CN114944208A - 质量控制方法、装置、电子设备及存储介质 - Google Patents

质量控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114944208A
CN114944208A CN202210575556.8A CN202210575556A CN114944208A CN 114944208 A CN114944208 A CN 114944208A CN 202210575556 A CN202210575556 A CN 202210575556A CN 114944208 A CN114944208 A CN 114944208A
Authority
CN
China
Prior art keywords
quality control
sample data
detection item
data
control model
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.)
Granted
Application number
CN202210575556.8A
Other languages
English (en)
Other versions
CN114944208B (zh
Inventor
周睿
陈超
宋彪
王哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia Weishu Data Technology Co ltd
Original Assignee
Inner Mongolia Weishu Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inner Mongolia Weishu Data Technology Co ltd filed Critical Inner Mongolia Weishu Data Technology Co ltd
Publication of CN114944208A publication Critical patent/CN114944208A/zh
Application granted granted Critical
Publication of CN114944208B publication Critical patent/CN114944208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本申请提供一种质量控制方法、装置、电子设备及存储介质，涉及检验医学技术领域。该方法包括：获取检测项目的标本数据；根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，同一所述检测项目在不同误差场景下对应的质量控制模型不同；通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。上述方式提高了标本数据检验的精准度。

Description

质量控制方法、装置、电子设备及存储介质
技术领域
本申请涉及检验医学技术领域，尤其涉及一种质量控制方法、装置、电子设备及存储介质。
背景技术
临床检验是医生对患者做出科学诊断的重要辅助参考依据，但是检验结果常会因为某些客观或主观的原因产生误差，从而导致医生做出错误的诊断，进一步延误治疗，甚至对患者造成严重伤害。检验过程中的每个环节均可能产生误差，例如，样本采集、运输或处理、仪器设备、人员操作、结果解释等。在一般情况下，检验过程中产生的误差多数与仪器设备相关，实验室通常使用内部质量控制程序来监测、保障和管理检验全过程的检测质量。
为保证检测结果的可靠性，利用质控物进行室内质控的方式是医学实验室最早引入，且目前普遍使用的用于监测检验性能的重要手段之一。同时，质量控制也是医疗机构等级评审中指令性考评指标，具体的，国家卫生行业标准《临床检验定量测定室内质量控制》明确规定了在医学检测过程中应如何设计室内质控这一传统质控方案，并进行了有效实施。
然而，传统质控方案在临床应用中受质控品(即上述质控物)的影响很大，例如：质控品的浓度水平有限、成本较高，检测频次较低等。已有研究表明，基于患者数据的实时质量控制(Patient-based real-time quality Control，PBRTQC)这类质控方法能够较为灵敏地检测出检验结果偏差的变化，可以在下一个质控动作之前检测到误差事件，从而最大程度地减少临床报告中不可靠患者检测结果的数量，不受质控品基质效应的影响，且可以对检验的分析全过程实施监控。一旦在医学实验室设置成功，就不需要额外的检测及维护成本。2020年，国际临床化学和实验室医学联盟(IFCC)分析质量工作组发布了PBRTQC质控方法的建立及测试的专家共识。但是该PBRTQC质控方法仍存在以下不足：针对相同的检测项目，在应对不同误差场景时，仍采用同一质量控制模型进行监测导致的标本数据检验的精准度低的技术缺陷。
发明内容
本申请提供了一种质量控制方法、装置、电子设备及存储介质，用以在应对不同误差场景时，采用不同的质量控制模型进行监测，进而保证标本数据检验的高精准度。
根据本申请的第一方面，提供了一种质量控制方法，包括：
获取检测项目的标本数据；
根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同；
通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
根据本申请的第二方面，提供了一种质量控制装置，包括：
数据获取模块，用于获取检测项目的标本数据；
数据分析模块，用于根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同；
异常识别模块，用于通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的质量控制方法。
根据本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面所述的质量控制方法。
本申请提供的一种质量控制方法、装置、电子设备及存储介质，在质量控制模型确定时不仅将患者数据(即标本数据)的离散程度作为模型选择依据，还考虑到了检测项目所处于的误差场景，通过误差场景对精准建模的有效影响能够使得质量控制模型的监测结果更加精准，在针对不同误差场景下的同一检测项目时，质量控制模型中的浮动均值算法不再单一，进而能够提高标本数据检验的精准度和时效性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例涉及的应用场景的示意图；
图2为本申请实施例提供的一种质量控制方法的流程示意图；
图3为本申请实施例提供的另一种质量控制方法的流程示意图；
图4为浮动均值算法的试验原理图；
图5为5个检测项目在比例误差下的各浮动均值算法的MNped曲线图；
图6为各种检测项目下的质控的效果图；
图7为本申请实施例提供的一种质量控制装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
为了便于理解，首先对本申请实施例的应用场景进行介绍。
图1为本申请实施例涉及的应用场景的示意图。如图1所示，本实施例的应用场景涉及仪器设备和监测设备，其中，仪器设备用于出具某患者的检测数据，监测设备通过PBRTQC质控方法对该检测数据进行监测，当检测数据发生失控时，进行报警。
现有的PBRTQC质控方法仍存在不足，表现为：1)需要针对不同人群，对每个检测项目对象制定质控方案，具体的，现有的PBRTQC技术是基于浮动均值的质控方法，即通过固定长度的滑动窗口滚动监测样本的均值、中值或者其他量，超出设定范围(控制限)即视为失控。控制限是基于正常样本的浮动量统计选取。这类方法对数据性能极其敏感，不同的方法在不同的项目下表现性能不同，因此缺少质控体系的建立弥补单一算法的不足；2)前期设置时，需要了解实验室患者群体的特征和检测项目所用的分析方法，也就是说，目前不同的PBRTQC质控方法在不同特点的数据下表现性能不同，数据特点与患者群体、仪器种类密切相关，因此需要根据不同的患者群体特征、仪器的工作原理总结数据特点，从而对症下药，最终匹配到专属的质控方法；3)其检测的精准度和检测速度不能完全满足临床诊疗需求，在实际应用中，不同的质控方法对应被监测的量不同，这些质控方法对数据质量很敏感，方法的选取过程，以及窗口长度、控制限等参数的设置方式均缺少指导性的标准。一旦给出的不合理，就只能有效识别出较大的偏差，最终导致识别范围变小，准确率低。然而过长的窗口导致需要几百个连续的失控数据才能识别出来，报警迟钝影响检测速度。特别是对于有重要临床价值的项目要求，对小误差检出效能尚待提高，比如：***特异性抗原(PSA)检测对***癌诊断、监测和治疗至关重要。在连续的PSA检测中，0.2μg/L的变化可能被***认为是预后较差的指示。如果能准确识别出是具有临床意义的小偏差，那么可以有效减少后续的误诊发生。4)对实验室信息***的功能要求较高。因此有必要针对不同误差场景下的同一检测项目提供包含不同浮动均值算法类型的质量控制模型，以形成能应对不同误差场景的质控体系。
为了解决上述技术问题中的至少一种，本申请实施例提供了一种质量控制方法、装置、电子设备及存储介质，意在将PBRTQC技术引入检验医学领域，建立一种能够涵盖各种不同误差类型(即误差场景)、大小的，新型的基于患者检验结果(或称为检测结果、标本数据)的实时动态质量控制框架。该框架的建立与临床应用，能够进一步提升检验结果的精准度和时效性，更好地满足临床的需求及行业法规要求，进一步节省医疗资源，降低医疗成本，保障医疗安全，惠及医生和患者双方。为了达到上述目的，本申请先提供一种基于患者检验结果的实时质量控制体系，整体框架分为以下四层：数据获取层、数据分析层、异常识别层和强化学习层。在该实时质量控制体系的基础上，本申请提供了一种质量控制方法。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的一种质量控制方法的流程示意图。如图2所示，本实施例的方法，包括：
S201：获取检测项目的标本数据；
本申请实施例中，检测项目或称为检验项目。常规检验项目包括但不限于：血常规项目和生化项目，其中血常规项目为血清或蛋白，生化项目包括但不限于：葡萄糖(GLU)、总蛋白(TP)、丙氨酸转氨酶(ALT)、天冬氨酶(AST)、白蛋白(ALB)等。该标本数据可以理解成患者样本、患者检测数据、患者检测结果或患者检验结果。该标本数据可以是原始的标本数据，也可以是对原始标本数据进行处理后得到的数据，详情见下述S301～S303。进一步的，S201可以理解成数据获取层的具体操作。在获取标本数据的同时，本申请还可以记录该标本数据对应的患者信息，包括但不限于：年龄、性别、科别、采集时间、所在季节等。需要注意的是，在标本数据采集过程中，仅纳入临床已发出报告的结果。
S202：根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限。所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同。
本实施例中，变异系数为检测项目的指标特性，根据检测项目的指标特性可以提供合适的质量控制模型，该质量控制模型用于推荐相应的浮动均值算法。S202可以理解成数据分析层的操作。在数据分析层，本申请实施例针对不同检测项目，可以根据检测项目的生物学变异系数(简称为变异系数)判断该检测项目是否适用于浮动均值算法。上述变异系数包括个体内变异系数CVi和个体间变异系数CVg。本实施例可以根据CVi和CVg的百分比来判断检测项目的离散程度，例如：如果CVi和CVg均大于60％，说明检测数据不稳定性的可能性极大，那么该检测项目不适用于浮动均值算法。
S203：通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
本实施例中，S203可以理解成异常识别层的操作。在异常识别层，通过历史患者样本计算得出的控制限对同一批次下的新患者样本进行实时监测。
由于现有的质控技术是基于质控品，存在成本高、检验受限的技术问题，本申请实施例基于患者样本，避免了质控品的成本问题，进一步提升了检测结果的精准度和时效性，能够更好地满足临床的需求及行业法规要求。
一种可能的实现方式中，由于本申请中的质量控制模型在应用之前都是预先建立好的，因此在所述根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型之前，质量控制方法还包括以下S204～S205，其中：
S204：获取所述检测项目的变异系数，并根据所述检测项目的变异系数确定多个备选浮动均值算法。
本申请确定多个备选浮动均值算法的步骤是实现算法选型的步骤。本申请可以提供移动加权平均(Exponentially Weighted Moving Average，EWMA)、移动平均数(MovingAverage，MA)、移动中位数(Moving Median，MM)、移动统计中值Hd50、移动标准差(MovingStandard deviation，MovSD)、移动划分个数MovSO中的一种或几种作为备选浮动均值算法。
按照各浮动均值算法在正常样本下可以统计结果，6种计算浮动均值算法的公式如下：
MA：
Figure BDA0003662013340000071
固定窗口内数据的平均值。
EWMA：EWMAt＝(1-λ)×EWMAt-1+λ×xt，在MA算法的基础上滑动加权平均。
MM：MMt＝Median(xt-N，xt-N+1，...，xt)，固定窗口内数据的中位数。
Hd50：Hd50＝(xt-N，xt-N+1，...，xt)，固定窗口内数据的统计中位数。
MovSD：MovSDt＝SD(xt-N，xt-N+1，...，xt)，固定窗口内数据的统计标准差。
MovSO：
Figure BDA0003662013340000072
固定窗口内数据超出临床决定限的个数。
在以上每种浮动均值算法中，步长均可以按照[10，30，50，90，110，130，150]的方式进行搜索。需要注意的是，不同算法对被测的检测项目有不同的误差分辨率，且误差分辨率的大小与该检测项目的数值分布有关。检测项目自身的均值和离散程度均影响误差的识别性，选择与检测项目适合的备选浮动均值算法可以有效改善灵敏度和特异度之间的不平衡关系，因此本实施例可以根据检测项目的个体间变异系数CVg判断离散程度，进而选择合适的移动均值算法作为备选浮动均值算法。
S205：基于所述多个备选浮动均值算法和所述检测项目所处于的误差场景进行网格搜索实验，并基于实验结果建立与所述检测项目对应的质量控制模型。
本申请实施例中，S204～S205，可以理解成包括算法选型、网格搜索实验和结果寻优的统计流程，S205中的网格搜索实验包括数据过滤、数据划分、数据转态(即转正态)、设置窗口长度、选择控制限计算方法、仿真试验和统计结果一系列操作。数据过滤、数据划分、数据转态的具体分析见下述S301～S303。设置窗口长度是指设置可移动的窗口内显示的数据是固定长度。例如：窗口长度是50，那么本申请实施例就以50个为单位，滑动窗口滚动监测样本的均值、中值或者其他量，窗口内的样本进一个出一个，个数保持为50。控制限计算方法是指对正常样本学习后，在设置左右两条控制限的过程中所采用的方法，包括对称法、整体分位法和每日分位法。在选择控制限计算方法之后，可以实现控制限的计算过程。而仿真试验和统计结果的具体过程详情见下述S1～S3。
一种可能的实现方式中，上述S205：基于所述多个备选浮动均值算法和所述检测项目所处于的误差场景进行网格搜索实验，并基于实验结果建立与所述检测项目对应的质量控制模型，包括：S1～S3，其中：
S1：在所述检测项目所处于的误差场景下，提供多个控制限计算方法以及多个窗口长度，并基于所述多个备选浮动均值算法、所述多个控制限计算方法以及所述多个窗口长度，形成多种排列组合。
在本申请实施例中，S1为仿真试验的步骤，本申请实施例可以根据临床实际的误差场景，按照比例误差、恒定误差、随机误差三种场景引入误差，误差大小按误差因子更改。示例性的，本申请实施例可以设置多个仿真日，每日引入1000个连续的误差数据作为检验对象，并将统计受影响的患者样本数量(Nped)作为评价识别率的重要指标。
S2：针对每种所述排列组合，统计所述排列组合在每个预设评价指标下的指标分析结果。
在本申请实施例中，预设评价指标包括以下至少之一：真阳性率(TPR)、假阳性率(FPR)、真阴性率(TNR)、假阴性率(FNR)、累计ANPed(即Nped的均值)、累计95NPed(即Nped的95％分位数)和MNPed(即Nped的中位数)。在实际应用中，真阳性率(TPR)、假阳性率(FPR)、真阴性率(TNR)和假阴性率(FNR)是分类统计下惯用的评估准则，因为质控过程实质是通过识别无偏、有偏样本来判断在控、失控两种情况，所以本申请所处的场景实质属于分类过程。若将这部分指标删去，则不影响整体方案的实现。在整个验证过程中，本申请实施例需要将数据集分为多个仿真日，每天包含有连续的1000个偏差数据。将检测数据从偏移***点开始到识别出偏移为止，所经过的样本个数称为NPed。每个偏差下，均可以统计所有仿真日NPed的平均值、中位数和95个分位数(即ANPed、MNPed和95NPed)，这部分指标是必须要有的，因为这是临床专业认可的指标。
S2为统计结果的步骤，用于将网格搜索实验所涉及到的所有排列组合对应的指标分析结果汇总入表。
S3：基于所述排列组合在所有所述预设评价指标下的指标分析结果，按照所有所述预设评价指标的优先级顺序从所述排列组合中选择一个目标排列组合作为与所述检测项目对应的质量控制模型。
在结果寻优的步骤中，本申请实施例综合统计结果表中每一个排列组合的各项指标，按照一定优先级顺序选择最佳的一种排列组合作为该网格搜索实验的最优解。
在S1之前，可以对建模所使用的样本数据进行处理，数据处理过程与下述S301～S303一致，在此不再赘述。
一种可能的实现方式中，在所述通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果之后，质量控制方法还包括S206：
S206：当所述标本数据积累到预设数量时，更新与所述检测项目对应的质量控制模型；其中，更新后的质量控制模型具有重新优化的控制限。
应理解，S206为强化学习层的具体操作，当患者样本积累到一定程度，可以按照统计流程重新更新该模型，并优选控制限，以提高精度。更新的过程与模型的建立过程类似，在此不再赘述。也就是说，在模型初次使用时，先通过强化学习的步骤预设控制限。预设数量可以由用户进行自定义设置，在模型更新时，控制限的计算方法或数值大小发生变化。
在上述实施例的基础上，下面结合具体的实施例对本申请技术方案进行更详细的描述。
图3为本申请实施例提供的另一种质量控制方法的流程示意图。在图2所示实施例的基础上，本实施例重点对图2中的S201进行细化。如图3所示，本实施例的方法，包括：
S301：获取原始标本数据，并对所述原始标本数据进行过滤处理，得到过滤后的标本数据。本申请实施例中的获取可以理解为收集。该模型建立过程中可以作为样本数据进行模型训练，在临床应用过程中，可以作为模型的输入数据进行测试。
一种可能的实现方式中，S301：所述对所述原始标本数据进行过滤处理，得到过滤后的标本数据，包括：S401，当所述过滤处理为拦截处理时，设置上截断值和下截断值；S402，根据所述上截断值和所述下截断值，对所述原始标本数据中的异常数据进行拦截处理，得到拦截后的标本数据。
本申请实施例对异常数据进行拦截，拦截限(即截断限)定义为正常数据的阈值边界对应的分位数t，t＝[0，0.01，0.05，0.2，0.4]，拦截限上限(即上截断值)为：UTL＝quantile(1-n/2)，拦截限下限(下截断值)为：LTL＝quantile(n/2)。上述拦截处理即拦截异常点，拦截异常点的方式分替换与去除两种形式，其中，替换方式的公式为：
Figure BDA0003662013340000101
去除方式的公式为：
Figure BDA0003662013340000102
其中，NAN为非数。
本申请实施例中，S301中的过滤处理是对原始标本数据的清洗，能够剔除离群值(可以按一定比例，例如：将小于整体25％分位数或者大于整体75％分位数的值作为异常值去除)和荒谬值(例如：空值、字符串、负数等)；或者，去除非数字格式的标本数据、结构不符合常规的数据，避免异常点在后续对控制限计算过程产生不良影响。在数据拦截处理后，可以进行转态。
S302：对所述过滤后的标本数据进行数据变换，得到变换后的标本数据；
一种可能的实现方式中，S302：所述对所述过滤后的标本数据进行数据变换，得到变换后的标本数据，包括：利用Box-Cox变换方式或原型变换方式对所述过滤后的标本数据进行数据变换，得到变换后的标本数据。
原型变换方式或称为原型转态，即为neat型转态，是指按原级处理，即对原数据不做任何处理，直接使用原数据。Box-Cox变换方式或称为Box-Cox转态，Box-Cox变换是在1964年提出的一种广义幂变换方法，是统计建模中常用的一种数据变换，用于连续的响应变量不满足正态分布的情况。Box-Cox变换之后，可以在一定程度上减小不可观测的误差和预测变量的相关性。Box-Cox变换可以明显地改善数据的正态性、对称性和方差相等性质。Box-Cox转态公式为
Figure BDA0003662013340000111
其中，λ是一个box-cox变换自带的变换参数，能够影响到变换后的正态性能，该参数可以利用编程工具直接得出最优值。因此S302中的数据变换实现的是转态。对于转态，针对不同类型的检测项目，其数据分布的偏度均不相同，若将标本数据转为正态，则能够在一定程度上提高实验结果的准确性。
S303：将所述变换后的标本数据确定为所述检测项目的标本数据；
本申请实施例中，上述S301～S303实现的是对原始标本数据的清洗、处理，能够为提高标本数据的检验准确性提供数据基础。另外，除了过滤处理、数据变换，数据处理还可以包括数据划分，数据划分只针对movSD算法，将临床规定的水平决定限作为数据划分的分界点，统计两侧样本点的个数，其中，不同位置的决定限对应的划分结果不同。
在本实施例中，数据处理还可以通过控制年龄、科室、类别的方式进行分类，以及选择实验室数据质控在控时段。需要注意的是，本申请采集的原始标本数据是质控在控时段的数据。
S304：根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限。所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同。
应理解，S304的具体实现方式与图2中的S202类似，此处不做赘述。
S305：通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
应理解，S305的具体实现方式与图2中的S203类似，此处不做赘述。
结合上述具体的步骤分析，下面给出一个实施例对模型的建立过程进行示例分析：
步骤11：通过医院实验室部实验室信息***选取丙氨酸转氨酶(ALT)、天冬氨酶(AST)、葡萄糖(GLU)、总蛋白(TP)和白蛋白(ALB)作为检测项目。选择这些分析物作为检测项目的原因是，这5个分析物在临床实验室中代表了不同的数据分布段位，而且没有显著的性别差异，因为性别分布的波动将导致除分析性能外的平均值发生不可预测的性别差异，因此本申请实施例可以避免上述性别差异。针对每个检测项目，分别进行拦截、转态等数据处理，得到标本数据(以下称为样本)。
步骤12：将样本分为200天，每天1150个样本，前150个样本为正常样本，后1000个样本引入误差作为异常样本。对1000个误差数据进行模拟的过程进行如下分析：将误差定义为比例误差、恒定误差和随机误差三种类型，其中，比例误差的公式为x′＝x×(1+n×TEa)，其中，n×TEa＝[-50％,-48％,-46％,...,46％,48％,50％]；恒定误差的公式为
Figure BDA0003662013340000121
其中n＝[-3,-2.5,-2,-1.5,-1,-0.5,0.5,1,1.5,2,2.5,3]，TEa是临床每个检测项目的行业质量规范，针对各个检测项目，其对应的数值不同，且每年由协会更新；随机误差的公式为
Figure BDA0003662013340000122
其中n＝[0.5,1,1.5,2,2.5,3]，在上述三个公式中，x′表示引入了模拟误差的患者数据，x表示原始患者数据(即样本数据)，
Figure BDA0003662013340000123
表示数据集的平均值，σ表示数据集的标准偏差，n是用来控制引入误差大小的因子。上述TEa是指临床中的总允许误差，是随机误差(BE)和***误差(SE)的总和，用于反映测定结果与真实值的差异，并且所选用的检测方法的总误差必须在临床可接受的水平范围内。
步骤13：基于步骤12中的正常样本进行控制限的计算，首先得到正常样本的均值数据，然后按照不同的方法进行控制限的计算，具体的，控制限的计算方法分为对称法、整体分位法和每日分位法。其中，对称法是根据正常样本的均值数列的分布情况，以均值为对称轴，左右选取标准差宽度的数值作为控制限；整体分位法是指：将所有正常样本的均值数列数据的0.5％分位数为控制限下限，99.5％分位数为控制限上限；每日分位法是指：每日分别单独统计正常样本的均值数列的最小值与最大值，在最小值集合中将0.5％分位数作为控制限下限，在最大值集合中将99.5％分位数作为控制限上限。
步骤14：针对步骤13提供的每一个控制限，按照控制限对每日的1150个样本进行试验，试验方式如图4所示，在最大步长150之后引入1000个偏差数据(即上述误差数据)，当检测到窗口内存在偏差数据时，按照步长滑动计算各个滑动均值算法下的浮动均值，直到超出控制限进行报警，窗口所经历的样本数量记为Nped。如果未识别出偏差数据，那么按1100统计。由于试验的数量较多，因此不再一一列举，本申请将部分试验参数进行如下展示：
表1试验参数
算法 过滤方式 过滤限 转正态方式 步长 控制限计算方法
EWMA 2 5 2 7 3
MA 2 5 2 7 3
MM 2 5 - 7 3
Hd50 - - 2 7 3
MovSD 2 5 2 7 3
MovSO - - - 7 3
由表1可知，本实施例在比例误差场景下，考虑EWMA、MA、MM、MovSD这4种浮动均值算法作为备选浮动均值算法，过滤方式表示采用去除方式，转正态方式为Box-Cox变换，控制限计算方法为每日分位法，窗口长度为50，预设评价指标可以包括：假阳性率、真阳性率、MNped、ANped和95NPed。在该示例中，本申请实施例将上述示例的四种排列组合进行对应试验，得到对应的指标分析结果。5个检测项目各自在上述4种排列组合下构成的MNped曲线如图5所示，曲线的形状用于反映其所采用的浮动均值算法在不同类型、不同大小的偏差下的识别能力，可以直观判断各算法的性能。理想的形状为：两边低、中间窄、左右对称。由此可见，不同检测项目适用的算法各不相同。
预设评价指标的优先级顺序可以是：1)将各排列组合下的假阳列排序，保留假阳性率小于5％的排列组合；2)在1)的条件下，保留真阳性率大于等于90％的排列组合；3)按累计MNped排序，选择最小值对应的排列组合，若筛选结果不唯一，则进一步比较ANped和95NPed，选最小值对应的排列组合。需要注意的是，所有的浮动均值的计算方式、窗口长度的设置和控制限的3种计算方法都需要按一定范围枚举一遍，在最终的汇总表下通过寻优评判规则(即上述预设评价指标)选择最佳的一种排列组合。在结果寻优过程中，本实施例可以按照预设评价指标的优先级顺序对各排列组合进行排序，并将最佳的排列组合作为网格搜索实验的最优解。通过上述方式对各种检测项目进行质量控制，能够得到图6中的各种检测项目下的质控的效果图。
图7为本申请实施例提供的一种质量控制装置的结构示意图。本实施例的装置可以为软件和/或硬件的形式。如图7所示，本实施例提供的质量控制装置，包括：数据获取模块71、数据分析模块72和异常识别模块73。其中，
数据获取模块71，用于获取检测项目的标本数据；
数据分析模块72，用于根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同；
异常识别模块73，用于通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
一种可能的实现方式中，该质量控制装置还包括：获取确定模块和网格搜索实验模块，其中：
获取确定模块，用于获取所述检测项目的变异系数，并根据所述检测项目的变异系数确定多个备选浮动均值算法；
网格搜索实验模块，用于基于所述多个备选浮动均值算法和所述检测项目所处于的误差场景进行网格搜索实验，并基于实验结果建立与所述检测项目对应的质量控制模型。
一种可能的实现方式中，网格搜索实验模块包括：组合单元、统计单元和选择单元，其中：
组合单元，用于在所述检测项目所处于的误差场景下，提供多个控制限计算方法以及多个窗口长度，并基于所述多个备选浮动均值算法、所述多个控制限计算方法以及所述多个窗口长度，形成多种排列组合；
统计单元，用于针对每种所述排列组合，统计所述排列组合在每个预设评价指标下的指标分析结果；
选择单元，用于基于所述排列组合在所有所述预设评价指标下的指标分析结果，按照所有所述预设评价指标的优先级顺序从所述排列组合中选择一个目标排列组合作为与所述检测项目对应的质量控制模型。
一种可能的实现方式中，该质量控制装置还包括：
强化学习模块74，用于当所述标本数据积累到预设数量时，更新与所述检测项目对应的质量控制模型；其中，更新后的质量控制模型具有重新优化的控制限。
一种可能的实现方式中，数据获取模块71包括：过滤单元、变换单元和确定单元，其中：
过滤单元，用于获取原始标本数据，并对所述原始标本数据进行过滤处理，得到过滤后的标本数据；
变换单元，用于对所述过滤后的标本数据进行数据变换，得到变换后的标本数据；
确定单元，用于将所述变换后的标本数据确定为所述检测项目的标本数据。
一种可能的实现方式中，所述过滤单元包括设置子单元和拦截子单元，其中：
设置子单元，用于当所述过滤处理为拦截处理时，设置上截断值和下截断值；
拦截子单元，用于根据所述上截断值和所述下截断值，对所述原始标本数据中的异常数据进行拦截处理，得到拦截后的标本数据。
一种可能的实现方式中，所述变换单元还用于：利用Box-Cox变换方式或原型变换方式对所述过滤后的标本数据进行数据变换，得到变换后的标本数据。
本实施例提供的质量控制装置，可用于执行上述任意方法实施例提供的质量控制方法，其实现原理和技术效果类似，此处不做赘述。
本申请的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
图8为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括接收器80、发送器81、处理器82和存储器83，由上述部件构成的该电子设备可以用来实施本申请上述具体的实施例，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中方法中的各个步骤。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种质量控制方法，其特征在于，包括：
获取检测项目的标本数据；
根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同；
通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
2.根据权利要求1所述的质量控制方法，其特征在于，在所述根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型之前，还包括：
获取所述检测项目的变异系数，并根据所述检测项目的变异系数确定多个备选浮动均值算法；
基于所述多个备选浮动均值算法和所述检测项目所处于的误差场景进行网格搜索实验，并基于实验结果建立与所述检测项目对应的质量控制模型。
3.根据权利要求2所述的质量控制方法，其特征在于，所述基于所述多个备选浮动均值算法和所述检测项目所处于的误差场景进行网格搜索实验，并基于实验结果建立与所述检测项目对应的质量控制模型，包括：
在所述检测项目所处于的误差场景下，提供多个控制限计算方法以及多个窗口长度，并基于所述多个备选浮动均值算法、所述多个控制限计算方法以及所述多个窗口长度，形成多种排列组合；
针对每种所述排列组合，统计所述排列组合在每个预设评价指标下的指标分析结果；
基于所述排列组合在所有所述预设评价指标下的指标分析结果，按照所有所述预设评价指标的优先级顺序从所述排列组合中选择一个目标排列组合作为与所述检测项目对应的质量控制模型。
4.根据权利要求2所述的质量控制方法，其特征在于，在所述通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果之后，还包括：
当所述标本数据积累到预设数量时，更新与所述检测项目对应的质量控制模型；其中，更新后的质量控制模型具有重新优化的控制限。
5.根据权利要求1所述的质量控制方法，其特征在于，所述获取检测项目的标本数据，包括：
获取原始标本数据，并对所述原始标本数据进行过滤处理，得到过滤后的标本数据；
对所述过滤后的标本数据进行数据变换，得到变换后的标本数据；
将所述变换后的标本数据确定为所述检测项目的标本数据。
6.根据权利要求5所述的质量控制方法，其特征在于，所述对所述原始标本数据进行过滤处理，得到过滤后的标本数据，包括：
当所述过滤处理为拦截处理时，设置上截断值和下截断值；
根据所述上截断值和所述下截断值，对所述原始标本数据中的异常数据进行拦截处理，得到拦截后的标本数据。
7.根据权利要求5所述的质量控制方法，其特征在于，所述对所述过滤后的标本数据进行数据变换，得到变换后的标本数据，包括：
利用Box-Cox变换方式或原型变换方式对所述过滤后的标本数据进行数据变换，得到变换后的标本数据。
8.一种质量控制装置，其特征在于，包括：
数据获取模块，用于获取检测项目的标本数据；
数据分析模块，用于根据所述检测项目的变异系数和所述检测项目所处于的误差场景确定与所述检测项目对应的质量控制模型，所述质量控制模型包括浮动均值算法和控制限，所述变异系数为所述检测项目根据生物学变异制定的数值，用于反映所述检测项目的离散程度，同一所述检测项目在不同误差场景下对应的质量控制模型不同；
异常识别模块，用于通过所述质量控制模型确定所述标本数据是否为失控数据的监测结果；其中，所述质量控制模型用于利用所述浮动均值算法对所述标本数据进行计算，得到浮动均值，并通过判断所述浮动均值是否超过所述控制限的方式确定所述标本数据是否为失控数据的监测结果。
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的质量控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的质量控制方法。
CN202210575556.8A 2021-05-27 2022-05-25 质量控制方法、装置、电子设备及存储介质 Active CN114944208B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110584099.4A CN113539397A (zh) 2021-05-27 2021-05-27 一种仅利用患者样本的实时质量控制体系
CN2021105840994 2021-05-27

Publications (2)

Publication Number Publication Date
CN114944208A true CN114944208A (zh) 2022-08-26
CN114944208B CN114944208B (zh) 2023-07-28

Family

ID=78094799

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110584099.4A Pending CN113539397A (zh) 2021-05-27 2021-05-27 一种仅利用患者样本的实时质量控制体系
CN202210575556.8A Active CN114944208B (zh) 2021-05-27 2022-05-25 质量控制方法、装置、电子设备及存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110584099.4A Pending CN113539397A (zh) 2021-05-27 2021-05-27 一种仅利用患者样本的实时质量控制体系

Country Status (1)

Country Link
CN (2) CN113539397A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691722B (zh) * 2022-04-15 2023-09-29 首都医科大学附属北京朝阳医院 医疗数据检测的质控方法、装置、设备、介质及程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007164357A (ja) * 2005-12-12 2007-06-28 Fujitsu Ltd 品質管理方法、品質管理プログラム及び品質管理システム
CN110827935A (zh) * 2019-10-21 2020-02-21 清华大学 一种中西医医疗大数据的数据质控方法及***
CN111696655A (zh) * 2020-06-12 2020-09-22 上海市血液中心 一种基于互联网的实时共享的血液筛查室内质控***和方法
CN112102903A (zh) * 2020-08-25 2020-12-18 中国医学科学院北京协和医院 基于临床实验室检测结果的质量控制***
CN113609216A (zh) * 2021-07-08 2021-11-05 中南民族大学 基于区块链的产品质量诊断方法、装置、设备及存储介质
US20220034922A1 (en) * 2020-07-31 2022-02-03 Sysmex Corporation Quality control support method, quality control support system, quality control support device, and program
CN114330859A (zh) * 2021-12-23 2022-04-12 复旦大学附属中山医院 一种实时质量控制的优化方法、***和设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007164357A (ja) * 2005-12-12 2007-06-28 Fujitsu Ltd 品質管理方法、品質管理プログラム及び品質管理システム
CN110827935A (zh) * 2019-10-21 2020-02-21 清华大学 一种中西医医疗大数据的数据质控方法及***
CN111696655A (zh) * 2020-06-12 2020-09-22 上海市血液中心 一种基于互联网的实时共享的血液筛查室内质控***和方法
US20220034922A1 (en) * 2020-07-31 2022-02-03 Sysmex Corporation Quality control support method, quality control support system, quality control support device, and program
CN112102903A (zh) * 2020-08-25 2020-12-18 中国医学科学院北京协和医院 基于临床实验室检测结果的质量控制***
CN113609216A (zh) * 2021-07-08 2021-11-05 中南民族大学 基于区块链的产品质量诊断方法、装置、设备及存储介质
CN114330859A (zh) * 2021-12-23 2022-04-12 复旦大学附属中山医院 一种实时质量控制的优化方法、***和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDREAS BIETENBECK: "Understanding Patient-Based Real-Time Quality Control Using Simulation Modeling", 《CLINICAL CHEMISTRY》, pages 1072 *
XINCEN DUAN: "Assessment of patient-based real-time quality control algorithm performance on different types of analytical error", 《CLINICA CHIMICA ACTA》, pages 329 *
周睿: "再论定量测量程序质量控制计划的设计和实施", 《临床检验》, vol. 39, no. 12, pages 881 - 891 *

Also Published As

Publication number Publication date
CN113539397A (zh) 2021-10-22
CN114944208B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
US6556951B1 (en) System and method for intelligent quality control of a process
Westgard Internal quality control: planning and implementation strategies
CN107862338B (zh) 基于双检验法的海洋环境监测数据质量管理方法及***
KR101106201B1 (ko) 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체
Schisterman et al. Hybrid pooled–unpooled design for cost‐efficient measurement of biomarkers
CN115691722B (zh) 医疗数据检测的质控方法、装置、设备、介质及程序产品
JP2021056233A (ja) Ａｐｔｔ延長要因推定システム
Santini et al. Accuracy of diagnostic tests
CN114944208A (zh) 质量控制方法、装置、电子设备及存储介质
CN109030803A (zh) 生化检测质控方法
CN114038501B (zh) 一种基于机器学习的背景菌判定方法
CN115620819A (zh) 生物标志物的参考区间计算方法及设备
CN111833009A (zh) 全实验室智能审核软件***
CN113140325A (zh) Hiv患者马尔尼菲篮状菌病发病概率预测模型的建立方法
US20230386665A1 (en) Method and device for constructing autism spectrum disorder (asd) risk prediction model
CN112102903A (zh) 基于临床实验室检测结果的质量控制***
US10973467B2 (en) Method and system for automated diagnostics of none-infectious illnesses
JP2011007686A (ja) 臨床検査結果の分析装置及び分析方法
Vineis et al. Technical variability in laboratory data
CN113889180A (zh) 一种基于动态网络熵的生物标记物识别方法与***
Samanta et al. A New Approach Based on Erythrocyte Indices to Exclude Normal Populations from Chromatography Based Thalassemia Screening Programs with Very High Fidelity
JP3982192B2 (ja) 臨床検査システム
Steindel et al. Quality control practices for calcium, cholesterol, digoxin, and hemoglobin: a College of American Pathologists Q-probes study in 505 hospital laboratories
Pant et al. Basics of laboratory statistics
CN114971408A (zh) 一种实时质量控制纠偏方法、装置、设备及程序产品

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