کنترل کیفیت و بررسی دلتا: تشخیص خطای تحلیلی با هوش مصنوعی

سود:

• امکان نظارت بر کنترل کیفی داخلی، نمودار لوی جنینگز و قوانین وستگارد با پشتیبانی هوش مصنوعی و تفسیر تخلفات
• امکان ایجاد منطق دلتا چک (مقایسه با نتیجه قبلی همان بیمار) و تشخیص هشدارهای هوش مصنوعی به دلایل پیش تحلیلی و بالینی
• توانایی درک اینکه خروجی هوش مصنوعی یک هشدار آماری است و تجزیه و تحلیل علت اصلی و اقدامات اصلاحی متعلق به متخصص است.

ساکت ترین اما حیاتی ترین کار در آزمایشگاه اطمینان از دقیق بودن اندازه گیری هاست. این دستگاه به شما مقدار پتاسیم می دهد. اما از کجا می دانید که آن دستگاه امروز، در این زمان، با این معرف اندازه گیری های دقیقی انجام می دهد؟ کنترل کیفیت (QC) پاسخ به این سوال است: اندازه گیری نمونه های کنترل با ارزش شناخته شده در فواصل زمانی منظم و نظارت بر اینکه آیا نتایج دستگاه در محدوده مورد انتظار باقی می ماند یا خیر. علاوه بر این، بررسی دلتا، که نتایج امروز همان بیمار را با نتیجه آن‌ها در گذشته مقایسه می‌کند، دومین خط دفاعی قدرتمندی است که خطاهایی مانند مخلوط کردن نمونه‌ها را تشخیص می‌دهد. در هر دو حوزه، هوش مصنوعی می تواند به سرعت الگوها را اسکن کند و هشدار ایجاد کند. اما اینکه اخطار به چه معناست و چه باید کرد بستگی به تفسیر کارشناس دارد.

در این واحد، منطق کنترل کیفیت داخلی، نمودار لوی-جنیگز و قوانین وستگارد; چک دلتا چگونه تنظیم و تفسیر می شود. و چگونه می توان با خیال راحت هوش مصنوعی را به این فرآیندها اضافه کرد. اصل اساسی: هوش مصنوعی یک هشدار آماری تولید می کند. تجزیه و تحلیل علت ریشه ای و اقدامات اصلاحی متعلق به متخصص است.

منطق کنترل کیفیت داخلی

در کنترل کیفی داخلی، مواد کنترل با محتوای مشخص و ارزش مورد انتظار (معمولاً در سطوح نرمال و پاتولوژیک) همراه با نمونه های بیمار اندازه گیری می شود. هر اندازه گیری کنترل حول یک میانگین محاسبه شده و انحراف استاندارد (SD) برای آن آنالیت ارزیابی می شود. انحراف استاندارد یک معیار آماری است که نشان می‌دهد چقدر اندازه‌گیری‌ها در اطراف میانگین پخش شده‌اند. یک SD کوچک نشان می دهد که اندازه گیری سازگار (دقیق) است.

روش استاندارد برای تجسم این اندازه‌گیری‌ها نمودار لوی-جنینگ است: در محور افقی زمان (یا ترتیب کنترل)، در محور عمودی مقدار کنترل است. میانگین در وسط رسم می شود و خطوط ±1SD، ±2SD، ±3SD به عنوان باند رسم می شوند. نقاط کنترل باید به طور تصادفی در این باندها توزیع شوند. الگوهای خاص (یک نقطه بیش از حد می افتد، بسیاری از نقاط در یک جهت جابجا می شوند) نشان دهنده یک مشکل است.

قوانین وستگارد برای ارزیابی سیستماتیک این الگوها استفاده می شود. بیشترین استفاده:

حکومت کند

معنی

نظر معمولی

1-2 ثانیه

یک نقطه خارج از ± 2SD

هشدار؛ نه رد شدن به تنهایی

1-3 ثانیه

یک نقطه خارج از ± 3SD

رد کردن؛ احتمال خطای تصادفی

2-2 ثانیه

دو نقطه متوالی در یک جهت خارج از ± 2SD

رد کردن؛ خطای سیستماتیک (دریفت)

R-4s

تفاوت 4SD بین دو کنترل

امتناع؛ خطای تصادفی

4-1 ثانیه

چهار نقطه متوالی در یک جهت خارج از ± 1SD

هشدار رانش

10-x

ده نقطه متوالی در یک سمت میانگین قرار دارند

تغییر سیستماتیک

خطای تصادفی یک انحراف یک بار غیرقابل پیش بینی است (به عنوان مثال حباب هوا). خطای سیستماتیک یک انحراف ثابت در یک جهت است (به عنوان مثال، رانش کالیبراسیون، معرف خراب شده). قوانین وستگارد به تشخیص این دو نوع خطا کمک می کند.

احتیاط: یک هشدار 1-2 به تنهایی نتیجه را نفی نمی کند. اما 1-2 های از دست رفته ممکن است منادی نقض 2-2 بعدی باشد. هشدارها را دست کم نگیرید، الگو را دنبال کنید.

چگونه هوش مصنوعی را به QC اضافه کنیم

هوش مصنوعی در جایی کار می‌کند که چشم انسان در داده‌های QC خسته می‌شود: می‌تواند الگوی Levey-Jennings صدها آنالیت را به طور همزمان اسکن کند، دریفت‌های آهسته را زودتر علامت‌گذاری کند، موارد نقض قوانین را فهرست کند، و چک لیستی تولید کند که دلایل اصلی احتمالی (زمان کالیبراسیون، مقدار معرف، نگهداری ابزار) را به شما یادآوری کند. اما جمله تولید شده توسط هوش مصنوعی "ممکن است کالیبراسیون تغییر کرده باشد" یک فرضیه است. این وظیفه متخصص است که علت اصلی واقعی را پیدا کند، معرف را جایگزین کند، دستگاه را کالیبره کند، و نتایج آسیب دیده بیمار را دوباره ارزیابی کند.

قانون اساسی این است که وقتی یک قانون رد وستگارد نقض می شود، نتایج بیمار برای آن آنالیت تا زمانی که مشکل حل نشود منتشر نمی شود. هوش مصنوعی می تواند این مسدود شدن را یادآوری کند، اما مسئولیت اجرای آن بر عهده انسان است.

بررسی دلتا: مقایسه با سابقه خود بیمار

بررسی دلتا نتیجه فعلی همان بیمار را با نتیجه قبلی مقایسه می کند و یک تغییر عمده غیرمنتظره را مشخص می کند. منطق ساده است: بسیاری از آنالیت ها (به عنوان مثال گروه خون، هموگلوبین، کراتینین) در مدت زمان کوتاهی به طور چشمگیری تغییر نمی کنند. اگر هموگلوبین بیمار روز قبل 13 گرم در دسی لیتر و امروز 8 گرم در دسی لیتر بود، سه توضیح ممکن وجود دارد: (1) تغییر بالینی واقعی (خونریزی)، (2) خطای قبل از تجزیه و تحلیل (بیمار اشتباه، ترکیب نمونه)، (3) خطای تحلیلی. تیک دلتا این تفاوت را مشخص می کند. کارشناس بررسی می کند که کدام توضیح صحیح است.

بررسی دلتا بیشترین ارزش را در گرفتن نمونه مخلوط دارد (برچسب اشتباه روی لوله اشتباه). هنگامی که چندین پارامتر یک بیمار به طور غیرمنتظره به طور همزمان تغییر می کند، این یک سیگنال قوی از تداخل است.

توجه در تفسیر چک دلتا:

• هر تغییر عمده ای یک اشتباه نیست. رویدادهای بالینی واقعی مانند خونریزی، دیالیز، انتقال خون تغییر بزرگی را ایجاد می کنند.
• دوره زمانی مهم است: مقایسه با نتیجه ماه‌ها قبل می‌تواند گمراه‌کننده باشد.
• برخی از آنالیت ها به طور طبیعی در نوسان هستند (مانند CRP). آستانه دلتا باید با توجه به آنالیت تنظیم شود.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

آیا این داده های QC مشکلی دارند؟ [اعداد]

این ادعا مشخص نمی کند که کدام قواعد باید اعمال شود، معنی و SD، یا آنالیت چیست. هوش مصنوعی یک نظر کلی می دهد، اما نمی تواند منطق Westgard را به درستی اعمال کند و به جای علت اصلی، پاسخ های سطحی می دهد.

اعلان قدرتمند:

نقش شما: دستیار متخصص آزمایشگاه در تهیه ارزیابی QC DRAFT.Analyte: Potassium. سطح کنترل 2. میانگین هدف 6.0 mmol/L، SD 0.15. 12 مقدار کنترل آخر: [list]. وظیفه: (1) محاسبه کنید و نشان دهید که هر نقطه چند SD فاصله دارد، (2) قوانین وستگارد 1-3s، 2-2s، R-4s، 4-1s، 10-x را یک به یک بررسی کنید و بنویسید که کدام یک نقض شده است، (3) یادآوری علل ریشه ای احتمالی (کالیبراسیون، مقدار معرف، دستگاه) در صورت وجود نقض آن را به عنوان لیست ارائه دهید. تصمیم و اقدام اصلاحی با من است. شما فقط حساب کنید و بررسی کنید.

اعلان قوی میانگین/SD را نشان می‌دهد، قوانینی را که باید اعمال شود، محاسبه می‌کند، محاسبات موقت را می‌خواهد، و بیان می‌کند که تصمیم با انسان است.

سه کیف کوچک

مورد 1 - خطای سیستماتیک کشف شد. در یک آزمایشگاه بیوشیمی، کنترل گلوکز به طور مداوم در ده نقطه متوالی بالاتر از حد متوسط ​​است (قانون 10-x). هوش مصنوعی این الگو را علامت گذاری می کند و فرضیه "مقدار جدید معرف یا رانش کالیبراسیون" را ارائه می دهد. کارشناس سوابق را بررسی می کند، مقدار معرف را که چهار روز پیش تغییر کرده است، پیدا می کند و دستگاه را دوباره کالیبره می کند. در این مدت، نتایج گلوکز 340 بیمار مورد بررسی قرار گرفت. هوش مصنوعی الگو را دید، متخصص علت اصلی را پیدا کرد.

مورد 2 - نمونه مخلوط با چک دلتا. هموگلوبین بیمار دیروز 12.8 گرم در دسی لیتر، امروز 9.1 گرم در دسی لیتر بود. در همان زمان، کراتینین او از 0.9 به 2.4 میلی گرم در دسی لیتر و پتاسیم او از 4.2 به 5.9 میلی مول در لیتر افزایش یافت. هوش مصنوعی چندین نقض دلتا را نشان می دهد. کارشناس می بیند که پرش های همزمان چند پارامتر نشان دهنده اختلاط نمونه است. سوابق را بررسی می کند و خطای برچسب گذاری را پیدا می کند. نمونه جدید درخواست شده است. هیچ دلتای الگو را ذخیره نکرد.

مورد 3 - هشدار نادرست (تغییر واقعی). در یک بیمار دیالیزی، اوره از 140 به 45 میلی گرم در دسی لیتر در یک روز کاهش یافت. چک دلتا تغییر بزرگ را نشان می دهد. هوش مصنوعی هشدار می دهد، اما متخصص می داند که بیمار دیروز دیالیز شده است. این یک تغییر واقعی و مورد انتظار است، نه یک اشتباه. نتیجه منتشر می شود. درس: محرک دلتا یک علامت سوال است، زمینه بالینی پاسخ را ارائه می دهد.

الگوهای درخواستی قابل کپی

WESTGARD CONTROL TEMPLATEAnalyte: [name]. میانگین: [x]. SD: [x]. مقادیر کنترل: [list]. محاسبه و نمایش (مقدار - میانگین)/SD برای هر مقدار. این قوانین را یکی یکی بررسی کنید: 1-2s، 1-3s، 2-2s، R-4s، 4-1s، 10-x. برای هر قانون بنویسید "نقضی وجود ندارد/هیچ" و دلیل آن. اگر نقض قانون رد وجود دارد، یک هشدار "نتایج بیمار را منتشر نکنید" اضافه کنید. تصمیم با من است.

QC ROOT CAUSE CHECKLIST TEMPLATEA قانون رد QC نقض شد. یک چک لیست متوالی برای بررسی علت اصلی برای من تهیه کنید: مقدار معرف / انقضا، زمان کالیبراسیون، وضعیت مواد کنترل، نگهداری ابزار، پروب/پیپت، دمای محیط. در یک جمله بنویسید که برای هر مورد چه چیزی باید بررسی شود. من نظر نهایی را دارم.

DELTA CHECK TEMPLATE بیمار ناشناس. آنالیت: [نام]. نتیجه قبلی ([تاریخ]): [x]. Current: [y].تغییر مطلق و درصد را محاسبه کنید. کدام یک از سه دلیل احتمالی برای این تغییر ممکن است با تغییر بالینی واقعی، خطای پیش تحلیلی (گیج کننده) یا خطای تحلیلی سازگار باشد؟ به من لیست کنید که چه اطلاعات اضافی برای بررسی تصمیم لازم دارم. تشخیص/تصمیم گیری

MULTIPLE DELTA PATTERN TEMPLATEI مقادیر قبلی و فعلی را برای چندین آنالیت از یک بیمار ارائه می دهد. مشخص کنید کدام آنالیت ها تغییرات بزرگ غیرمنتظره ای دارند. اگر بیش از یک آنالیت به طور غیرمنتظره به طور همزمان تغییر کرد، درباره "اختلاط نمونه احتمالی" هشدار دهید و آنچه را که باید برای تایید بررسی کنم، بنویسید. داده ها: [فهرست].

اشتباهات رایج

• اشتباه گرفتن اخطار 1-2 ثانیه ای به عنوان رد. 1-2s یک هشدار است. به خودی خود نتیجه را نفی نمی کند، اما باید دنبال شود.
• نتیجه بیمار را با نقض QC رها کنید. در صورت نقض قانون رد، نتایج مربوطه تا زمان یافتن علت اصلی حفظ می شود.
• کورکورانه هشدار دلتا را یک اشتباه در نظر می گیریم. شرایطی مانند دیالیز، تزریق خون، خونریزی، تغییرات بزرگی را ایجاد می کند. زمینه در نظر گرفته شده است.
• اشتباه گرفتن فرضیه علت اصلی هوش مصنوعی به عنوان دلیل. "معمول ممکن است جابجا شده باشد" یک فرضیه است. علت واقعی با ثبت و بررسی مشخص می شود.
• در نظر گرفتن آستانه دلتا برای همه آنالیت ها یکسان است. تنوع بیولوژیکی هر آنالیت متفاوت است. آستانه با توجه به آنالیت تنظیم می شود.

نکته: هنگام دادن داده‌های QC به YZ، حتماً میانگین و SD را لحاظ کنید و از آن بخواهید که محاسبات موقت را نشان دهد. "چند SD فاصله دارد؟" از هوش مصنوعی بخواهید سؤال را محاسبه کند و آن را در ذهن شما تأیید کند. این هم خطای هوش مصنوعی و هم اشتباه شما را تشخیص می دهد.

به طور خلاصه

کنترل کیفیت مربوط به اطمینان از اندازه گیری صحیح دستگاه است. بررسی دلتا راهی برای تشخیص خطاها در سطح نمونه و بیمار است. نمودار Levey-Jennings و قوانین وستگارد QC را سیستماتیک می کند. خطای تصادفی و سیستماتیک را تشخیص می دهد. هوش مصنوعی می تواند به سرعت این الگوها را اسکن کند و هشدارها و فرضیه های ریشه ای ایجاد کند، اما در صورت نقض قانون رد، نتیجه انسداد، ریشه یابی و اقدام اصلاحی متعلق به متخصص است. هشدارهای چک دلتا علامت سوال هستند. زمینه بالینی و معاینه پاسخ را ارائه می دهد.

وظیفه کاربردی

12 مقدار آخر QC (با میانگین و SD) را برای یک آنالیت بگیرید و با الگوی "Westgard Control" به هوش مصنوعی ارزیابی کنید. به طور مستقل فواصل SD محاسبه شده توسط هوش مصنوعی را بررسی کنید. سپس دو نتیجه زمان‌بندی‌شده را برای یک بیمار انتخاب کنید، الگوی «چک دلتا» را دنبال کنید و سه دلیل احتمالی برای تغییر را با استفاده از دانش بالینی خود ارزیابی کنید و بنویسید که چه اطلاعات اضافی را بررسی می‌کنید.

چک لیست

• [ ] برای QC، میانگین و SD را به فرمان دادم. حساب های میانی را چک کردم.
• [ ] من قوانین وستگارد را که اعمال خواهند شد به وضوح بیان کرده ام.
• [ ] تأیید کردم که در صورت نقض قانون رد، نتایج بیمار را نگه خواهم داشت.
• [ ] من هشدار دلتا را همراه با احتمال واقعی تغییر بالینی ارزیابی کردم.
• [ ] من برای نمونه مخلوط در نقض های دلتا متعدد بررسی کردم.
• [ ] من فرضیه علت اصلی هوش مصنوعی را با ضبط/بررسی تایید کردم.