CN117347646A - 检测体液样本中的瞬态误差 - Google Patents
检测体液样本中的瞬态误差 Download PDFInfo
- Publication number
- CN117347646A CN117347646A CN202311217957.7A CN202311217957A CN117347646A CN 117347646 A CN117347646 A CN 117347646A CN 202311217957 A CN202311217957 A CN 202311217957A CN 117347646 A CN117347646 A CN 117347646A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- analyte
- fluid sample
- concentration
- response curve
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 94
- 210000001124 body fluid Anatomy 0.000 title claims abstract description 81
- 239000010839 body fluid Substances 0.000 title claims abstract description 53
- 239000012491 analyte Substances 0.000 claims abstract description 144
- 230000004044 response Effects 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 100
- 238000010586 diagram Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 26
- 230000000694 effects Effects 0.000 description 14
- 239000008280 blood Substances 0.000 description 13
- 210000004369 blood Anatomy 0.000 description 13
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 11
- 239000008103 glucose Substances 0.000 description 11
- 239000011734 sodium Substances 0.000 description 9
- 229910052708 sodium Inorganic materials 0.000 description 9
- 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 8
- 238000012795 verification Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- CVSVTCORWBXHQV-UHFFFAOYSA-N creatine Chemical compound NC(=[NH2+])N(C)CC([O-])=O CVSVTCORWBXHQV-UHFFFAOYSA-N 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 3
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 238000000275 quality assurance Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229960003624 creatine Drugs 0.000 description 2
- 239000006046 creatine Substances 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 229960001031 glucose Drugs 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 229960000448 lactic acid Drugs 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229940045136 urea Drugs 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- -1 urea ion Chemical class 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
-
- 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
- G01N35/00693—Calibration
-
- 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
- G01N35/00722—Communications; Identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
提供一种用于基于传感器的响应曲线的形状来检测体液样本中瞬态误差的方法。响应曲线由包括描述响应曲线的曲率或斜率的至少一个系数的方程来表示。该方法包括：将系数与系数范围相比较，所述系数范围包括与分析物的已知浓度相对应的响应曲线的系数。该方法还包括基于比较结果来检测瞬态误差。在该方法的一些示例中，由处理瞬态误差检测器执行在非暂时性计算机可读介质中实现的计算机可读指令来进行所述比较和检测。该方法的其他示例基于方程来确定分析物的浓度。有利地，该方法的各种示例可以在测量时和在报告样本结果之前加速瞬态误差的检测。
Description
本申请是基于申请日为2016年3月1日、申请号为201680027606.1、发明创造名称为“检测体液样本中的瞬态误差”的中国专利申请的分案申请。
技术领域
本发明一般涉及用于在测试过程中检测误差的质量保证程序。更具体地，本发明涉及一种基于传感器的响应曲线的形状来检测体液样本中的瞬态误差的方法。
背景技术
由于定点护理(POC)装置的主要用户是非实验室背景下的保健专业人员，因此POC临床分析仪应当被设计为易于使用、低维护、且控制良好。开发这样的系统的关键要求是具有总质量保证(QA)程序，以能够在测试过程的每个阶段(即预分析、分析和后分析)中检测误差。
由马萨诸塞州贝德福德的仪器实验室公司生产的用于测量血气、电解质、代谢物的GEM Premier系列自动临床分析仪和联合测氧仪(CO-Oximetry)中的智能质量管理(iQM)是这种综合QA程序的示例。误差检测的主要方法基于通过过程控制解决方案来监测传感器漂移，并使用漂移限度作为检测误差的控制参数。通过识别特定已知的漂移图案来检测误差源(诸如干扰物质和血块)。
发明内容
本发明克服了现有技术的装置和方法的缺点；并且涉及一种基于传感器的响应曲线的形状来检测体液样本中瞬态误差的方法。根据本文描述的各种实施例，本发明描述了在样本测量期间应用新的传感器响应图案检查来增强误差检测能力。该方法的一些示例基于将传感器响应输出拟合到对数多项式函数来确定拟合系数。拟合系数的大小用作用于检测体液样本中的瞬态误差的样本响应形状的指示器。
一方面，用于检测体液样本中的瞬态误差的系统包括：存储器，其中具有计算机可执行指令；以及至少一个接口，其接收表示传感器的响应曲线并且用于确定体液样本中的分析物的浓度的方程。所述方程包括描述响应曲线的曲率和响应曲线的斜率中任意一个的至少一个系数。该系统还包括瞬态误差检测器，其耦接到存储器和所述至少一个接口。瞬态误差检测器被配置为执行指令，并且将所述至少一个系数与系数范围进行比较，所述系数范围包括与分析物的已知浓度相对应的响应曲线的系数。瞬态误差检测器基于比较结果来检测体液样本中的瞬态误差。
在该系统的其他示例中，表示响应曲线的方程是对数方程和二次方程中的任意一种。
在该系统的一些示例中，对于分析物的给定浓度而言的系数范围包括：平均系数，其根据与分析物的所述给定浓度相对应的响应曲线的系数的平均值来确定。系数范围还包括：下限，其由距平均系数的负数个标准差来限定；以及上限，其由距所述平均系数的正数个标准差来限定。
另一方面，提供有形非暂时性计算机可读存储介质，其具有存储在其中的计算机可读指令以用于检测体液样本中的瞬态误差。由一个或多个处理器来执行计算机可读指令，所述一个或多个处理器设置有方程，所述方程表示传感器的响应曲线且用于确定体液样本中的分析物的浓度，且所述方程包括描述响应曲线的曲率和响应曲线的斜率中的任意一个的至少一个系数，当一个或多个处理器执行指令时，使得一个或多个处理器：将所述至少一个系数与系数范围相比较，所述系数范围包括与分析物的已知浓度相对应的响应曲线的系数。还使得一个或多个处理器基于比较结果来检测体液样本中的瞬态误差。
在有形非暂时性计算机可读存储介质的其他示例中，表示响应曲线的方程是对数方程和二次方程中的任意一种。
在有形非暂时性计算机可读存储介质的一些示例中，对于分析物的给定浓度而言的系数范围包括：平均系数，其根据与分析物的所述给定浓度相对应的响应曲线的系数的平均值来确定。系数范围还包括：下限，其由距所述平均系数的负数个标准差来限定；以及上限，其由距所述平均系数的正数个标准差来限定。
又一方面，用于检测从患者获取的体液样本中瞬态误差的方法包括：在设置有方程的临床分析仪中，所述方程表示传感器的响应曲线且用于确定体液样本中的分析物的浓度，且所述方程包括描述响应曲线的曲率和响应曲线的斜率中的任意一个的至少一个系数，将所述至少一个系数与系数范围相比较，所述系数范围包括与分析物的已知浓度相对应的响应曲线的系数。该方法还包括基于比较结果来检测体液样本中的瞬态误差。通过处理瞬态误差检测器执行在非暂时性计算机可读介质中实现的计算机可读指令来进行所述比较和所述检测。
在该方法的一些示例中，表示响应曲线的方程是对数方程和二次方程中的任意一种。
在该方法的其他示例中，所述方程与由传感器感测的分析物相关联。
在该方法的一些示例中，所述比较包括：将描述响应曲线的曲率的系数与系数范围相比较，以及将描述响应曲线的斜率的系数与不同于所述系数范围的第二系数范围相比较。在这些示例中，所述检测包括：基于描述响应曲线的曲率的系数的比较结果和描述响应曲线的斜率的系数的比较结果来检测体液样本中的瞬态误差。
在该方法的其他示例中，对于分析物的给定浓度而言的系数范围包括：平均系数，其根据与分析物的所述给定浓度相对应的响应曲线的系数的平均值来确定。系数范围还包括：下限，其由距所述平均系数的负数个标准差来限定；以及上限，其由距所述平均系数的正数个标准差来限定。
在该方法的一些示例中，距平均系数的负数个标准差的绝对值与距平均系数的正数个标准差的绝对值是不同的。
在该方法的其他示例中，系数范围的下限和上限相对于分析物的浓度变化是不变的。
在该方法的一些示例中，系数范围的下限和上限中的至少一个随着分析物的浓度变化而变化。
该方法的另一示例还包括：基于与体液样本中分析物的浓度相对应的响应曲线的系数来修正系数范围。
在该方法的一些示例中，根据之前采集的体液样本和标准化溶液中的至少一种来确定分析物的所述已知浓度。
在该方法的其他示例中，系数范围取决于体液样本的矩阵。
该方法的另一示例还包括：基于所述检测的结果、基于方程来确定体液样本中分析物的浓度。
该方法的又一示例还包括基于方程来确定体液样本中分析物的浓度。在该示例中，检测瞬态误差包括基于比较结果来检测分析物的所确定的浓度中的瞬态误差。
该方法的又一示例还包括基于所述检测，向分析仪的用户报告在体液样本中检测到瞬态误差。
在一些示例中，所述报告包括向用户提供视觉报警、听觉报警或其组合。
该方法的另一示例还包括基于所述检测，停止包括确定分析物的浓度的样本测量过程。
该方法的又一示例还包括基于所述检测，向分析仪的用户报告体液样本可能受到瞬态误差影响；并继续包括确定分析物的浓度的样本测量过程。
附图说明
从下面的详细描述和附图中，本发明的这些实施方案和其它方面将很明显，附图旨在说明而不是限制本发明，并且在附图中：
图1a和图1b示出了根据本发明的一个实施例的自动临床分析仪的示例性框图。
图2示出根据本发明的一个实施例的由用于测量血糖浓度的传感器所产生的实验数据的电压-时间的示例性曲线图；
图3示出根据本发明的一个实施例的使用图2的实验数据的一部分的电压-时间log函数的示例性曲线图；
图4是根据本发明的一个实施例的用于预测传感器的终点响应的示例性逻辑流程图；
图5a和图5b是根据本发明的实施例的用于分析样本的示例性逻辑流程图；
图6a和图6b是根据本发明的实施例的用于确定和改进曲线拟合方程的有用性的示例性逻辑流程图；
图7a和图7b是根据本发明的示例性实施例的用于确定和改进曲线拟合方程的有用性的其他示例性逻辑流程图；以及
图8a、图8b和图8c示出根据本发明的一个实施例的由用于测量钠浓度的传感器所产生的实验数据的电压-时间的示例性图形示意。
图9示出根据本发明的一个实施例的处理瞬态误差检测器的示例性框图。
图10是根据本发明的一个实施例的用于检测体液样本中的瞬态误差的示例性逻辑流程图。
图11a至图11c示出根据本发明的一个实施例的从之前采集的样本中产生的系数范围的示例性图形示意。
具体实施方式
通过下面的描述将更全面地理解本发明，这些描述应结合附图来阅读。在本说明书中，本发明各种实施例中相同的附图标记指相似元件。在本说明书内，将关于实施例来说明所要求保护的发明。本领域技术人员将容易地理解，本文描述的方法和系统仅仅是示例性的，并且可以在不脱离本发明的精神和范围的情况下做出改变。
图1a和图1b示出自动临床分析仪102的示例，该分析仪用于测量从患者获取的体液样本(例如，全血)中的分析物(诸如钾、氯化物、钠、血糖、乳酸、肌酸酐、肌酸、尿素、O2、CO2等)。自动临床分析仪通常被配置为与一个或多个传感器140A-140N(在下文中通常被称为传感器140)进行通信。在自动临床分析仪的各种示例中，传感器140可以是电化学传感器，其响应于暴露于分析物而产生电压测量信号或电流测量信号。在各种示例中，第一传感器140A可以响应于体液样本内的第一分析物，第二传感器140B可以响应于体液样本内的第二分析物，并且第n传感器140N可以响应于体液样本内的第n分析物等等。下面提供关于传感器140的更多细节。
操作者(例如，保健专业人员)将体液样本加载到自动临床分析仪102中，并启动针对特定分析物的样本测量过程(分析)。特别地，该操作使用通信地耦接到自动临床分析仪102的用户接口170(诸如键盘和/或鼠标)来启动该过程。在分析分析物的体液样本时，自动临床分析仪102可以检测体液样本中的瞬态误差。瞬态误差(诸如体液样本中的气泡、血块或其他干扰物质)可能导致样本测量误差(例如，分析物浓度误差)。下面描述基于传感器的响应曲线的形状来检测体液样本中的瞬态误差的方法。
传感器140响应于感测体液样本中的分析物来产生信号。所产生的信号可以用于创建传感器的响应曲线(下面更详细地描述)。响应曲线可以在数学上用包括对数和二次方程的方程来表示。这种方程的示例可以包括描述响应曲线的曲率的系数、描述响应曲线的斜率的系数或以上两种系数。
当方程系数落在系数范围内时，响应曲线被定义为具有“良好”形状。当方程系数落在系数范围之外时，响应曲线被定义为具有“不良”形状。当传感器140的响应曲线具有良好的形状时，自动临床分析仪102确定体液样本中没有瞬态误差。当传感器140的响应曲线具有不良形状时，自动临床分析仪102确定体液样本中存在瞬态误差。自动临床分析仪102通知操作者体液样本中是否存在瞬态误差。例如，通过与自动临床分析仪102通信耦接的显示器172向操作者提供通知。
在分析分析物时，自动临床分析仪102还可以基于由传感器140产生的信号来确定分析物的浓度。在一个便捷示例中，根据提高样本吞吐量的方法来确定分析物的浓度，如下面更详细地描述。自动临床分析仪102例如通过显示器172通知操作者分析物的浓度。在一些情况下，当自动临床分析仪102检测到体液样本中的瞬态误差时，自动临床分析仪102停止样本测量过程，并且不对分析物的浓度进行确定。
继续图1a和图1b，自动临床分析仪102包括处理器104、存储器106、处理瞬态误差检测器108、分析物浓度测量应用程序110、瞬态误差检测应用程序128和系数范围库130。在自动临床分析仪102的一些示例中，处理器104包括处理瞬态误差检测器108。存储器106存储分析物浓度测量应用程序110、瞬态误差检测应用程序128以及系数范围库130。下面将更详细地描述自动临床分析仪102的操作，首先讨论处理瞬态误差检测器108和瞬态误差检测应用程序128。在本公开的后半部分中讨论分析物浓度测量应用程序110。
处理瞬态误差检测器(或简称为“瞬态误差检测器”)108运行瞬态误差检测应用程序128。如所示的，瞬态误差检测应用程序128的示例包括比较模块150和检测模块152，它们被配置为执行特定功能或特定任务以基于传感器的响应曲线的形状来检测体液样本中的瞬态误差。其他示例包括更多或更少的模块。下面参照图9的功能框图和图10的流程图来描述瞬态误差检测器108的操作。
图9示出瞬态误差检测器108的示例。瞬态误差检测器108包括如所示的通信耦接的比较模块150和检测模块152。瞬态误差检测器108还包括用于接收表示传感器响应曲线的方程156的接口154。在一些使用情况下，当方程156由分析物浓度测量应用程序110确定时，接口154接收这些方程156。有利的是，这能够实时或近乎实时地检测体液样本中的瞬态误差。例如，在样本测量过程期间，自动临床分析仪102通知操作者检测到的瞬态误差。在其他使用情况下，接口154接收之前确定的方程。当需要批量处理样本(即，多于一个)时，瞬态误差的异步检测可以是有利的。例如，将其它仪器确定的方程发送到自动临床分析仪102来检测瞬态误差。如所示，系数范围库提供用于特定分析物的系数范围158来检测体液样本中的瞬态误差。
图10示出用于检测体液样本中的瞬态误差的示例程序500。在操作502处程序500开始，比较模块150提供有表示响应曲线的方程156。响应曲线用于对体液样本中特定分析物进行感测的传感器，并且为便于参考，响应曲线被称为“被测响应曲线(response curveunder test)”。方程156可以包括描述被测响应曲线的曲率的系数、描述被测响应曲线的斜率的系数或这两种系数。
在操作504处，比较模块150的便捷示例将系数(描述曲率或斜率的系数)与系数范围158相比较。参照图11a更详细地描述比较操作504。具体地，针对感测体液样本中氧的传感器，该图示出示例系数范围602的图形表示。在图的横轴上示出系数值，在图的纵轴上示出氧浓度值。系数范围602包括下限604和上限606，两者都随氧浓度的改变而改变。
如所示，点A的系数值低于下限604，并且在系数范围602之外。点B的系数值高于上限606，并且在系数范围602之外。因为点A和点B在系数范围602之外，所以比较模块150确定具有这些点中任意一点的系数值的被测响应曲线具有不良形状。点C的系数值在下限604与上限606之间，并且在系数范围602内。因为点C在系数范围602内，所以比较模块150确定具有点C的系数值的被测响应曲线具有良好的形状。
返回图9和图10，在操作506处，基于比较结果160(即，被测响应曲线具有良好形状或具有不良形状)，检测模块152检测体液样本中是否存在瞬态误差，并返回检测162(即，检测到瞬态误差或没有检测到瞬态误差)。当被测响应曲线的系数在系数范围内时，检测模块152的便捷示例在体液样本中未识别到瞬态误差。当被测响应曲线的系数超出系数范围时，检测模块152识别体液样本中存在瞬态误差。在操作508处程序500结束，检测模块152返回检测162(即，检测到瞬态误差或没有检测到瞬态误差)。
在判断被测响应曲线具有良好形状还是具有不良形状时，可以通过考虑两个或更多个系数来进一步增强瞬态误差检测器108的有用性。在瞬态误差检测器108的便捷示例中，比较模块150将描述被测响应曲线的曲率的系数与第一系数范围相比较，并将描述被测响应曲线的斜率的系数与第二系数范围相比较。检测模块152基于比较曲率(第一比较)的结果和比较斜率(第二比较)的结果来判断体液样本中是否存在瞬态误差。检测模块152例如通过对它们进行相同或不同的加权来组合这两个结果。在检测过程中包括额外的决定因素或因素是有利的，因为这使得能够利用更大粒度检测瞬态误差。
一旦检测到体液样本中的瞬态误差，自动临床分析仪102的便捷示例就会终止样本测量过程，并通过视觉报警和/或听觉报警(例如，通过图1的监测器172)报告给技术人员(操作者)。报警将瞬态误差检测器108已经检测到体液样本的该分析物的瞬态误差通知给技术人员。自动临床分析仪102的另一个示例继续进行样本测量过程，并通过视觉报警和/或听觉报警(例如，通过图1的监测器172)将该分析物的体液样本结果可能受到瞬态误差影响报告给技术人员(操作者)。
一旦确定体液样本中没有瞬态误差，自动临床分析仪102的另一个便捷示例就基于方程156来确定体液样本中分析物的浓度，如下面更详细地描述。有利的是，当不存在可能导致浓度被不正确地计算的瞬态误差时，可以仅通过计算浓度来节省处理时间和资源。
自动临床分析仪102的另一个示例基于方程156(下面更详细地描述)来确定体液样本中分析物的浓度，并检测体液样本中是否存在瞬态误差。有利地，自动临床分析仪102的该示例在所确定的浓度中识别是否存在瞬态误差，从而提高自动临床分析仪102的有用性。
现在参照图11a至图11c来描述用于从之前采集的样本创建系数范围的过程的示例。之前采集的样本包括体液样本和不同浓度的特定分析物的标准化水溶液。测量之前采集的每种样本的分析物浓度。然后验证样本测量值在允许的分析物精度限度内。显而易见的是，可以根据若干公知技术中的任意一种进行验证，例如，使用若干相同的分析仪来测试相同的样本。该过程的示例不限于任何一种特定的验证技术。
分析在测量之前采集的样本的分析物浓度时产生的响应曲线，包括确定表示响应曲线的方程。对于与具有相似或相同测得分析物浓度的之前采集的样本(例如，浓度±5％的样本被认为是相似的)相关联的方程系数，确定平均系数。不同的测得分析物浓度的平均系数用于确定响应曲线的下限和上限。
参照图11a，图中所示的每个数据点是特定分析物浓度的平均系数。作为示例，对于特定分析物浓度的平均系数608，系数范围602的下限点610被定义为距平均系数608的选定第一数量的负标准差612。系数范围602的上限点614被定义为距平均系数608的选定第二数量的标准差616。在一些示例中，选定数量的标准差(或西格玛)可以在四到六之间。根据分析物，选定第一数量的标准差和选定第二数量的标准差(612,616)可以是相同的(即，具有相同大小)或者也可以是不同的(即，具有不同大小)。对于不同分析物浓度中的每一个，以类似的方式来确定对象浓度处的系数范围602的下限点和上限点。
通过下限点来计算最佳拟合线以确定系数范围602的下限604。通过上限点来计算最佳拟合线以确定系数范围602的上限606。可以看出，下限604和上限606随氧浓度而变化。例如，氧浓度为100时，下限为-30，而上限为+45。当氧浓度变为500时，系数范围的下限变为-85，而上限变为+10。
根据分析物，虽然分析物浓度变化，但是系数范围的下限和/或上限可以不变(即，限度不随分析物浓度变化)。例如，图11b示出了钠的示例系数范围640，其中下限642和上限644不随钠浓度变化。对于钠的所有浓度，下限642固定为-1.75，而上限644固定为3。图11c示出了血糖的示例系数范围660。系数范围660的下限662不随血糖浓度变化且固定为-2。系数范围660的上限664随血糖浓度变化。系数范围660的上限664随着血糖浓度的增加而(近似)线性增大。
现在了解在自动临床分析仪中提高样本吞吐量的方法，该方法包括预测传感器的终点响应时间，该传感器用于分析样本(诸如体液样本)中的分析物并且通过检测曲线拟合方程中的异常点和合格参数来改善测量的可靠性。根据本文描述的各种实施例，本发明描述了如下技术：通过确定根据响应于传感器暴露于样本而由传感器产生的数据信号得到的曲线拟合方程，来外推传感器的终点响应。在各种实施例中，曲线拟合方程将是具有一般形式s(t)＝a(log(t))2+b(log(t))+c的二次对数多项式，其中a、b和c是基于转换的数据点而确定的多项式系数，且s(t)是在特定时间t计算的传感器输出。以这种方式，样本分析系统可不再需要等待传感器终点响应时间的整个持续时间来分析样本，并提供样本中的由传感器测量的分析物的浓度的确定。此外，通过减少传感器响应时间，因此也减少了样本暴露时间、传感器恢复时间(传感器恢复所需的时间)，从而允许更大的吞吐量。
为了进一步说明本教导，提供以下定义。
本文使用的“临界点”是指局部极值点和拐点。
本文所用的“局部极值点”是指函数中一阶导数存在且一阶导数为零的点。
本文所用的“拐点”是指函数中二次导数改变正负号的点。
本文所用的“异常点”是指数值上远离其余数据的样本数据点。
本文所用的“残差”是样本数据点与通过曲线拟合方程获得的估计函数值之间的差。
本文所用的“学生化残差(Studentized residual)”是由残差除以其标准差的估计而得到的量。
本文所用的“DFFITS”是一个表达式，其用于量化在统计回归中点的影响力。在其经典定义中，DFFITS等于学生化残差乘以其中，hii是用于该点的杠杆，杠杆hii被定义为Hat矩阵H的元素hii，其确定由第i个观察点yi对第i个拟合值施加的杠杆量。用于量化在统计回归中点的影响力的其他版本的表达式是指示通过从回归拟合中去除单个点而引起的外推点处的变化的度量。这种度量的示例为(其中55是与外推点相对应的时间)：
用于以log(t)进行线性拟合(其中A是与Hat矩阵相关的矩阵，并定义为A＝(XT*X)-1))
以及
用于以log(t)进行二次拟合。上述表达式是经典DFITTS或DFFITS2的变型。
本文所用的“DFFITS”是指通过从回归拟合中去除单个点而引起的外推点处的变化的度量或经典定义。
本文所用的“Hat矩阵H”有时也被称为投影矩阵，是将观测值的向量映射到拟合值的向量的矩阵。
回到图1a，分析物浓度测量应用程序110通常可以被配置为与传感器140通信。分析物浓度测量应用程序110可以包括一个或多个模块，其被配置为执行特定功能或任务以便确定样本中分析物的浓度。在各种实施例中，分析物浓度测量应用程序110可以包括传感器通信模块112、数据点报告模块114、数据点选择模块116、曲线拟合模块118、外推模块120、验证模块122、分析物浓度报告模块124和曲线拟合质量模块126。应当理解，在各种实施例中，分析物浓度测量应用程序110可以包括用于执行额外任务的额外模块，或者可以仅包括以上所列模块中的一些。
分析物浓度测量应用程序110通常可以被配置为：接收传感器暴露于样本中的分析物时传感器所产生的数据信号，记录从数据信号提取的数据点，根据时间函数尺度来评估数据点(在一个实施例中，根据时间的对数函数尺度来评估数据点)，确定与评估的数据点匹配的曲线，确定可用于外推传感器的终点响应的曲线拟合方程，以及基于外推的传感器的终点响应来精确地估计分析物的浓度。
在各种实施例中，传感器通信模块112可以被配置为接收来自传感器140的数据信号。在传感器可以是电化学传感器的一些实施例中，数据信号可以表示可以以安培来测量的电流测量输出或者以伏特来测量的电压测量输出。在各种实施例中，这些数据信号可以随时间改变，并且通常可以产生随时间最终稳定的输出值。稳定的输出值通常可以是传感器的终点响应。应当理解，可响应于暴露于分析物而产生数据输出信号的任何类型的传感器可以用作传感器140。
数据点记录模块114可以被配置为从所产生的数据信号中捕获和记录数据点。数据点可以存储在自动临床分析仪102的存储器中，或者存储在可由分析物浓度测量应用程序110访问的任何其他存储介质中。在各种实施例中，数据点记录模块114可以在每隔第n固定时段之后记录数据信号的测量值。固定时段可以由分析物浓度测量应用程序110预定义。应当理解，固定时段可以由现有系统的技术限制来定义，并不意在受限于任何特定范围。然而，在一些实施例中，固定时段可以在毫秒到几秒的范围内。在替代实施例中，数据点记录模块114可以在随机时段或可变时段之后记录数据信号的测量值。
数据点选择模块116可以被配置为从记录的数据点中选择相关的数据点。在各种实施例中，数据点选择模块116可以选择这样的数据点：当在时间函数尺度(在一个实施例中，时间的对数函数尺度)上绘制数据点时，可以允许分析物浓度测量应用程序确定与选定数据点紧密拟合并且还导致对传感器终点响应的预测在可接受限度内的曲线。在各种实施例中，可以提供最准确结果的数据点可以从根据经验确定的时间范围中选择，并且可以根据传感器和分析物的特性而变化。
在各种实施例中，数据点选择模块116可以从记录的数据点中选择与动力学区域时间范围相对应的一系列数据点。动力学区域时间范围是指数据点在传感器响应的动力学区域内的任何时间范围。通常，从传感器暴露于分析物时的第一时间至由传感器产生的数据信号实质上不类似于传感器的终点响应的第二时间(即，在传感器响应达到平衡之前)属于动力学区域。换句话说，一旦由传感器产生的数据信号变得实质类似于传感器的终点响应，则正在平衡区域中产生数据信号。在各种实施例中，数据点选择模块116可以选择与动力学区域时间范围的一部分相对应的一系列数据点。在一个实施例中，时间范围可以在传感器暴露于分析物之后约十五秒开始。此外，时间范围可以在传感器暴露于分析物之后约三十秒结束。在下面参照图4提供选择哪些数据点的额外细节。
在一个实施例中，曲线拟合模块118可以被配置为将所选定的数据点转换为时间函数尺度(在一个实施例中，时间的对数函数尺度)，使得可以根据时间函数尺度来评估转换后的数据点。然后，曲线拟合模块可以确定与评估的数据点紧密匹配的曲线。曲线拟合模块可以使用传统的曲线拟合方法，诸如回归分析法或最小二乘法。
在各种实施例中，描述曲线的方程(也被称为曲线拟合方程)是时间函数(在一个实施例中，该时间函数为时间的对数(log(t)))的多项式，且提供时间函数(在一个实施例中，该时间函数是时间的对数)的临界点发生时的预定值，该预定值提供多项式系数之间的关系。
在各种实施例中，曲线拟合模块118可以在时间的对数函数尺度上绘制选定的数据点，并且确定与绘制的数据点紧密匹配或紧密拟合的曲线。
在确定曲线时，曲线拟合模块可以确定与该曲线相对应的曲线拟合方程。在各种实施例中，曲线拟合方程具有形式s(t)＝a*(log(t))2+b*log(t)+c，其中t表示时间，a、b和c是二次多项式的拟合参数，临界点是极值点，且预定值(V)提供拟合参数b、a之间形式为b＝-2aV的关系；基于初始传感器响应来确定拟合参数a和c。针对所使用的每个传感器配置而通过经验确定的a、b和c的精确值部分地取决于分析物的浓度、样本大小、温度、传感器装置设置的几何结构和其他参数。
在一个示例中，选择临界点发生时的预定时间值作为期望终点的时间，本发明不限于这种情况。在其他情况下，可以选择超过终点时间的时间作为预定时间，本发明不受其限制。
外推模块120可以被配置为通过针对在曲线的平衡区域内的时间求解曲线拟合方程来外推传感器的终点响应。在各种实施例中，分析物浓度测量应用程序102可以利用经验方法来确定在曲线的平衡区域内的时间，然后将确定的平衡区域时间存储为用来求解曲线拟合方程所用的预定时间。
验证模块122可以被配置为通过确定变异系数(CV)和决定系数(R2)来验证所计算的终点响应。用于确定变异系数(CV)和决定系数(R2)的以下公式是本领域公知的，并且可以由验证模块122来使用以验证所计算的终点响应。
CV＝标准差(yi)/平均值(yi)；且
R2＝l-(求和((yi-fi)2)/(求和((yi-平均值(yi))2)；
其中yi和fi分别是在指定时间处的观测值和计算值。
曲线拟合质量模块126可以被配置为确定和改善与分析物相对应的曲线拟合方程的有用性。在一个或多个实施例中，曲线拟合质量模块126可以被配置为在已经获得曲线拟合方程之后，执行本文下面描述的分析。曲线拟合质量模块126可以被配置为确定具有最大残差的异常点候选。可以使用用于确定具有最大残差的异常点候选的传统方法，诸如学生化残差方法或Dixon方法。一旦具有最大残差的异常点候选被选定，则将异常点候选的残差与残差限度相比较。可以根据以往的经验、分析考虑或其他方法预先确定残差限度。如果异常点候选的残差超过残差限度，则异常点候选被分类为异常点。如果过去具有最大残差的异常点候选的残差小于或等于残差限度，则曲线拟合质量模块126可以将操作传递给另一个模块，因为具有类似残差的其他残差候选也将在残差限度内。如果异常点候选被分类为异常点，则曲线拟合质量模块126被配置为获得异常点对曲线拟合方程的参数的影响的度量。可以使用用于获得异常点的影响的度量的传统方法(诸如但不限于，Cook距离、DFFITS和DFBETAS等)。将异常点的影响的度量(measure)与预定度量限度相比较。可以从以往经验、分析考虑或其他方法来预先确定度量限度。如果异常点的影响的度量超过预定度量限度，则初始被设置为零的异常点计数递增，将异常点计数与预定异常点限度相比较，并从数据点中去除异常点。通过从数据点去除异常点或异常点候选来获得修改后的数据点集，并再次执行上述分析。
应当理解，通过本公开，样本暴露时间随着传感器响应时间的减少而减少。由于样本暴露时间的减少，可以缩短传感器(特别是酶传感器，包括但不限于用于测量血糖的传感器和用于测量乳酸盐的传感器)的恢复时间。由于传感器可以更快地恢复，所以可以实现更大的吞吐量。
示例
提出以下示例性实施例以进一步阐明本发明，但是应当注意，本发明不仅限于示例性实施例。
分析物浓度记录模块124使用计算的终点响应来确定样本内分析物的浓度，并且如果验证模块122确定CV和R2在不可接受限度内，则利用标记来报告分析物浓度。相反，如果CV和R2在可接受限度内，则分析物浓度记录模块124可以报告分析物的浓度而不进行标记。根据本发明的方法可以测量的分析物包括但不限于，例如血细胞比容、钙、钾、氯化物、钠、血糖、乳酸、肌酸酐、肌酸、尿素的离子浓度，02和/或CO2的分压或者传感器为其存在的任何其他分析物。在各种实施例中，标记可以是可由视觉表示(如标记、符号)或由听觉表示(如嘟嘟声、音调)或者以任何其他表现形式的数据比特，其可以向用户指示CV或R2在不可接受限度内。
现在参照图2，示出了用于测量血糖浓度的传感器产生的实验数据的电压-时间的示例性曲线图。特别地，该图示出了从传感器140产生的数据信号中捕获的一系列数据点202A-202N。数据点表示输出值，诸如电压、电流或电荷。在各种实施例中，来自所产生的信号的数据点可以随时间来记录并且相对时间来绘制。图2所示的曲线是通过相对于时间来绘制所记录的数据点202A-202N而产生的。在本实施例中，每隔一秒记录数据点。然而，在各种实施例中，可以以小于或大于一秒的时间间隔来记录数据点。
应当理解，通过以小于一秒的时间间隔来记录数据点，产生更多的数据，这可以实现更精确的图，但是还可以利用取决于系统资源的额外的计算资源，这可能是不期望的。可选地，以实质超过一秒的时间间隔来记录数据点可以提供不太准确的图。在任何情况下，数据点之间的时间间隔的长度是可以基于各种因素(诸如传感器的终点响应时间、关于计算资源的限制、传感器和分析物的性质等)来确定的实施选择。
现在参照图3，示出了使用图2的一部分实验血糖数据的电压-时间对数函数的示例性曲线图。如上所述，一旦记录了与从传感器接收到的数据信号相对应的数据点，数据点选择模块116可以从记录的数据点中选择相关的数据点。然后选定的数据点可以被转换成对数尺度，诸如底数10或自然对数。在将数据点转换成对数尺度时，转换的数据点302A-302N被绘制为电压值-时间的对数函数。
如图3所示，在电压-时间的对数函数尺度上绘制转换的数据点302A-302N时，可以示出曲线图300。这允许曲线拟合模块118确定与转换的数据点302A-302N紧密匹配的曲线306。然后，曲线拟合模块118可以基于曲线306来确定比传感器技术中使用的现有曲线拟合方程简单的曲线拟合方程。现有曲线拟合方程需要找到非线性方程的根，而本文公开的技术不需要找到这种根。找出非线性方程的根是计算密集型的，当用具有高吞吐量的系统进行处理时，问题的严重性变得更加明显。因此，通过利用不需要找到非线性方程的根的曲线拟合方程，自动临床分析仪10需要比现有系统更少的计算资源。这转化为相对于现有系统的各种优点，包括但不限于，增加吞吐量，降低制造成本以及物理和能量足迹更小。此外，应当理解，因为可以在不必绘制数据点或绘制拟合数据点的曲线的情况下确定曲线拟合方程，所以可以不需要显示步骤。
根据各种实施例，曲线拟合方程通常可以是具有以下一般形式的二次对数方程：
s(t)＝a(log(t))2+b(log(t))+c，
其中a、b和c是基于转换的数据点确定的多项式系数，s(t)是在特定时间t处计算的传感器输出。在一个实施例中，提供了发生临界点的时间对数的预定值，该预定值提供多项式系数之间的关系。对于所使用的每个传感器配置，通过实验或分析(例如，使用回归分析)而确定的a、b和c的精确值部分地取决于分析物的浓度、样本大小、温度、传感器换能器设置的几何结构和其它参数。在一种情况下，临界点是极值点，且预定值(V)提供拟合参数b和a之间形式为b＝-2aV的关系；通过曲线拟合技术(诸如但不限于，回归分析和最小二乘法)、基于传感器响应来确定拟合参数a和c。一旦确定了用于传感器配置的值a、b和c，曲线拟合方程就可以用于快速估计样本中分析物的浓度。根据本发明，不需要等待传感器提供其最终读数来确定分析物浓度。
应当理解，要转换的数据点的选择在确定曲线拟合方程的精度方面起重要作用。虽然传统观点表明，用于确定曲线拟合的数据点数量越多越好。
本发明公开了这种观点并不一定是正确。更确切地说，选择数据点的范围可以起到更重要的作用。在各种实施例中，被选定转换成时间的对数函数尺度的数据点是在分析物首次暴露于传感器之后15-30秒所产生的数据点。在其他实施方案中，使用在分析物首次暴露于传感器之后15-35秒的数据点，但却没有显著提高精度。类似地，使用分析物首次暴露于传感器后10-25秒的数据点，但是产生了一些不够准确的结果。应当理解，选定的数据点可以基于传感器和分析物的类型、终点响应时间等因素而变化。在各种实施例中，用于选择数据点的时间范围可以通过经验方法来确定。
如上所述，可以通过针对在传感器响应曲线的平衡区域内的时间求解方程来计算传感器的终点响应值。一旦使用曲线拟合方程计算了终点分析物相关值，则使用例如包括校准值(例如定量、校准点、差值等)的方法将终点响应值转换为与分析物浓度相对应的值。
现在参照图4，示出了用于估计样本中分析物浓度的示例性逻辑流程图。在操作402处程序400开始，其中传感器140暴露于含有分析物的样本。如上所述，电化学传感器140可以响应于样本中分析物的浓度水平。
程序400从操作402进行到操作404，其中传感器140可以响应于暴露于分析物而产生一个或多个数据信号。在各种实施例中，数据信号可以是电压、电流、电荷或任何其它类型的可测量输出。在传感器140暴露于分析物时，由传感器140连续地产生这些数据信号。
程序400从操作404进行到操作406，其中数据点记录模块114可以记录来自数据信号的数据点。记录这些数据点的间隔可以通过传感器的类型、分析物的量、样本大小、温度等因素来确定。在一个实施例中，每隔一秒记录数据信号。然而，应当理解，记录这些数据点的频率可以大于或小于每秒一个数据点。数据点可以被存储在自动临床分析仪102的存储器内，或者可以被远程存储在可由分析物浓度测量应用程序110访问的位置。
程序400从操作406进行到操作408，其中数据点选择模块116可以选择由数据点记录模块114记录的一部分数据点。在各种实施例中，数据点选择模块116可以选择这样的数据点，使得在绘制这些点时，可以帮助确定具有方程的曲线，在将来外推到时间时，该方程产生接近于传感器140的实际结果的结果。在各种实施例中，数据点选择模块116可以选择任意数量的数据点。在选择数据点时，数据点选择模块116必须考虑补偿平衡。选择太多数据点也可能增加异常点的数量，这可能不利地影响曲线拟合的准确性，以及选择在时间上过远的数据点可能会延迟自动临床分析仪102确定分析物浓度的时间。特别地，选择记录的前几个数据点可能会导致自动临床分析仪102产生不准确的结果。这是因为当传感器140最初暴露于分析物时，传感器140可能产生噪声信号等不期望的影响。因此，基于经验方法，从传感器140的初始响应之后的动力学区域选择的数据点可以产生最准确的结果，同时平衡在最短时间内确定分析物浓度的需要，而不会严重影响精度。
程序400从操作408进行到操作410，其中曲线拟合模块118将具有与特定时间相对应的输出值的选定数据点转换成以时间的对数函数为单位。在各种实施例中，对数尺度的底数可以是底数10或自然对数(In e)。通过这样做，由绘制的转换数据点所产生的曲线可以更准确，并且利用比现有曲线拟合方程更少的数据点。
程序400从操作410进行到操作412，其中曲线拟合模块118可以在图上绘制转换的数据点。在各种实施例中，Y轴是从传感器140产生的数据信号所采集的输出值，X轴是时间的对数函数。程序400从操作412进行到操作414，其中曲线拟合模块118可以确定所绘制曲线的曲线拟合方程。在各种实施例中，曲线拟合模块118可以确定曲线拟合方程，其是具有形式s(t)＝a(log(t))2+b(log(t))+c的二次对数多项式，其中a、b和c是基于转换的数据点而确定的多项式系数，s(t)是在特定时间t处计算的传感器输出。针对所使用的每个传感器配置而通过实验或分析确定的a、b和c的精确值部分地取决于分析物的浓度、样本大小、温度、设置的几何结构和其他参数。应当理解，曲线拟合模块可以不需要绘制数据点来确定与数据点拟合的曲线。在一些实施例中，曲线拟合模块118能够在不必绘制数据点的情况下确定与数据点拟合的曲线。可以使用市售的曲线拟合软件来确定与选定数据点拟合的曲线和对应的方程。
程序400从操作414进行到操作416，其中外推模块120通过针对落入平衡区域内的时间求解曲线拟合方程来外推计算出的传感器140的终点响应。程序400从操作416进行到操作418，其中验证模块122验证终点响应的准确性。根据一些实施例，验证过程包括使用上面提出的CV和R2的公式来确定变异系数(CV)和决定系数(R2)。
程序400从操作418进行到操作420，其中验证模块122确定CV和R2是否在由自动临床分析仪102预定义的可接受限度内。在各种实施例中，这些限度可以允许CV和R2落在本领域普通技术人员已知的可接受范围内。在一个实施例中，这些限度可以允许R2落在0.98与1之间。决定系数(R2)表示数据与曲线拟合函数匹配得怎么样。R2的值越接近，匹配得越好。
如果在操作420处，验证模块122确定CV、R2或CV和R2两者都不在可接受限度内，则程序400进行到操作422，其中分析物浓度报告模块124使用外推的终点响应来确定分析物的浓度，并利用指示结果未落入可接受限度内的标记来报告分析物浓度。
然而，如果在操作420处，验证模块122确定CV和R2两者都在可接受限度内，则程序400进行到操作424，其中分析物浓度报告模块124使用外推的终点响应来确定分析物的浓度，并且不用标记来报告分析物浓度。从操作422和424起，程序400在操作426处结束。
根据各种实施例，可以期望的是，提供用于校准传感器140的系统。用于测量分析物浓度的自校准系统可以用于在制造传感器时校正不精确性，从而减少制造的时间和成本。此外，自校准系统可以用于补偿由传感器或自动临床分析仪102的其他部件产生的小幅度噪声。
参照图5a，其中示出了用于确定和改善曲线拟合方程的有用性的示例性流程图。程序400的另一示例在操作402处开始，其中传感器140暴露于含有分析物的样本。如上所述，电化学传感器140可以响应于样本中分析物的浓度水平。
程序400从操作402进行到操作404，其中传感器140可以响应于暴露于分析物而产生一个或多个数据信号。在各种实施例中，数据信号可以是电压、电流、电荷或任何其它类型的测量输出的形式。在传感器140暴露于分析物时，由传感器140连续产生这些数据信号。程序400然后通过操作406至410进行，如上文所述。
程序400从操作410进行到操作415，其中为选定的数据点确定曲线拟合方程。曲线拟合方程可以通过传统方法(诸如但不限于，回归分析或最小二乘法)来确定。根据各种实施例，曲线拟合方程通常可以是具有一般形式的二次对数方程：
s(t)＝a(log(t))2+b(log(t))+c，
其中，a、b和c是基于转换的数据点而确定的多项式系数，s(t)是在特定时间t处计算的传感器输出。在一个实施例中，提供了发生临界点的时间对数的预定值，该预定值提供多项式系数之间的关系。针对所使用的每个传感器配置通过实验或分析(例如，使用回归分析)确定的a、b和c的精确值部分地取决于分析物的浓度、样本大小、温度、传感器换能器设置的几何形状以及其它参数。在一种情况下，临界点是局部极值点，并且预定值(V)提供拟合参数b和a之间形式为b＝-2aV的关系，基于传感器响应来确定拟合参数a和c。
程序400从操作415进行到操作416，其中外推模块120通过针对落入平衡区域内的时间求解曲线拟合方程来外推计算出的传感器140的终点响应。程序400从操作416进行到操作430，其中曲线拟合质量模块126确定并改善曲线拟合方程的有用性。在图6a、图6b、图7a、图7b中示出了操作430的逻辑流程图的实施例。
在图5b中示出用于分析分析物数据的逻辑流程图的另一实施例。如上所述，仅使用图1所示的自动临床分析仪102中的一些模块的实施例在本发明的范围内。存在许多这样的自动临床分析仪，其中即使曲线拟合方程不用来进行外推，在这些自动临床分析仪中也可以使用描述用于数据点的拟合的曲线。在图5b所示的实施例中，省略了操作416以强调其中没有外推的实施例也在这些教导的范围内。
在图6a和图6b中示出用于确定和改善曲线拟合方程的有用性的逻辑流程图的一个实施例。参照图6a，其中所示的逻辑流程图开始于曲线拟合和数据点，所述曲线拟合和数据点从图5a或图5b所示的流程图获得，或者等价地从图1中的数据点记录模块114、数据点选择模块116和曲线拟合模块118获得。异常点计数最初被设置为零。确定具有最大残差的异常点候选(操作440)。然后，逻辑流程图继续，以将异常点候选的残差与预定残差限度相比较(操作444)。然后将异常点候选的残差与预定残差限度相比较。如果具有最大残差的异常点候选的残差小于或等于预定残差限度，则操作停止，因为任何其他异常点候选将具有较小的残差并且将在预定残差限度内。如果异常点候选的残差大于预定残差限度，则具有最大残差的异常点候选被分类为异常点(操作448)。然后逻辑流程图继续，以获得异常点对曲线拟合方程的参数的影响的度量(操作450)。在图6b中逻辑流程图继续。参照图6b，将在操作450中获得的异常点对曲线拟合方程的参数的影响的度量与预定度量限度相比较。如果异常点对曲线拟合方程参数的影响的度量与预定度量限度的比较表明异常点对曲线拟合方程的参数有显著影响，则异常点增加1(操作454)，将异常点计数与预定异常点数量限度相比较(操作458)，并从数据点去除异常点(操作460)。如果异常点计数大于异常点数量，则识别数据集以供检查。然后，逻辑流程图形成一组新的数据点，其中去除了异常点(操作464)。在一个示例中，在曲线拟合模块118中使用该组新的数据点来获得用于曲线拟合方程的一组新的曲线拟合参数。然后，逻辑流程图返回，以为这组新的数据点确定具有最大残差的新的异常点候选(操作440，图6a)。如果异常点对曲线拟合方程的参数的影响的度量与预定度量限度的比较表明异常点对曲线拟合方程的参数没有显著影响，则逻辑流程图继续，以形成一组新的数据点，其中去除了异常点候选(操作464)。在一个示例中，在曲线拟合模块118中使用该组新的数据点来获得用于曲线拟合方程的一组新的曲线拟合参数。然后，逻辑流程图返回，以为这组新的数据点确定具有最大残差的新的异常点候选(操作440，图6a)。虽然如果异常点超过预定异常点数量限度，该程序400可以停止，但是程序400的其他示例会继续，直到已经识别到所有异常点。
在图7a和图7b中示出用于确定和改善曲线拟合方程的有用性的逻辑流程图的示例性实施例。参照图7a，其中所示的逻辑流程图开始于曲线拟合和数据点，所述曲线拟合和数据点从图5a或图5b所示的流程图获得或者等价地从图1中的数据点记录模块114、数据点选择模块116和曲线拟合模块118获得。异常点计数最初被设置为零。异常点计数最初被设置为零。确定具有最大学生化残差的异常点候选(操作470)。然后，逻辑流程图继续，以将异常点候选的学生化残差与预定学生化残差限度相比较(操作474)。如果具有最大学生化残差的异常点候选的学生化残差小于或等于预定学生化残差限度，则操作停止，因为任何其他异常点候选将具有更小的学生化残差并且将在预定残差限度内。如果异常点候选的学生化残差大于预定学生化残差限度，则具有最大学生化残差的异常点候选被分类为异常点(操作478)。然后，逻辑流程图继续，以获得该异常点的DFFITS值(操作480)。在图6b中逻辑流程图继续。参照图7b，将在操作480中获得的异常点的DFFITS值与预定DFFITS限度相比较。如果异常点的DFFITS值与预定DFFITS限度的比较表明异常点对曲线拟合方程的参数有显著影响，则异常点计数增加1(操作484)，将异常点计数与预定异常点数量限度相比较(操作488)，并且从数据点中去除异常点(操作490)。如果异常点计数大于异常点数量，则识别数据集以供检查。然后，逻辑流程图形成一组新的数据点，其中去除了异常点(操作494)。在一个示例中，在曲线拟合模块118中使用该组新的数据点来获得用于曲线拟合方程的一组新的曲线拟合参数。然后逻辑流程图返回，以为该组新的数据点确定具有最大学生化残差的新的异常点候选(操作470，图7a)。如果异常点的DFFITS值与预定DFFITS限度的比较表明异常点对曲线拟合方程的参数没有显著影响，则逻辑流程图继续，以形成一组新的数据点，其中去除了异常点候选(操作494)。在一个示例中，在曲线拟合模块118中使用该组新的数据点来获得用于曲线拟合方程的一组新的曲线拟合参数。然后，逻辑流程图返回，以为该组新的数据点确定具有最大残差的新的异常点候选(操作470，图7a)。尽管如果异常点计数超过预定异常点数量限度，该程序400可以停止，但是程序400的其他示例继续，直到已经识别到所有异常点。
图8a中示出了由测量钠浓度的传感器产生的实验数据的电压-时间的示例性图形代表示意。该示例性图形代表示意示出了从钠传感器140产生的数据信号中捕获的一系列数据点。其中所示的数据点表示以毫伏示出的输出值以用于，在该示例性图形代表示意中以毫伏示出。从曲线拟合模块118获得类型为ax2+bx+c(其中a＝0)的曲线拟合方程。对于示例性图形代表示意，曲线拟合方程为-0.1126x-280.24。在本文下面公开的示例性实施例中，通过确定具有最大学生化残差的数据点来确定具有最大残差的异常点候选，以及通过获得DFFITS值(在该示例性实施例中，DFFITS是指表示通过从回归拟合中去除单个点导致的外推点变化的度量)来获得对异常点的影响的度量。绝对值学生化残差限度为5；绝对值高于该绝对值的学生化残差，我们视为异常点。DFFITS限度的绝对值为0.04；任何高于该限度的DFFITS绝对值将表明异常点对曲线拟合方程的参数有显著影响，并且应当被去除。异常点的最大数量被设置为2。如果样本有两个以上异常点，则样本将被留下来以供检查，因为认为该样本可能是错误的。以下的表1显示了针对进行测量的每次更新时间处的传感器输出、学生化残差和DFFITS值。
表1
从表1可以看出，时间28秒处的学生化残差具有最大绝对值-33.7，并且该最大绝对值的学生化残差高于学生化残差的绝对限度。时间28秒处的值被分类为异常点。具有最大绝对值的学生化残差的DFFITS值为0.499，并且在DFFITS限度之外。然后去除该异常点。异常点计数被设置为1。
图8b示出了图8a中的数据的示例性图形示意，其中时间28秒处的异常点被去除。针对在时间28秒处的异常点被去除的数据集，从曲线拟合模块118获得类型为ax2+bx+c(其中a＝0)的曲线拟合方程。对于所示的示例性图形示意，曲线拟合方程为0.9299x-281.55。从下面的表2可以看出，在时间16秒处的学生化残差具有最大绝对值-38.7，并且具有最大绝对值的学生化残差高于学生化残差绝对限度。时间16秒处的值被分类为异常点。具有最大绝对值的学生化残差的DFFITS值为-0.5，并且在DFFITS限度之外。然后去除该异常点。异常点计数被设置为2。
表2
图8c示出了图8a中的数据的示例性图形示意，其中时间28秒处的异常点被去除，且时间16秒处的异常点被去除。针对时间28秒处的异常点被去除且时间16秒处的异常点被去除的数据集，从曲线拟合模块118获得类型为ax2+bx+c(其中a＝0)的曲线拟合方程。对于所示的示例性图形示意，曲线拟合方程式为0.7705x-281.33。从下面的表3可以看出，所有的学生化残差值都在限度内，且不需要DFFITS计算。异常点计数不高于异常点数量限度。
表3
在异常点检测完成后，将最后一组拟合参数a＝0、b＝0.7705和c＝-281.33中的每个拟合参数与对应的拟合参数限度相比较。如果这些参数中的任意一个参数在该参数的拟合参数限度之外，则样本将被留下来以供检查，因为认为该样本可能是错误的。如果所有三个参数都在对应的拟合参数限度内，则进行外推，并且将报告样本的结果。对于图8a至图8c所示的示例性实施例，参数“b”的拟合参数限度为从0.6至1.0，参数“c”的拟合参数限度为从-290至-260。将最后一组拟合参数a＝0，b＝0.7705和c＝-281.33中的每个拟合参数与拟合参数限度相比较，来自最后一组拟合参数中的每个拟合参数在对应的拟合参数限度内。然后报告样本值。应该注意的是，如果将来自前两组拟合参数的拟合参数与对应的拟合参数限度相比较，则发现拟合参数在拟合参数限度之外。
根据各种实施例，本文提出的公开内容可以用于减少用于确定电化学传感器的重要响应时间的时间。在一些实施例中，电化学传感器可以用在扩散控制响应环境中，诸如用来计算p02、pC02、血糖和乳酸盐的浓度水平。此外，该方法还可以用于离子选择性电极(诸如Na、K、Cl和Ca)的终点检测。虽然一些传感器通常表现出快速响应，因此可能不需要终点传感器响应预测，但是曲线拟合仍然可以是有用的，并且确定和改善曲线拟合方程仍然很重要。
Claims (21)
1.一种用于检测从患者获取的体液样本中瞬态误差的方法，所述方法包括：
在临床分析仪中，将传感器暴露于含有分析物的体液样本，以用于确定所述体液样本中的分析物的浓度，其中所述传感器响应于被暴露于所述体液样本而产生数据信号；
产生表示所述数据信号的样本响应曲线；
确定表示所述样本响应曲线的方程的系数，其中所述系数包括描述所述样本响应曲线的曲率的第一系数和描述所述样本响应曲线的斜率的第二系数；
将所述第一系数与预定的第一系数范围相比较以生成第一比较结果，其中所述第一系数范围包括与所述分析物的已知浓度相对应的预定响应曲线的第一系数；
将所述第二系数与预定的第二系数范围相比较以生成第二比较结果，其中所述第二系数范围包括与所述分析物的已知浓度相对应的预定响应曲线的第二系数；
组合所述第一比较结果和所述第二比较结果以生成组合比较结果；
基于所述组合比较结果来检测所述体液样本中的瞬态误差，所述瞬态误差由所述体液样本中的干扰物质引起；并且
响应于检测到瞬态误差而显示瞬态误差通知，
其中，对于所述分析物的给定浓度的所述第一系数范围和所述第二系数范围中的至少一个包括：平均系数，其基于与对应于所述分析物的给定浓度的之前采集的样本相关联的相应系数的平均值来确定；下限，其基于距所述平均系数的负数个标准差来确定；以及上限，其基于距所述平均系数的正数个标准差来确定。
2.根据权利要求1所述的方法，其中，表示所述样本响应曲线的方程是对数方程和二次方程中的任意一种。
3.根据权利要求1所述的方法，其中，距所述平均系数的负数个标准差的绝对值与距所述平均系数的正数个标准差的绝对值是不同的。
4.根据权利要求1所述的方法，其中，所述第一系数范围和所述第二系数范围中的所述至少一个的下限和上限相对于所述分析物的浓度变化是不变的。
5.根据权利要求1的方法，其中，所述第一系数范围和所述第二系数范围中的所述至少一个的下限和上限中的至少一个随着所述分析物的浓度变化而变化。
6.根据权利要求1所述的方法，还包括：基于与所述体液样本中分析物的浓度相对应的所述样本响应曲线的相应系数来修正所述第一系数范围和所述第二系数范围中的至少一个。
7.根据权利要求1所述的方法，其中，根据之前采集的体液样本和标准化溶液中的至少一种来确定所述分析物的已知浓度。
8.根据权利要求1所述的方法，其中，所述第一系数范围和所述第二系数范围中的至少一个取决于所述体液样本的矩阵。
9.根据权利要求1所述的方法，还包括：基于所述检测的结果、基于所述方程来确定所述体液样本中分析物的浓度。
10.根据权利要求1所述的方法，还包括基于所述方程来确定所述体液样本中分析物的浓度。
11.根据权利要求1所述的方法，还包括基于所述检测，向所述分析仪的用户报告在所述体液样本中检测到瞬态误差。
12.根据权利要求11所述的方法，其中，所述报告包括向所述用户提供视觉报警、听觉报警或其组合。
13.根据权利要求1所述的方法，还包括基于所述检测，停止包括确定所述分析物的浓度的样本测量过程。
14.根据权利要求1所述的方法，还包括基于所述检测，向所述分析仪的用户报告所述体液样本可能受到瞬态误差影响；并继续包括确定所述分析物的浓度的样本测量过程。
15.根据权利要求1所述的方法，其中，所述瞬态误差是由气泡导致的。
16.一种用于检测体液样本中的瞬态误差的系统，所述系统包括：
传感器，其用于确定所述体液样本中的分析物的浓度，所述传感器被配置为响应于被暴露于所述体液样本而产生数据信号；
至少一个接口，其从所述传感器接收测量信号，所述测量信号表示所述传感器对所述体液样本中的分析物的测量结果；以及
瞬态误差检测器，其耦接到所述传感器，所述瞬态误差检测器被配置为：
产生表示所述数据信号的样本响应曲线；
确定表示所述样本响应曲线的方程的系数，其中所述系数包括描述所述样本响应曲线的曲率的第一系数和描述所述样本响应曲线的斜率的第二系数；
将所述第一系数与预定的第一系数范围相比较以生成第一比较结果，其中所述第一系数范围包括与所述分析物的已知浓度相对应的预定响应曲线的第一系数；
将所述第二系数与预定的第二系数范围相比较以生成第二比较结果，其中所述第二系数范围包括与所述分析物的已知浓度相对应的预定响应曲线的第二系数；
组合所述第一比较结果和所述第二比较结果以生成组合比较结果；
基于所述组合比较结果来检测所述体液样本中的瞬态误差，所述瞬态误差由所述体液样本中的干扰物质引起；以及
显示器，其耦接至所述瞬态误差检测器，所述显示器被配置为响应于检测到瞬态误差而显示瞬态误差通知，
其中，对于分析物的给定浓度的所述第一系数范围和所述第二系数范围中的至少一个包括：平均系数，其基于与对应于分析物的所述给定浓度的之前采集的样本相关联的相应系数的平均值来确定；下限，其基于距所述平均系数的负数个标准差来确定；以及上限，其基于距所述平均系数的正数个标准差来确定。
17.根据权利要求16所述的系统，其中，表示所述样本响应曲线的方程是对数方程和二次方程中的任意一种。
18.根据权利要求16所述的系统，其中，所述瞬态误差是由气泡导致的。
19.一种有形非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有存储在其中的计算机可读指令以用于检测体液样本中的瞬态误差，由一个或多个处理器来执行所述计算机可读指令，所述一个或多个处理器设置有方程，所述方程表示传感器的响应曲线且用于确定所述体液样本中的分析物的浓度，且所述方程包括描述所述响应曲线的曲率的至少一个第一系数和描述所述响应曲线的斜率的至少一个第二系数，当所述一个或多个处理器执行所述计算机可读指令时，使得所述一个或多个处理器：
将所述至少一个第一系数与第一系数范围相比较以生成第一比较结果，所述第一系数范围包括与所述分析物的已知浓度相对应的响应曲线的第一系数；
将所述至少一个第二系数与第二系数范围相比较以生成第二比较结果，所述第二系数范围包括与所述分析物的已知浓度相对应的响应曲线的第二系数；
组合所述第一比较结果和所述第二比较结果以生成组合比较结果；以及
基于所述组合比较结果来检测所述体液样本中的瞬态误差，所述瞬态误差由所述体液样本中的干扰物质引起；
其中，对于分析物的给定浓度的所述第一系数范围和所述第二系数范围中的至少一个包括：平均系数，其基于与对应于分析物的所述给定浓度的之前采集的样本相关联的相应系数的平均值来确定；下限，其基于距所述平均系数的负数个标准差来确定；以及上限，其基于距所述平均系数的正数个标准差来确定。
20.根据权利要求19所述的有形非暂时性计算机可读存储介质，其中，表示所述响应曲线的方程是对数方程和二次方程中的任意一种。
21.根据权利要求19所述的有形非暂时性计算机可读存储介质，其中，所述瞬态误差是由气泡导致的。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/657,254 US9904890B2 (en) | 2015-03-13 | 2015-03-13 | Detecting a transient error in a body fluid sample |
| US14/657,254 | 2015-03-13 | ||
| CN201680027606.1A CN107850607A (zh) | 2015-03-13 | 2016-03-01 | 检测体液样本中的瞬态误差 |
| PCT/US2016/020185 WO2016148898A1 (en) | 2015-03-13 | 2016-03-01 | Detecting a transient error in a body fluid sample |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680027606.1A Division CN107850607A (zh) | 2015-03-13 | 2016-03-01 | 检测体液样本中的瞬态误差 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117347646A true CN117347646A (zh) | 2024-01-05 |
Family
ID=55637448
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311217957.7A Pending CN117347646A (zh) | 2015-03-13 | 2016-03-01 | 检测体液样本中的瞬态误差 |
| CN201680027606.1A Pending CN107850607A (zh) | 2015-03-13 | 2016-03-01 | 检测体液样本中的瞬态误差 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680027606.1A Pending CN107850607A (zh) | 2015-03-13 | 2016-03-01 | 检测体液样本中的瞬态误差 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US9904890B2 (zh) |
| EP (1) | EP3268747B1 (zh) |
| JP (2) | JP6462145B2 (zh) |
| CN (2) | CN117347646A (zh) |
| AU (3) | AU2016233815B2 (zh) |
| CA (1) | CA2978172C (zh) |
| WO (1) | WO2016148898A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9904890B2 (en) | 2015-03-13 | 2018-02-27 | Instrumentation Laboratory Company | Detecting a transient error in a body fluid sample |
| CN109557227A (zh) * | 2018-12-04 | 2019-04-02 | 北京工商大学 | 一种基于多项式拟合结合理化指标预测煎炸油质量的方法 |
| CN114563366B (zh) * | 2019-09-29 | 2023-09-01 | 迈克医疗电子有限公司 | 高浓度试样识别方法、装置及检测系统 |
| US20230195079A1 (en) * | 2021-12-21 | 2023-06-22 | International Business Machines Corporation | Characterizing liquids based on features extracted from time-dependent, differential signal measurements |
Family Cites Families (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5112455A (en) * | 1990-07-20 | 1992-05-12 | I Stat Corporation | Method for analytically utilizing microfabricated sensors during wet-up |
| US5890489A (en) | 1996-04-23 | 1999-04-06 | Dermal Therapy (Barbados) Inc. | Method for non-invasive determination of glucose in body fluids |
| US6175752B1 (en) | 1998-04-30 | 2001-01-16 | Therasense, Inc. | Analyte monitoring device and methods of use |
| US6064898A (en) | 1998-09-21 | 2000-05-16 | Essential Medical Devices | Non-invasive blood component analyzer |
| US6424847B1 (en) | 1999-02-25 | 2002-07-23 | Medtronic Minimed, Inc. | Glucose monitor calibration methods |
| JP2000298111A (ja) | 1999-04-15 | 2000-10-24 | Sentan Kagaku Gijutsu Incubation Center:Kk | バイオセンサー |
| JP3769230B2 (ja) * | 1999-10-29 | 2006-04-19 | ラジオメーター・メディカル・アー・ペー・エス | 液体の中の気泡の検出方法及び装置 |
| US6616819B1 (en) | 1999-11-04 | 2003-09-09 | Therasense, Inc. | Small volume in vitro analyte sensor and methods |
| US6885883B2 (en) | 2000-05-16 | 2005-04-26 | Cygnus, Inc. | Methods for improving performance and reliability of biosensors |
| US6652720B1 (en) | 2001-05-31 | 2003-11-25 | Instrumentation Laboratory Company | Analytical instruments, biosensors and methods thereof |
| US6960466B2 (en) | 2001-05-31 | 2005-11-01 | Instrumentation Laboratory Company | Composite membrane containing a cross-linked enzyme matrix for a biosensor |
| CA2623782C (en) | 2001-08-22 | 2015-04-07 | Instrumentation Laboratory Company | An automated system for continuously and automatically calibrating electrochemical sensors |
| EP2301428B1 (en) * | 2003-12-09 | 2016-11-30 | Dexcom, Inc. | Signal processing for continuous analyte sensor |
| CA2554060C (en) * | 2004-02-06 | 2013-04-16 | Bayer Healthcare Llc | Electrochemical biosensor |
| WO2005106450A1 (en) * | 2004-04-28 | 2005-11-10 | Sionex Corporation | System and method for ion species analysis with enhanced condition control and data interpretation using differential mobility spectrometers |
| US7392074B2 (en) | 2005-01-21 | 2008-06-24 | Nonin Medical, Inc. | Sensor system with memory and method of using same |
| US7972279B2 (en) | 2005-01-27 | 2011-07-05 | Instrumentation Laboratory Company | Method and system for managing patient data |
| US20100168535A1 (en) | 2006-04-12 | 2010-07-01 | Mark Ries Robinson | Methods and apparatuses related to blood analyte measurement system |
| EP1742039A1 (en) | 2005-07-07 | 2007-01-10 | F. Hoffmann-La Roche Ltd. | Method for the determination of the concentration of a non-volatile analyte |
| US8812239B2 (en) | 2005-12-14 | 2014-08-19 | Ut-Battelle, Llc | Method and system for real-time analysis of biosensor data |
| US7822557B2 (en) | 2006-10-31 | 2010-10-26 | Abbott Diabetes Care Inc. | Analyte sensors and methods |
| US20080114549A1 (en) | 2006-11-09 | 2008-05-15 | Mark Evan Schafer | Rapid response blood analyzer |
| US9029157B2 (en) * | 2007-04-12 | 2015-05-12 | Nipro Diagnostics, Inc. | Error detection and rejection for a diagnostic testing system |
| WO2008139869A1 (ja) | 2007-05-10 | 2008-11-20 | Konica Minolta Medical & Graphic, Inc. | 超音波送受信素子、超音波探触子および超音波診断装置 |
| US8101062B2 (en) | 2007-07-26 | 2012-01-24 | Nipro Diagnostics, Inc. | System and methods for determination of analyte concentration using time resolved amperometry |
| US8042073B1 (en) | 2007-11-28 | 2011-10-18 | Marvell International Ltd. | Sorted data outlier identification |
| US8112375B2 (en) | 2008-03-31 | 2012-02-07 | Nellcor Puritan Bennett Llc | Wavelength selection and outlier detection in reduced rank linear models |
| JP5366432B2 (ja) * | 2008-05-09 | 2013-12-11 | 株式会社船井電機新応用技術研究所 | ガス検出システム |
| WO2011006786A1 (de) | 2009-07-13 | 2011-01-20 | Siemens Aktiengesellschaft | Verfahren zur plausibilitätsprüfung von digitalen messsignalen |
| CA2684636A1 (en) * | 2009-10-30 | 2011-04-30 | Sqi Diagnostics Systems Inc | Multiplex microarrays and methods for the quantification of analytes |
| EP3901624B1 (en) * | 2010-12-22 | 2024-01-31 | Roche Diabetes Care GmbH | Methods to compensate for sources of error during electrochemical testing |
| WO2012134890A1 (en) * | 2011-03-25 | 2012-10-04 | Cilag Gmbh International | System and method for measuring an analyte in a sample and correcting for interferents |
| ES2964546T3 (es) * | 2011-04-15 | 2024-04-08 | Dexcom Inc | Calibración avanzada de sensor de analito y detección de errores |
| US8560251B2 (en) | 2011-08-16 | 2013-10-15 | Instrumentation Laboratory Company | System and method of increasing sample throughput by estimation of a sensor endpoint |
| US9113833B2 (en) | 2011-08-16 | 2015-08-25 | Instrumentation Laboratory Company | System and method of increasing sample throughput |
| US9903830B2 (en) * | 2011-12-29 | 2018-02-27 | Lifescan Scotland Limited | Accurate analyte measurements for electrochemical test strip based on sensed physical characteristic(s) of the sample containing the analyte |
| US9700253B2 (en) * | 2012-03-16 | 2017-07-11 | Dexcom, Inc. | Systems and methods for processing analyte sensor data |
| GB2512842A (en) * | 2013-04-08 | 2014-10-15 | Sphere Medical Ltd | Sensor calibration method and apparatus |
| US9828621B2 (en) * | 2013-09-10 | 2017-11-28 | Lifescan Scotland Limited | Anomalous signal error trap for an analyte measurement determined from a specified sampling time derived from a sensed physical characteristic of the sample containing the analyte |
| WO2015095239A1 (en) * | 2013-12-18 | 2015-06-25 | Optiscan Biomedical Corporation | Systems and methods for detecting leaks |
| US9904890B2 (en) | 2015-03-13 | 2018-02-27 | Instrumentation Laboratory Company | Detecting a transient error in a body fluid sample |
-
2015
- 2015-03-13 US US14/657,254 patent/US9904890B2/en active Active
-
2016
- 2016-03-01 JP JP2017546976A patent/JP6462145B2/ja active Active
- 2016-03-01 CN CN202311217957.7A patent/CN117347646A/zh active Pending
- 2016-03-01 CN CN201680027606.1A patent/CN107850607A/zh active Pending
- 2016-03-01 AU AU2016233815A patent/AU2016233815B2/en active Active
- 2016-03-01 CA CA2978172A patent/CA2978172C/en active Active
- 2016-03-01 WO PCT/US2016/020185 patent/WO2016148898A1/en active Application Filing
- 2016-03-01 EP EP16712121.9A patent/EP3268747B1/en active Active
-
2018
- 2018-01-22 US US15/876,760 patent/US10846605B2/en active Active
- 2018-06-29 AU AU2018204791A patent/AU2018204791A1/en not_active Abandoned
- 2018-12-26 JP JP2018242517A patent/JP6776319B2/ja active Active
-
2020
- 2020-06-05 AU AU2020203717A patent/AU2020203717A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20160267389A1 (en) | 2016-09-15 |
| EP3268747B1 (en) | 2021-12-08 |
| CN107850607A (zh) | 2018-03-27 |
| JP2019049571A (ja) | 2019-03-28 |
| JP6776319B2 (ja) | 2020-10-28 |
| JP2018508020A (ja) | 2018-03-22 |
| CA2978172A1 (en) | 2016-09-22 |
| AU2016233815B2 (en) | 2018-05-24 |
| WO2016148898A1 (en) | 2016-09-22 |
| AU2016233815A1 (en) | 2017-09-21 |
| US20180144259A1 (en) | 2018-05-24 |
| CA2978172C (en) | 2021-01-05 |
| AU2018204791A1 (en) | 2018-07-19 |
| US9904890B2 (en) | 2018-02-27 |
| JP6462145B2 (ja) | 2019-01-30 |
| EP3268747A1 (en) | 2018-01-17 |
| US10846605B2 (en) | 2020-11-24 |
| AU2020203717A1 (en) | 2020-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6776319B2 (ja) | 体液試料内の一時誤りを検出すること | |
| CA2843157C (en) | Extrapolation of interpolated sensor data to increase sample throughput | |
| JP6228639B2 (ja) | 試料処理量を高めるための内挿センサデータの外挿 |
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 |