of managing clinical testing apparatus, clinical testing system, and maintenance management apparatus | |
CN102428445A (zh) | 用于检测联网的诊断临床分析仪的近迫性分析故障的方法 | |
EP2559997A2 (en) | Method and apparatus for capturing and retesting of an online toc excursion sample | |
CN109253748A (zh) | 操作测量站点的方法以及测量站点 | |
JP6945479B2 (ja) | 分析物濃度を決定する方法 | |
CN117288971B (zh) | 电解质分析仪智能交互控制方法及系统 | |
CN114266483B (zh) | 一种基于物联网的危险废物监管系统 | |
US20230119186A1 (en) | Methods, apparatuses and computer program products for predicting measurement device performance | |
JP2010266271A (ja) | 異常原因推定方法、分析システム、情報管理サーバ装置 | |
US20210241888A1 (en) | Point-of-care medical analyzer consumable availability prediction | |
US20230161679A1 (en) | Method of determining application-specific total plausibilities of measured values of at least one measurand measured by a measurement system in a specific application | |
US20240045414A1 (en) | Intelligent mitigation or prevention of equipment performance deficiencies | |
WO2023168359A2 (en) | Diagnostic laboratory systems and methods of updating | |
CN112639886A (zh) | 仪器分析器、数据显示器和显示方法 | |
CN115956205A (zh) | 自动分析装置、推荐动作通知系统及推荐动作通知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |