收益：
- 能够了解大多数实验室错误发生在分析前阶段，并在样品适用性控制中使用人工智能。
- 能够解释 HIL 指数（溶血、黄疸、血脂）以及干扰如何影响哪些测试
- 能够将人工智能的样本拒绝/接受建议作为草案，并根据实验室规则验证最终决定
在讨论实验室错误时，大多数人都会归咎于设备和测量。然而，有一个事实几十年来一直在重复：绝大多数实验室误差并不是发生在设备中（分析阶段），而是发生在样品进入设备之前，即预分析阶段。从错误的患者身上采集的血液、样本放入错误的试管、体积不足、等待时间过长、细胞因摇晃而破裂——这些都不是设备的错误，但它们都会扭曲结果。最阴险的部分是：带有分析前误差的样品在仪器中完美测量并产生“干净”的数字；这个数字是错误的，但并不明显它是错误的。因此，预分析阶段是患者安全的第一道也是最重要的防线。
为什么分析前错误在该装置中如此常见？导致样品质量恶化的主要干扰因素，尤其是 HIL 指数（溶血、黄疸、血脂），以及它们如何影响哪些测试；以及如何在样品适用性控制中安全地使用人工智能。基本原理：AI扫描样本适用性并生成拒绝/接受草案；最终决定由专家根据实验室规则做出。
为什么误差集中在预分析阶段
预分析阶段是最多人参与、变量最多的阶段。主要错误来源：
- 患者和样本识别：给错误的患者贴上标签是最危险的错误；另一个人的结果归因于患者。
- 错误的试管：每根试管中都含有不同的添加剂（抗凝剂或凝胶）。 EDTA 管结合钾并降低钙；选择错误的管子会从根本上扭曲结果。
- 容量不足/过多：如果抗凝剂与血液的比例被破坏，凝血测试（凝血）将不正确。
- 溶血：放血技术使用细针、剧烈抽吸或摇晃来分解红细胞。
- 等待和储存：在长期等待的样品中，葡萄糖减少，钾增加；留在光线下的胆红素会被降解。
- 静脉输液管污染：从接收液体的手臂抽取的血液与该液体的成分混合。
这些错误的共同特征是设备可能无法看到它们。诸如增量检查和 HIL 索引之类的工具可以捕获一些分析前的错误，但大多数都可以通过仔细的验收过程来避免。
HIL指数：溶血、黄疸、脂血症
现代生化分析仪测量血清的颜色和浊度，并以数字方式报告三种干扰：HIL 指数。
- 溶血 (H)：红细胞分解并将其内容物混合到血清中；血清呈粉红色。它错误地增加了细胞内浓缩的物质（钾、LDH、AST）。
- 黄疸（I）：由于高胆红素导致血清呈黄橙色；一些比色测试中的测量偏差。
- 脂血症（L）：由于血清中脂肪（甘油三酯）含量较高，呈现混浊/乳状外观；它会损害光传输，从而干扰许多测试，并且可能会错误地显示某些电解质的含量过低。
下表总结了 HIL 干扰对某些测试的影响（影响因方法而异；请参阅特定设备的包装说明书）：
干扰
可以养假货
可以丢假货
典型标志
溶血（H）
钾、LDH、AST、铁
触珠蛋白（在某些测试中）
粉红色血清
黄疸（一）
（取决于方法）
一些比色测试
黄橙色血清
脂血症（L）
（由于模糊）
钠（在某些方法中）
乳状、浑浊的血清
关键点：HIL干扰不仅影响样品的外观，而且影响结果的准确性。溶血样品中的钾读数为 6.5 mmol/L 可能是假升高，而不是真正的高钾血症（参见第 4 单元）。
注意：发布干扰指数高的样本时，说“结果出来了，发送吧”，意味着报假结果，就好像结果是正确的一样。受干扰影响的分析物要么用新样品进行确认，要么使用适当的方法用干扰注释进行报告。
人工智能如何帮助样品合规性
人工智能在预分析控制中作为扫描仪和助记符很有价值。它可以逐个测试地评估 HIL 指数，并生成警告，例如“此样本中的溶血水平影响钾结果，需要验证”；可能会标记提示管不匹配；可以根据实验室规则提交拒绝/接受决定的大纲；可以向工作人员准备反馈摘要，以提高样本质量（采血技术、处理时间）。但拒绝和接受的决定是由专家根据您实验室批准的样品接受/拒绝标准做出的； AI的提案是草案。
弱提示/强提示
弱提示：
这个样本好不好，我们应该发送结果吗？我认为存在溶血。
该声明没有量化溶血指数，不包括进行了哪些测试，也不包括实验室标准。 AI给出了笼统的答案；它无法阐明哪种分析物受到影响以及该怎么做。
强力提示：
您的角色：实验室专家助理，准备样品适用性评估草案。决定权是我的。样品：血清。 HIL指标：溶血3+（高），黄疸正常，血脂正常。研究的测试：钾、钠、AST、ALT、肌酐、LDH。任务：（1）标记哪些测试受到该溶血水平的影响，（2）为每个受影响的测试建议“新样品/带有干扰注释的报告/不受影响”，（3）分别指定未受影响的测试。还要写下我应该考虑哪些阈值来最终确定我的实验室拒绝标准。准备一份草案，以便我做出最终决定。
强烈提示以数字形式给出 HIL 索引，包括测试列表，要求逐个测试的建议，并将决定权留给专家。
三个迷你箱子
情况 1 — 正确排序。一份样本显示溶血 3+，研究的测试包括钾、LDH、AST。 AI出草案“这三个测试受溶血影响显着，建议使用新样本；肌酐和钠受此水平影响较小”。专家检查实验室标准，要求提供新的钾/LDH/AST 样品，并用干扰说明报告其他样品。防止误报高钾血症。
案例 2 — 管捕获不正确。用于凝血测试的输入管中的血容量低于标记线。在请求试管容量控制时，AI 警告“柠檬酸盐试管容量不足，抗凝血液比受损，INR/aPTT 不可靠”。专家拒绝了该样品并要求提供新样品。可以防止错误的凝血结果和可能的错误药物剂量。经验教训：体积比对于混凝至关重要。
案例 3 — 脂血症陷阱。来自已进食患者的样本具有明显的脂血症。 YZ提醒，在某些电解质方法中，脂血症会导致虚假的低钠。专家检查结果是否受到实验室方法的影响，如有必要，通过空腹样本或适当的方法进行确认。教训：干扰取决于方法；提醒很重要，但决定是按照你自己的方式做出的。
可复制的提示模板
样品合规性评估模板样品类型：[血清/血浆/全血]。 HIL指数：溶血[x]、黄疸[x]、脂血症[x]。测试运行：[列表]。对于每次测试，标记是否受到干扰影响，并建议“新样品/带有干扰注释的报告/不受影响”。决定权在我；还要写下我将澄清我的审查标准的阈值。
声明-管兼容性检查模板有以下测试订单和相应的管类型/体积。检查每个订单是否使用了正确的管子和足够的体积；如果有任何不兼容的情况，请检查“[拒绝候选者 - 原因]”。检查体积比，特别是凝固时的体积比。数据：[列表]。
分析前错误分类模板 对以下拒绝样品的拒绝原因进行分类（同一性、错误管、溶血、体积不足、凝块、处理/保存）。指出最常见的类别和改进建议。这是一份质量改进总结；它不包含个人/患者信息。数据：[列表]。
抽血反馈模板特定单位的溶血率较高。起草一份培训说明，概述血液采集和处理的可能原因（针直径、抽吸、摇动、处理时间、温度）和纠正建议。使用建设性的而非指责性的语言。
常见错误
- 认为干扰只是颜色。 HIL 损害了结果的准确性；在验证受影响的分析物之前不会报告。
- 将溶血样品中的高钾误认为是真实的。虚假高钾血症是最典型的分析前陷阱。
- 跳过混凝中的体积比。柠檬酸盐管不足导致 INR/aPTT 不可靠。
- 不质疑从静脉输液管中采集的样本。液体污染从根本上扭曲了结果。
- 将人工智能拒绝建议误认为是决定。根据实验室批准的标准，专业地给出拒绝/接受。
提示：对每个样本提出两个问题：“该样本是否以正确的方式从正确的患者、正确的试管中采集？”以及“干扰 (HIL) 会影响哪项测试？”您分析前的注意力决定了所有后续阶段的准确性。
综上所述
大多数实验室误差发生在分析前阶段，即样品进入设备之前，并且这些误差在设备中得到完美测量，产生“干净但错误”的结果。身份、试管类型、体积、溶血、保留和污染是主要来源。 HIL 指数（溶血、黄疸、血脂）虚假地升高或降低某些测试；未经验证，不会报告受影响的分析物。人工智能可以扫描样品的适用性，标记干扰和不合规情况，并生成拒绝/接受草案；但最终决定是根据您实验室批准的标准做出的。分析前注意是患者安全的第一道防线。
应用任务
构建示例场景（包含 HIL 索引和运行的测试列表），并使用“示例适用性评估”模板从 AI 接收逐个测试的大纲。对于每个受影响的测试，根据实验室的拒绝标准证明您的决定是合理的。然后使用“分析前错误分类”模板对被拒绝的样本列表进行分类，以确定最常见的原因和改进建议。
清单
- [ ] 我检查了样品 ID、试管类型和体积适用性。
- [ ] 我在测试的基础上评估了 HIL 指标。
- [ ] 我没有在未经验证的情况下报告受干扰影响的分析物。
- [ ] 我检查了凝血样本中的体积/抗凝剂比率。
- [ ] 我根据实验室批准的标准做出拒绝/接受决定。
- [ ] 我针对高溶血等反复出现的问题准备了一份改进总结。