总分析误差：从概念到实践

如今临床实验室的压力越来越大，它们必须要执行质量管理系统，以及新的质量控制风险管理指南以确保发出去的检验结果及时、准确、可靠。然而，在众多艰难的尝试中有一件事一直被我们忽略，那就是对一个实验室检测来说真实的质量目标或要求。简而言之，实验室专业人员需要一直问的问题是：一个检测项目到底需要多好？正当实验室试图回答这一基础性问题时，另外一些问题也很快浮出了水面——实验室应该如何定义质量目标？实验室应该如何验证分析方法以满足这一目标？什么事确保实验室在常规检验中达到那些目标的最佳方法？

一个有效的管理分析质量的系统可以基于总分析误差（TAE）这一概念而发展起来，这是一个非常有用的指标，能够评估实验室分析质量，也能设定分析的质量目标。其他的工具，如Sigma值、方法决定图、Sigma数据质量控制（SQC）选择图和操作规程书也非常有用。本文，我们回顾了TAE的概念，包括它在实验室检验处理的分析质量管理方面的评价和应用。

 

基本概念

1974年，Westgard、Carey和Wold三人介绍了TAE的概念，以期能提供一个判断方法性能可接受程度的更为量化的指标。当时，实验室采用精密度（不精密度）和准确度（不准确度、偏倚）来表示不同来源的误差，并分别评估它们的可接受度。

这种做法源自传统的分析实验室，在那里经常采用重复检测的方式减少不精密度的影响，偏倚成为评估检验结果质量的主要考量。然而我们知道，临床实验室通常每一份病人样本只进行一次检测。因此，检验结果的分析质量全倚靠某种检验方法精密度和准确度的全局yu或总效应。

这种在临床实验室工作中间出现的差异促成了TAE概念的引进。简单来说，作者推荐方法学性能的可接受性用可观察到的误差的大小相对于已定义的可允许总误差（ATE）来判断。

评估TEA

 

 

作者推荐在评估TEA时，将通过方法学比对研究得到的偏倚（Bias）与重复研究所得到精密度（Precision）结合起来。也就是说，将标准误（SD）与变异系数（CV）相加，即在第95百分位可信区间或可能的分析误差限TEA=bias+2SD（或者TEA=bias+1.65SD，用于单侧估计时），见图1。

图1

 

 

在Westgard，Carey和Wold提出这些定义之后，一些分析学家争论，认为还需要考虑到误差的其他组分，例如影响个体样本的干扰因素，有时涉及随机误差。为了包括这些影响因素，Krouwer建议利用与参考方法比对来评估TAE，临床实验室标准协会（CLSI）随后利用这种评估TEA的方法建立了EP21A指南文件。

 

这个直接评估方法要求最小样本量为120个病人，这对于生产商进一步验证新方法很有用。医疗保险与医疗救助服务指导中心按照CLIA的要求，建议临床实验室工作者最少用20个对照样本来验证生产商声明的精确度和偏差。随后，综合方法学实验的重复和比对来评估TAE更加可行。实验室工作者可以选择利用长期SQC和定期评估来自能力测试（PT）或者外部质量评估实验（EQAS）的误差来进行持续性评估。

如今，仪器生产商通常申明的只是精确度和偏倚而不是TAE。因此，临床实验室人员必须评估精确度和偏倚的进行独立的验证，除了FDA列为不必要的检测方法。对于这些检测方法，FDA推荐生产商在开始临床研究之前，建立TAE评估的标准来客观评价每个新方法和装置。

现在FDA推荐生产商评估TAE作为“综合所有来源的误差，包括系统误差和随机误差，通常以工作方法和比对方法之间差异的特定比例区间表示（例如，95%）”。FDA进一步建议3个浓度决定水平，每个水平至少120个病例样本比对，这意味着生产商总共需要进行360个病例对比。

ATE（可允许总误差）的目标

ATE评估检测程序的质量，它的实际价值取决于检测结果适用性的比较。换而言之，这个定义适用于避免检测结果解释无效的可接受的错误最大值。

实验室专家能够在许多国家和国际PT和EQA项目中找到对ATE的推荐。此外，西班牙Ricos和同事建立了一个生物学目标的数据库。WWW.westgard.com，这个数据库包括建立在生物学变异研究基础上的300多个测量变量。它还对于可允许SDs、偏倚和生物学变异提供建议，使之符合Fraser’s 指南。

操作规范

实验室专家建立仪器ATE的目标没有困难，但达到这个目标又是另外一回事。达到目标要求实用性策略。例如，美国病理学会（CAP）标准要求HbA1c的能力测试调查是7%。为了达到这个目标，实验室工作者必须选用精确度和偏倚适宜稳定的方法，应用正确的SQC去发现导致不稳定性的分析问题。

我们用“操作规范”描述检测程序的可接受精确度、偏倚和SQC，包括必要的控制规则和检测数目来监测基线水平，确保实验室达到既定的质量目标。

这些方法已经在ISO15189中有所要求（7）：

5.5.1.1“实验室应该对所选择的检验方法进行性能验证。”

5.6.2.1“实验室应该设计质控程序并通过其验证预期质控目标的达成。”

 

正如ISO文件所写的，质控程序以及质控数据都描述着质量管理的目标或要求。这些质量目标也同样影响着方法学选择以及SQC过程设计的指导原则。适当的结合精密度、偏倚以及SQC成为了完成预期质量目标的最佳策略。

 

 

实用工具

 

 

对于不需要进行方法学性能验证的检测，FDA要求试剂厂商写明允许总误差并且估算出总误差，但是CLIA并没有要求实验室核实验证方法的性能参数或者进行SQC，除非厂商有着明确的规定。对于其他检测，正如大多数临床实验室所开展的检测，CLIA也要求实验室验证厂商所给出的精密度、偏倚等性能参数，并且执行每天至少一次两个浓度的质控以及通过定期的能力比对测试的最低SQC计划。

 

我们相信一个最合适的系统会对所有检测方法有一个根据质量所规定的允许总误差目标的要求。另外，实验室也被要求所有检测项目参与能力比对测试。目前，实验室只是被建议通过自行制定质量目标，运用一些以下所提到的工具来进行全面的质量管理。

 

Sigma指标。虽然原来所推荐的总误差标准是ATE≥bias+2SD，但是后来的文章推荐ATE≥bias+4SD，随着6sigma概念被普遍接受，建议ATE≥bias+5SD或者ATE≥bias+6SD。

运用6sigma的耐受限制与实验室对总误差的限制一致，一个简易的计算公式定义为，sigma=(允许总误差-偏倚)/标准差或者（允许总误差%-偏倚%）/不精密度%，并用此来评价检验质量（图2）。Sigma的指标越高，检验的质量也就越好。工业上推荐至少3-sigma的标准来监督常规生产流程。当Sigma升高时，SQC变得更简单、有效；因此，5-6个sigma的质控方法常被实验室工作人员用于完成CLIA每次分析时两个级别质控所要求的最低标准。

 

 

 

图2

方法决定图。方法决定图作为一种使用sigma度量来评估实验室检测质量的图形工具，在定义了ATE的情况下是十分有效的。为了构建这样的图，Y轴（允许的偏倚）的范围应该从0到ATE的值，X轴（允许的精密度）的范围则是从0到0.5ATE。ATE、偏差和精度的单位可以是浓度或者百分比，但必须是统一的。通过定位Y轴的截距为ATE、X轴的截距为ATE/m来画出表示不同ATE标准的直线，其中m为总误差标准下SD或CV的倍数。

 

图3向我们展示了一个基于CAP PT标准为7.0%的HbA1c的方法决定图的例子。为了评估某一方法的质量，我们应该画出一个观测误差为Y轴坐标、观测SD或CV为X轴坐标的点。例如，一种HbA1c检测法的误差为1.0%、CV为1.5%，在图三中，我们用点A来表达，它落在了表示4sigma的线上。为确保这是准确的，我们仍需计算sigma度量标准，其值为(7.0-1.0)/1.5=4.0。

 

 

图3

Sigma SQC选择图。使用SQC过程以后，我们可以通过统计的方式来监控和评估实验室的系统，其中，几个制图程序可以通过图形的形式来评价关键步骤的连续性并辨别出可能值得关注的不寻常状况。通过使用Power Curve，我们可以从图中得到与误差大小有关的拒绝概率。图4提供了几个不同统计质量控制程序的Power Curve，并展示了一个sigma为4.0的实例。正如我们所预期的，误差探测率（Ped）随着误差的增大、控制测量数的增加及更多的相关控制规则而增大。假性拒绝概率率（Pfr），即能量曲线的Y轴截距，也同样少量的增加了。

 

 

图4. Sigma SQC 选择图

一个适当的SQC过程可提供一个高Ped及一个低Pfr。实验人员同样可以通过质量目标及使用方法的偏差和精度计算出重要系统误差的大小，这个误差被称为关键系统误差（DSEcrit）。其公式为：DSEcrit=[(ATE-bias)/SD]-1.65，其中1.65这一项是为了最小化使错误测试结果风险为5%而选择的。公式中（ATE-bias）/SD这一项表示了检测程序的sigma度量标准，即Sigma= DSEcrit+1.65。这一关系使得我们可以像图4上方的水平坐标那样，以sigma再重新定义坐标轴。为了选择一个合适的SQC过程，我们可以在对应的检测程序的sigma度量标准处画一条垂直线。例如，我们既可以选择一个N=4的12.5s单一规则，又可以选择N=4的13s/22s/R4s/41s的多规则程序。使用sigma度量标准来选择一个适当的SQC过程的指导方法可在CLSI C24A3中找到。

操作规程图

 

 

这种工具将某种检验方法所观察到的精密度和偏倚与期望得到的SQC相关联，使用了与方法决定图相同的格式。它使用“误差分配”形式的数学方程式来描述不同误差组份和设定的质量目标之间的关系。其起始点为总误差分配，是由偏倚加上多个SD或CV组成的。如果加上一个特征性地表示SQC过程敏感度的因子，那么它就能提供一种分析质量计划模型。进一步扩展到包含了分析前变量及考虑到受试者的生物学变异，那它能提供一种临床质量计划模型，将检验结果中有医学上重要改变的信息与精密度、准确性和SQC关联起来。

 

图5显示了实验室如何能够展示这些模型的结果，即大家所知的OPSpecs图。这张图使用已设定的质量目标，将可允许的偏倚作为Y轴，将可允许的SD或CV作为X轴。一个操作点代表了Y轴上观察到的方法偏倚和X轴上观察到的方法精密度。图上的线条表示了不同SQC过程的不同可允许范围。

 

 

 

图5

任何高于操作点的线条表示这样一种SQC过程：它在检测有医学重要性的系统误差上能够提供至少90%的几率。其控制规则和控制测试数量在右侧的图例中已经阐明，图上的线条从顶到底，对应了图解中的从顶到底。例如，HbA1c检测方法的偏倚是1.0%，CV是1.5%，如点A所示，那么它能够有效地通过N=4的12.5s单规则过程或N=4的13s/22s/R4s/41s多规则为过程得以控制。

 

 

标准化方法确定和OPSpecs图

对每一项检测项目设定的误差目标进行方法确定和OPSpecs图绘制是很具挑战性的。另一种可选择的方法是，实验室标准化图，Y轴标有0~100%，X轴标有0~50%。随后计算出操作点的坐标，作为已设定的误差目标的百分数。例如，某方法的ATE是7%，偏倚是1.0%，CV是1.5%，那么其Y坐标是是14%，X坐标是21%。

 

 

标准化图的优点是不同质量要求的不同检测项目可以在同一张图表上呈现出来。比如床边毛细血管血糖（ATE=15%），实验室静脉血糖（ATE=10%），HbA1C（ATE=7%）可以在同一张方法确定或OPSpecs图上表示出来。而且，实验室可以在同一张表上表示出所有的多测试分析仪的测试项目。

 

 

小结

作为实验室人员，我们的使命是提供准确和有用的信息给临床医生，让他们做出患者的诊断和治疗的决策。理解如何设定检测的质量目标和如何达到这些目标是那项使命的关键所在。

这篇综述尽是浮光掠影般地了解了一下TAE和ATE的概念。本文更详细的版本已在网上发布，还有更多关于质量目标的其他讨论的链接，以及质量目标的表格，更多的应用实例和更详尽的参考文献。

（新华医院 周鑫昀、马娟、王蓓、陆一闻 供稿）