周睿，王清濤(1.首都醫(yī)科大學附屬北京朝陽醫(yī)院檢驗科，北京 100020；2.北京市臨床檢驗中心，北京 100020)

由國際標準化組織(International Organization for Standardization，ISO)起草的ISO 15189國際實驗室認可準則規(guī)定“實驗應(yīng)設(shè)計質(zhì)量控制程序以驗證達到預(yù)期的結(jié)果質(zhì)量的目標”，但是沒有明確該如何實現(xiàn)這一目標。美國臨床和實驗室標準協(xié)會(Clinical and Laboratory Standards Institute，CLSI)指南類文件及國內(nèi)行業(yè)標準《臨床檢驗定量測定室內(nèi)質(zhì)量控制》明確了實現(xiàn)該目標的方案框架，但是仍無法在實驗室有效實施。這是因為：第一，實驗室重視質(zhì)量，同時要考慮成本；第二，現(xiàn)今實驗室關(guān)注的質(zhì)量控制，準確地說是質(zhì)量的符合性，即：與法規(guī)的符合性，與認可準則的符合性和與國際標準的符合。如果不清楚實驗室質(zhì)量究竟需要控制什么，應(yīng)該如何控制，需要達到何種標準，則所說的質(zhì)量控制就并非真正意義的質(zhì)量控制，只能稱為過程控制，甚至是“隨意控制”。如何在實驗室設(shè)計和實施正確、適宜的質(zhì)控計劃，值得認真思考。

1 基于穩(wěn)定質(zhì)控物的室內(nèi)質(zhì)控(internal quality control, IQC)

傳統(tǒng)室內(nèi)質(zhì)控是醫(yī)學實驗室質(zhì)量管理技術(shù)手段之一。目前實驗室多數(shù)檢測項目質(zhì)控程序采用13s質(zhì)控規(guī)則，在定義的24 h分析批內(nèi)，測試2個水平的質(zhì)控物，測試頻次為1次，即不同專業(yè)、不同項目、不同設(shè)備采用相同質(zhì)控程序。美國CLSI C24 A4及EP23A2技術(shù)指南提出基于風險管理思路設(shè)計和實施IQC計劃，其中包括質(zhì)控物數(shù)量、質(zhì)控結(jié)果數(shù)量、質(zhì)控規(guī)則和質(zhì)控頻次等關(guān)鍵要素。在質(zhì)控實施中，以6σ為質(zhì)量控制評價標準，較易實施。σ可理解為與臨界系統(tǒng)誤差(△SEcrit)相關(guān)的效能指數(shù)，公式為σ=[(TEa-biasmeas)/smeas]=△SEcrit+1.65s。其中，TEa表示測試項目的允許總誤差。2014年國際共識將TEa分類3類，分別為：(1)根據(jù)臨床結(jié)局確定的TEa標準，(2)根據(jù)待測物生物學變異度確定的TEa標準，(3)根據(jù)當前檢測技術(shù)水平確定的TEa標準[1]。SEcrit為測試項目的臨界系統(tǒng)誤差，表示在某項目的臨界系統(tǒng)偏移識別率為0.9或90%情況下，導(dǎo)致發(fā)出錯誤檢測報告的風險為5%。σ越高，說明實驗室測量程序性能越好，故質(zhì)控程序可選擇相對簡單的單一質(zhì)控規(guī)則，使用較少的質(zhì)控測試數(shù)，且定義較長的分析批，就能達到理想的監(jiān)控效果。例如，當測量程序達6σ時，質(zhì)控批長度定義為250患者樣本情況下，采用13s規(guī)則，質(zhì)控測試數(shù)為2的統(tǒng)計學質(zhì)量控制(statistical quality control，SQC)程序，誤差檢出率(error detection rate，Ped)仍可達1.00。而若測量程序為3σ，使用上述相同IQC程序則不能對分析過程進行有效監(jiān)控。

由于測試量的增加和檢驗?zāi)Ｊ降母淖?，現(xiàn)在的實驗室已非以前定義的實驗室。例如，測試量的增加表現(xiàn)為在大型醫(yī)療機構(gòu)中心實驗室多臺檢測設(shè)備測試同一檢測項目，而檢驗?zāi)Ｊ礁淖儽憩F(xiàn)為區(qū)域檢測中心不同實驗地點測試相同的檢測項目。故質(zhì)量控制模式也隨之發(fā)生變化。ISO15189 5.6.2.2準則描述，質(zhì)控頻率應(yīng)基于檢驗程序的穩(wěn)定性和錯誤結(jié)果對患者危害的風險而確定。故無論使用何種質(zhì)控技術(shù)，均應(yīng)合理確定質(zhì)控分析批。CLSI C24-A2定義分析批為使分析測量系統(tǒng)的正確度和精密度處于穩(wěn)定狀態(tài)的時間間隔或其間所包含的測試標本數(shù)[2]。由于實驗室通過質(zhì)控樣本評估每個分析批的方法性能，所以評估質(zhì)控結(jié)果的時間間隔可作為1個分析批。平均批長度(average run length，ARL)是指觀測到質(zhì)控失控報警前分析批數(shù)的平均值。CLSI C24-Ed4根據(jù)質(zhì)控位點，將質(zhì)控計劃分為批質(zhì)控(batch QC)、連續(xù)質(zhì)控(bracketed QC)和關(guān)鍵點質(zhì)控(critical control point QC)。批質(zhì)控需要定義在某個時間段所有患者測試樣本的起、止時間點。對于此類質(zhì)控計劃，質(zhì)控位點設(shè)置在所有測試的起、止點以及根據(jù)測量程序穩(wěn)定性確定的其他質(zhì)控位點。連續(xù)質(zhì)控未定義針對測試樣本的起、止點，質(zhì)控物定期插入患者標本進行測試。因此，對于此類質(zhì)控計劃，分析批的確定非常重要。關(guān)鍵點質(zhì)控指將影響檢測質(zhì)量的已知關(guān)鍵點作為質(zhì)控位點，例如定標、維護保養(yǎng)、試劑或定標品批號改變、試劑批次改變等。Yago、Alcover和Bayat設(shè)計的諾莫圖可通過實驗室計算的值，定義分析批，但是以此確定的IQC程序未考慮假陽拒絕概率(Pfr)[3-4]?？傊?，目前基于風險評估的傳統(tǒng)質(zhì)控技術(shù)由于缺乏有效的軟件工具，連續(xù)質(zhì)控和患者報告間的可操作性等問題，未能在實驗室有效實施。

2 基于患者樣本的實時質(zhì)量控制(patient-based real-time quality control，PBRTQC)

目前，越來越多的學者認為僅使用傳統(tǒng)質(zhì)控不能準確、快速識別分析誤差。首先，傳統(tǒng)質(zhì)控缺乏互換性，一方面會導(dǎo)致誤差識別的真陽性率降低或假陽性率升高，另一方面會導(dǎo)致IQC靶值與儀器相關(guān)，而非待測物真實水平。第二，由于IQC假定誤差是持續(xù)的，需要到下一個質(zhì)控點才能檢出，故該方法無法有效監(jiān)控短期的系統(tǒng)漂移。第三，IQC可理解為在某一時間點的回顧性過程質(zhì)控，而非實時質(zhì)控監(jiān)控。第四，IQC的測試成本問題也不容忽視。1965年，Hoffmann和Waid提出了一種基于患者數(shù)據(jù)的質(zhì)控方法，稱為平均正常值法(average of normals，AON)，但是由于此方法數(shù)據(jù)獲取困難以及計算量大，當時并未在臨床得以應(yīng)用[5-6]。1974年，出現(xiàn)AON質(zhì)控方法的一種變體Bull算法，首次商業(yè)化應(yīng)用于自動血液分析儀的質(zhì)量控制。隨后，該方法也被國際學者們不斷研究并改進，涌現(xiàn)出一類基于患者數(shù)據(jù)的衍生算法，該類方法可以實時工作，因此被統(tǒng)稱為PBRTQC[7]。

PBRTQC的基本原理是將一批數(shù)據(jù)轉(zhuǎn)換成一個均值，然后給均值設(shè)置一個控制限范圍，超出該范圍判定為失控。不同PBRTQC算法的本質(zhì)區(qū)別在于計算均值的方式：MA算法是計算各批次下的平均值；EWMA算法是在MA的基礎(chǔ)上通過權(quán)重連接相鄰2個批次的均值；Xbar算法與EWMA類似，通過統(tǒng)計批次間的波動量連接相鄰2個批次的均值；MM算法是計算各批次下的中位數(shù)，比MA更穩(wěn)定；HD50算法與MM類似，利用統(tǒng)計估計的方式選取中位數(shù)；MovSD算法是計算各批次下的標準差；MovSO算法是根據(jù)某濃度水平將數(shù)據(jù)劃分為正?；蛘弋惓?，在每個批次下計算異常值的個數(shù)；AOD法是計算患者2次結(jié)果的差值(delta)[8]。PBRTQC為僅利用實驗室生成的患者結(jié)果數(shù)據(jù)監(jiān)測分析系統(tǒng)性能改變的質(zhì)控方法，其性能受數(shù)據(jù)分布及實驗室操作等因素影響，常見于：(1)病理、生理導(dǎo)致的個體生物學變異；(2)待測物整體人群中的不同亞組，如兒童、性別、孕產(chǎn)期等；(3)實驗室操作的影響，例如1周內(nèi)會有某天實驗室檢測透析室患者，當天肌酐檢測數(shù)量標本數(shù)增多，導(dǎo)致該時段的平均肌酐濃度的檢測值升高；(4)對于某些測試，因臨床解釋不同導(dǎo)致的樣本結(jié)果錯誤診斷和分類[9]。因此，在應(yīng)用前需要對數(shù)據(jù)進行嚴格清洗，選擇相對穩(wěn)定的患者人群的檢測結(jié)果，排除分析系統(tǒng)改變以外的“噪音”?？梢赃x擇實驗室有代表性的至少1年的數(shù)據(jù)，分年齡、性別、臨床服務(wù)、醫(yī)囑申請科室、日期和時間繪制散點圖，觀察數(shù)據(jù)分布情況、單位時間內(nèi)測試數(shù)量等，用于數(shù)據(jù)篩選。

清洗后數(shù)據(jù)用于實施PBRTQC，包括4個關(guān)鍵步驟：(1)數(shù)據(jù)攔截與轉(zhuǎn)態(tài)，(2)計算平均值，(3)確定控制限，(4)實施監(jiān)控。關(guān)于步驟1，通過數(shù)據(jù)攔截進一步去極值，通過轉(zhuǎn)正態(tài)使得數(shù)據(jù)在偏態(tài)、峰態(tài)上呈現(xiàn)正常的分布，這2個環(huán)節(jié)對于某些算法來說非必要步驟，如圖1所示，依算法原理而定。步驟2中利用滑動窗口長度(步長)及適宜的PBRTQC算法，將樣本隊列換算為浮動基準隊列。在步驟3中，針對浮動基準隊列作相應(yīng)的統(tǒng)計分析，從中篩選上、下控制限(control limits，CLs)。PBRTQC算法中CLs的計算，可選取不同計算方式[7]。在步驟4實際監(jiān)控的環(huán)節(jié)即通過CLs判斷狀態(tài)，報警后需驗證報警信息的有效性，排除分析系統(tǒng)改變以外因素，盡量減少誤報警。驗證方法包括但不限于：(1)更換設(shè)備，比對患者樣本；(2)測試質(zhì)控樣本；(3)測試能力驗證或室間質(zhì)評樣本；(4)審核患者信息及檢測結(jié)果等。

圖1 PBRTQC實施流程

PBRTQC作為一種新型質(zhì)控技術(shù)，雖然不能完全替代傳統(tǒng)IQC，但是可以建立聯(lián)合IQC策略，有效彌補傳統(tǒng)IQC的不足，并可使質(zhì)控物的測試量減少75%～85%[8]。

3 基于機器學習技術(shù)的新型質(zhì)控方法

機器學習(machine learning，ML)作為人工智能領(lǐng)域的一個分支，在語音識別和計算機視覺等方面得到飛速發(fā)展，在醫(yī)療領(lǐng)域的應(yīng)用也逐漸成熟。近年來在互聯(lián)網(wǎng)大數(shù)據(jù)這一環(huán)境下，ML的發(fā)展為醫(yī)療與健康服務(wù)帶來了變革與創(chuàng)新。目前，ML技術(shù)主要集中于對醫(yī)學圖像、電子病歷、藥物研發(fā)和基因組學的分析等，被廣泛應(yīng)用于疾病預(yù)防控制中心(The Centers for Disease Control and Prevention，CDC)的預(yù)防醫(yī)學及臨床醫(yī)學。ML中的分類算法適用于實驗室質(zhì)控監(jiān)控場景，即可以將儀器穩(wěn)定狀態(tài)下的患者檢測數(shù)據(jù)認定為無偏數(shù)據(jù)，將儀器異常改變轉(zhuǎn)態(tài)下的患者數(shù)據(jù)視為有偏數(shù)據(jù)，利用ML的分類算法區(qū)分這2類數(shù)據(jù)。由于質(zhì)控的研究對象是單個檢測項目，而機器學習算法需要多個特征信息，因此需將患者結(jié)果數(shù)據(jù)按批次組隊，以批為1個整體，既引入了序列化特性，又滿足了機器學習算法的需求，由此完成將醫(yī)學問題向數(shù)學問題的轉(zhuǎn)化。實驗過程中將所有收集的無偏樣本均認定為“0”類，人為引入不同大小、不同類型誤差后的各組有偏樣本均認定為“1”類。通過的大量數(shù)據(jù)迭代，將2類數(shù)據(jù)的分布規(guī)律歸納成超曲面，最終將2類數(shù)據(jù)加以區(qū)分。

ML質(zhì)控實驗流程如圖2所示，算法模型訓(xùn)練及測試的主要步驟如下。首先，通過特征工程對ML模型訓(xùn)練前的所有數(shù)據(jù)進行預(yù)處理，主要涉及單位量綱轉(zhuǎn)化、數(shù)據(jù)濾過、數(shù)據(jù)標準化及隊列組織?？赏ㄟ^異?？刂票壤@一超參數(shù)控制數(shù)據(jù)過濾的比例，相當于數(shù)據(jù)攔截。再對洗滌后數(shù)據(jù)進行正態(tài)性轉(zhuǎn)化，并將轉(zhuǎn)化后的數(shù)據(jù)組織成一個定長待測隊列。根據(jù)臨床應(yīng)用場景，可以按照不同大小的誤差因子訓(xùn)練模型。將數(shù)據(jù)按8∶2劃分為訓(xùn)練集和測試集，訓(xùn)練集用來提供模型的學習樣本，測試集用來驗證模型的質(zhì)量。通過調(diào)節(jié)步長大小和算法內(nèi)參，對模型進行優(yōu)化。重復(fù)上述步驟，可以根據(jù)不同的誤差大小為節(jié)點訓(xùn)練多個模型。系統(tǒng)誤差包括比例誤差、恒定誤差，誤差節(jié)點統(tǒng)一按照比例誤差的百分比因子來劃分：系統(tǒng)誤差<20%的，按照“±20%，±16%，±12%，±8%，±4%，±1%”的異常大小進行模型訓(xùn)練；針對隨機誤差數(shù)據(jù)分布特性的緣故，訓(xùn)練節(jié)點按照“±50%，±40%，±30%，±20%，±16%，±12%，±8%，±4%，±1%”的異常大小進行模型訓(xùn)練。檢測過程中，針對每個項目，將所有節(jié)點模型平行部署，其中1個模型輸出異常便算作該組樣本異常。實驗證明，在相同假陽性率的情況下，ML算法對質(zhì)控失控識別準確度和識別效率顯著優(yōu)于傳統(tǒng)PBRTQC算法。

圖2 ML質(zhì)控實驗流程

4 適合于當前檢驗?zāi)Ｊ较聫?fù)合型質(zhì)控策略探討

IQC實施過程應(yīng)根據(jù)儀器性能及應(yīng)用場景確定關(guān)鍵評價指標的質(zhì)量規(guī)范要求，例如，誤差檢出率、錯誤拒絕率、平均分析批長度等，以滿足臨床的預(yù)期用途，見表1。實際場景中，根據(jù)應(yīng)用地點轉(zhuǎn)移，可分室內(nèi)質(zhì)控和室內(nèi)質(zhì)控室間化；根據(jù)患者樣本測試/報告模式不同，可分為連續(xù)質(zhì)控、批質(zhì)控模式以及關(guān)鍵點質(zhì)控模式；根據(jù)使用功能不同，可分為起始點質(zhì)控(start-up QC)和過程質(zhì)控(monitor QC)；根據(jù)質(zhì)控物特征差異，可分為基于質(zhì)控物QC和基于患者結(jié)果QC。

表1 質(zhì)控方法差異性比對

有文獻報道，當σ≤4時，PBRTQC質(zhì)控效能優(yōu)于傳統(tǒng)質(zhì)控物QC，可作為傳統(tǒng)質(zhì)控物QC補充[10]。其次，對于傳統(tǒng)質(zhì)控物效期短或質(zhì)控物濃度水平不足的情況，也可選擇PBRTQC質(zhì)控。新型的ML質(zhì)控，對于臨床小誤差場景或質(zhì)量要求高的項目，例如，hs-cTnT/I或者tPSA項目，其誤差識別的精準度顯示出不可替代的優(yōu)勢，見圖3。

圖3 傳統(tǒng)IQC/PBRTQC/MLQC復(fù)合質(zhì)控策略流程

對于實際場景中用于實驗室內(nèi)批報告模式，質(zhì)控模式最低設(shè)置為起始點質(zhì)控與關(guān)鍵點質(zhì)控組合。對于連續(xù)報告模式，建議采用連續(xù)質(zhì)控模式。但是無論哪種報告模式，質(zhì)控監(jiān)控過程均應(yīng)確定適宜的分析批，保證受影響的患者樣本數(shù)(ANPed)最小化，而PBRTQC質(zhì)控是監(jiān)測分析批穩(wěn)定的最佳質(zhì)控方式。

室內(nèi)質(zhì)控室間比對也是目前質(zhì)控技術(shù)的又一研究熱點，可以幫助實驗室利用同組室間比對數(shù)據(jù)發(fā)現(xiàn)實驗室內(nèi)部的分析源改變。以PBRTQC為例，相對于其室內(nèi)質(zhì)控監(jiān)控功能，在實施PBRTQC的室間監(jiān)控時，變異因素更多，數(shù)據(jù)過濾仍是關(guān)鍵。建議考慮以下幾個關(guān)鍵點。(1)數(shù)據(jù)過濾：選擇門診患者數(shù)據(jù)，實驗室可自定義步長、時間窗口長度、過濾周末及節(jié)假日患者數(shù)據(jù)功能。(2)算法考量：建議采用統(tǒng)計學更為穩(wěn)定的MM算法，可計算每日中位數(shù)或浮動中位數(shù)。(3)分組原則：建議按照專業(yè)、項目設(shè)計分組方法，如血常規(guī)項目可以按照儀器分組，生化項目可以按照方法學分組。對于實驗室數(shù)少或儀器數(shù)量少的組，可以按缺省組處理；或通過散點圖區(qū)別顯示方式，若實驗室所使用的儀器有別于其他實驗室，散點圖中對該實驗室數(shù)據(jù)顏色加以區(qū)分，該實驗室數(shù)據(jù)僅用于監(jiān)測，不參與均值和CLs計算。(4)CLs設(shè)置：基于患者數(shù)據(jù)的室內(nèi)質(zhì)控室間比對的CLs宜小于該項目的常規(guī)室間質(zhì)評標準，而大于室內(nèi)質(zhì)控標準。可選擇基于生物學變異的偏移標準或采用同組標準差倍數(shù)方式設(shè)置CLs，兩者取較大值。在實際操作中可根據(jù)項目的穩(wěn)定性進行適當調(diào)整。(5)提供信息：實驗室可按照單個實驗室、同實驗室組或所有儀器組提供長期中位數(shù)、長效精密度、同組偏移或所有設(shè)備靶值等信息。

5 實驗室質(zhì)控信息化

雖然PBRTQC方法已被證明方法的有效性，ML算法也在仿真中證實了優(yōu)勢，但是，實驗室的信息技術(shù)如果缺乏一定的交互性和擴展性就會限制其實施。實驗室應(yīng)能訪問滿足用戶需要和要求的服務(wù)所需的數(shù)據(jù)和信息[11]。因此，有必要為實驗室信息學開發(fā)人員提供推薦規(guī)范的實施方式，以考慮將其納入相應(yīng)產(chǎn)品，同時為實現(xiàn)后續(xù)實驗室QC的常規(guī)實踐提供優(yōu)化空間。所開發(fā)的信息系統(tǒng)包括作為實驗室設(shè)備功能組成的計算機系統(tǒng)和適用通用軟件(如生成、核對、報告及存檔患者信息和報告的軟件、文字處理、電子制表和數(shù)據(jù)庫應(yīng)用)的獨立計算機系統(tǒng)。

建立QC系統(tǒng)的第一步是熟悉實驗室數(shù)據(jù)和單個實驗室內(nèi)的運轉(zhuǎn)模式。所有操作盡量通過數(shù)據(jù)可視化來展現(xiàn)，如散點圖、直方圖?？梢暬M量體現(xiàn)多維信息，如果超過三維，可使用平行數(shù)軸法將不同維度橫向鋪設(shè)，通過使用顏色來區(qū)分多維數(shù)據(jù)。實驗室信息學應(yīng)包括簡單的描述性統(tǒng)計工具來直觀展現(xiàn)數(shù)據(jù)庫、樣本集的分布形態(tài)，以及平均值、中值、百分比值、標準偏差等統(tǒng)計量的計算。此外，用戶可以自由根據(jù)攔截方式過濾數(shù)據(jù)，之后自動清洗整合，每個操作之后都可以通過統(tǒng)計描述曲線展示[12]。

對沒有開展能力驗證、室間質(zhì)評的檢驗項目，應(yīng)通過與其他實驗室(如已獲認可的實驗室、使用相同檢測方法的實驗室、使用配套系統(tǒng)的實驗室)比對的方式，判斷檢驗結(jié)果的可接受性。在繪制室內(nèi)質(zhì)控圖時，可使用Levey-Jennings質(zhì)控圖和(或)Z分數(shù)圖。質(zhì)控圖應(yīng)包括質(zhì)控結(jié)果、質(zhì)控物名稱、濃度、批號和有效期、質(zhì)控圖的中心線和CLs、分析儀器名稱和唯一標識、方法學名稱、檢驗項目名稱、試劑和校準物批號、每個數(shù)據(jù)點的日期和時間、干預(yù)行為的記錄、質(zhì)控人員及審核人員的簽字這些信息。應(yīng)制定程序?qū)κЭ剡M行分析并采取相應(yīng)的措施，應(yīng)檢查失控對之前患者樣品檢測結(jié)果的影響。允許將PBRTQC和IQC一起顯示，或者單獨顯示。允許用戶定義的不同演示模式選項，如顯示連續(xù)每日、每臺儀器、同一儀器多個項目、不同儀器同一項目、整個實驗室或定義部門的監(jiān)測情況[13]。

6 結(jié)語

復(fù)合質(zhì)控策略可以更為合理地解釋測量質(zhì)量內(nèi)在聯(lián)系，更好地保證測試結(jié)果的可靠性、體現(xiàn)實驗室的檢測能力及分析測量系統(tǒng)的穩(wěn)定性。該復(fù)合質(zhì)控策略使用患者數(shù)據(jù)用于室內(nèi)及室間監(jiān)控，適用于現(xiàn)代實驗室質(zhì)量管理模式，能夠為臨床提供更為準確的檢測結(jié)果。該復(fù)合質(zhì)控策略的轉(zhuǎn)化將成為實驗室轉(zhuǎn)化醫(yī)學及患者關(guān)懷的典型范例。