Gleitende Durchschnittliche Klinische Chemie

Statistische Qualitätskontrolle in Hämatologie-Analysatoren Die statistische Qualitätskontrolle, die in Hämatologie-Analysatoren durchgeführt wird, hat viele wichtige Unterschiede von den entsprechenden Techniken in den klinisch-chemischen Analysatoren. Diese Unterschiede sind aus Gründen, wie zum Beispiel die hohe Stabilität der Zytometrie Technologie, die kleine biologische Variation einiger hämatologische Parameter, die großen Reagenzgläsern und die kleine Zeit nachhaltig der Hämatologie Kontrollen. Wegen der oben genannten Gründe, die Levey-Jennings Diagramme in Hämatologie-Analysatoren unterscheiden sich von entsprechenden Charts in der klinischen Chemie. Zum Beispiel haben die Hämatologie Levey-Jennings Diagramme nur drei Linien (obere und untere Grenzen und zentrale Linie). Der Grund dafür ist, dass diese Levey-Jennings-Diagramme nicht statistisch aus einer normalen Verteilung der bisherigen Qualitätskontrolldaten erstellt werden, was aufgrund der sehr kleinen Variation der hämatologischen Qualitätskontrollwerte nicht möglich ist. In Hämatologie-Analysatoren gelten die oberen und unteren Grenzwerte als Grenzwerte für die industrielle Qualitätskontrolle. Die kleine biologische Variation vieler Hämatologieparameter machte viele Forscher zu etablierten Methoden der Qualitätskontrolle, die nur auf den Ergebnissen der Patienten basierten. Solche geeigneten Parameter sind die Erythrozyten-Indizes (MCV, MCHC, MCV) mit dem kleineren biologischen Variation (nicht nur auf die Biologie, sondern vor allem auf die Hämatologieanalysatoren t echnology). Diese Attribute von ihnen inspiriert Brian Bull (ein amerikanischer Hämatologe), um eine neue Qualitätskontrolle Methode weithin als Bulls-Algorithmus bekannt zu etablieren. Bulls-Algorithmus (auch bekannt als Methode) erkennt systematische Fehler in MCV, MCHC und MCV und folglich in HgB, Hct und RBC. Seine Methode ist eine Art gleitender Durchschnitt. Ihre Hauptidee ist es, den Mittelwert der letzten zwanzig Patientenwerte, darunter auch den Mittelwert der Charge der letzten zwanzig Werte, abzuschätzen. Der Algorithmus selbst ist eine ziemlich komplizierte Gleichung, die die Ausreißer eliminiert und den gleitenden Durchschnitt der letzten zwanzig Werte schätzt. Stier-Algorithmus hat sich als sehr effektiv bei der Erkennung kleiner systematischer Fehler (fast 1) nicht nur in Erythrozyten-Indizes, sondern auch in fast allen Hämatologie-Parameter. Es verwendet alle Patienten Daten ohne Ausnahme. Die letzte Tatsache machte Bulls-Algorithmus die billigste Qualitätskontrolle Methode in der Labormedizin. Hämatologie Qualitätskontrolle Proben dauern nur 20 30 Tage und sind sehr teuer, wenn auf der anderen Seite Vollblutproben im Kühlschrank für 24 Stunden stabil sind. Diese Tatsachen führten einige Forscher dazu, Methoden zu finden, die auf der wiederholten Analyse von Patientenproben beruhen. Diese Verfahren sind als zurückbehaltene Patientenproben bekannt. 1988 stellte Cembrowski (kanadische klinische Chemiker) die effektivste Patientendaten-Methode her. Es basierte auf der wiederholten Analyse der gleichen Patientenproben zwischen zwei aufeinanderfolgenden Tagen. Seine Methode ist bekannt als mn lim. - Lim steht für die Qualitätskontrollgrenze. Sie ist gleich dem Doppelten der Standardabweichung der repetitiven Analyse (2 x SD). - n steht für die Anzahl der Patienten, die zweimal analysiert werden. - m steht für den Anteil der n Anzahl der Proben, der außerhalb der Grenzwerte (lim) liegen darf. Statistische Simulationen von Cembrowski bewiesen die Wirksamkeit seiner Methode. Ihm zufolge ist die beste Kombination von m, n und lim 2, 3, 2 oder 23 2s. Abschließend stehen drei verschiedene Methoden zur Verfügung, um die analytischen Fehler im hämatologischen Labor nachzuweisen. Levey-Jennings erkennt systematische und zufällige Fehler. Im Gegenteil, Bulls-Algorithmus und behalten Patientenproben entdecken nur systematische Fehler, aber sie haben den Vorteil der niedrigen Kosten. Labor kann die beste Kombination der drei wählen. 949955949965964945943945 T 949957951956941961969963951. 922965961953945954942 921945957959965945961943959965 20, Am 2013Ensuring Qualität IT Algorithmen - Fallbeispiel: University of Michigan Chemical Pathology Laboratory Bitte wählen Sie eine der folgenden Optionen: Moderator: Nancy Haley, Senior Clinical Consultant Siemens Healthcare Diagnostics, Inc. Tarrytown, NY Sprecher: Eric Vasbinder , Chemie Automation Leiter Chemical Pathology Laboratory der University of Michigan Health System Ann Arbor, MI Jedes Labor will die höchstmögliche Qualität und erfüllen ihre Verpflichtung zu erreichen, rechtzeitig Ergebnisse zu liefern. Allerdings ist die Verwaltung der Qualitätskontrolle (QC) häufig ein manueller und zeitraubender Prozess, der die Bearbeitungszeit und das Fehlerrisiko erhöhen kann. In diesem Webinar wird Eric Vasbinder von der University of Michigan Hospital gezeigt bewährte Techniken wie Patienten bewegte Durchschnitte und Westgard-Regeln zu proaktiv zu behandeln QC Fragen. In den vergangenen 7 Jahren hat die University of Michigan in der Lage, Fehler zu reduzieren, um 73 und erhöhen das Volumen 97, während die Mitarbeiterschaft flach. Erfahren Sie die Tipps und Techniken, die für dieses fortschrittliche Labor gearbeitet haben, um QC mit dem CentraLink Data Management System zu optimieren. Erfahren Sie, wie proaktiv QC verwalten und Probleme zu verhindern, bevor sie die richtige Chargengröße für Patienten auswerten auftreten gleitende Durchschnitte, die Vorteile erkunden zu integrieren QC mit Ihren Daten-Management-Prozess die Problembereiche erkennen und umleiten Proben zu minimieren Verzögerung und Reagenzien Abfall Siemens weiterhin Bildungs ​​zu schaffen Chancen zu wichtigen Themen der Laborwissenschaft und der klinischen Umsetzung. Wir laden Sie ein, an anderen Siemens-Webinaren meetme. netsiemenswebinars teilzunehmen und oft zurückzukehren. Als Ihr zuverlässiger Partner ist Siemens engagiert sich, damit Sie an der Spitze der Labor medicine. Optimization eines Moving Averages Programm bleiben, um ein simuliertes Ausglühen Algorithmus: Das Ziel ist es, den Prozess zu überwachen die Patienten nicht Hintergrund: Der Patient gleitenden Durchschnitt (MA) Ist eine QC-Strategie, die das durchschnittliche Patientenergebnis verwendet, um die Testleistung kontinuierlich zu überwachen. Die Entwicklung empfindlicher MA-Protokolle, die einen systematischen Fehler (SE) schnell erkennen, ist eine Herausforderung. Wir vergleichen MA-Protokolle, die mit einem zuvor veröffentlichten Bericht als Leitfaden erstellt wurden, und zeigen die Verwendung eines simulierten Anlagerungsalgorithmus (SA), um die MA-Protokollleistung zu optimieren. Methoden: Unter Verwendung von 400 Tagen Patientendaten entwickelten wir MA-Protokolle für 23 Tests. MA-Protokolle, die unter Verwendung eines zuvor veröffentlichten Berichts und unseres SA-Algorithmus entwickelt wurden, wurden unter Verwendung der durchschnittlichen Anzahl von Patienten, die bis zur Fehlerdetektion (ANP ed) betroffen waren, verglichen. Ergebnisse: Der Vergleich der Strategien zeigte, dass mit dem SA-Algorithmus entwickelte Protokolle im Allgemeinen überlegen sind. Einige Analyten wie Gesamtprotein zeigten eine beträchtliche Verbesserung, mit positiven SE gleich 0,8 GDL mit einer ANP ed von 135 Proben nachgewiesen unter Verwendung der zuvor veröffentlichten Verfahren während der SA-Algorithmus diese SE mit einem ANP ed von 18 nachgewiesen Nicht alle Analyten zeigten ähnliche Verbesserung Mit dem SA-Algorithmus. Phosphor, beispielsweise gezeigt, nur geringfügige Verbesserungen mit einer positiven SE von 0,9 mgdL mit einem ANP ed 34 detektiert den zuvor veröffentlichten Verfahren vs einem ANP ed von 29 unter Verwendung des SA-Algorithmus. Wir zeigen auch ein Beispiel der SE-Erkennung in einer Live-Umgebung mit dem SA-Algorithmus abgeleiteten MA-Protokolle. Schlussfolgerungen: Die SA-Algorithmen entwickelten MA-Protokolle sind derzeit in unserem Labor und sie erkennen schnell SE, wodurch die Anzahl der Proben, die Korrektur und Verbesserung der Patientensicherheit. Erhalt für die Veröffentlichung 2. März 2016. Akzeptiert zur Veröffentlichung 6. Juli 2016. 2016 American Association for Clinical Chemistry