Posztanalitikai folyamatok az orvosi laboratóriumban, az eredményközlés felelőssége

Átírás

1 Posztanalitikai folyamatok az orvosi laboratóriumban, az eredményközlés felelőssége Autovalidálási folyamatok Lókiné Farkas Katalin Az autovalidálás elméleti alapjai Az előző eredménnyel való összehasonlítás deltacheck Elméleti alapjait Cembrowsky és Carey fogalmazták meg: Bevezették a delta érték fogalmát, ami nem más mint a beteg eredményeiben bekövetkező változás. Ha a delta érték kicsi, akkor a beteg állapota stabil. Ha a delta érték nagy, illetve nagyobb mint egy előre definiált határérték, akkor az egy delta-check hiba. A delta-check hiba oka lehet a beteg állapotában bekövetkező klinikai jelentőségű változás, vagy a mintával kapcsolatos hiba Mi a teendő, ha delta-check hibát észlelünk? Kiadjuk az eredményt! Megjegyzéssel látjuk el, ha szükséges! Delta-check hibát észleltünk A klinikai eset megállapítása A változást igazolja a beteg klinikai állapota? Kiadjuk az eredményt, felvesszük a kapcsolatot a klinikussal, ha szükséges! Ellenőrizzük a beteg azonosítót az eredeti mintavételi csövön Ellenőrizzük a belső kontrollokat Megismételjük a mérést Az ismétlés megerősítette a delta eltérést? Vegyük fel a kapcsolatot a klinikussal, kérjünk új mintát az analízisre. Autovalidálás bevezetésének munkafolyamatai Informatikai háttér megteremtése (Labor Informatikai Rendszer - LIR) Az analitikai folyamatok minőségének ellenőrzése, a külső és belső kontrollok segítségével LIR paraméterezése Az autovalidálási algoritmus és ellenőrző értékek optimalizálása Tesztelés Az autovalidálás informatikai feltételeinek megteremtése Felkészítjük a laboratóriumban használt informatikai rendszert az autovalidálásra Veszünk egy új laborinformációs rendszert, ami felkészíthető az autovalidálásra Veszünk egy autovalidáló szoftvert és illesztjük a működő laborinformatikai rendszerhez. Az analitikai minőség ellenőrzése: Mérési bizonytalanság ismerete A laboratóriumban minden egyes mérésről elmondható, hogy van: Preanalitikai - (CV p ) Analitikai - (CV a ) Biológiai variabilitása Egyénen belüli (CVi) Csoporton belüli (CV g ) Mindegyik véletlenszerű és Gaussi eloszlást mutat. Variációs koefficienssel fejezzük ki: CV=(Szórás/Átlag)*100 A mérés teljes variabilitását matematikai képlettel a következőképpen írható le: CV T =(CV p2 +CV a2 +CV i2 ) 1/2 1

2 Preanalitikai bizonytalanság minimalizása Ha: Standardizáljuk a beteg előkészítésének feltételeit Standard eljárásokat alkalmazunk a vérvétel során Mintaszállítás, -kezelés és -centrifugálás standard módon történik, Akkor a mérés preanalitikai variabilitása elhanyagolható: CV p 0 A mérés teljes variabilitása a következő képen módosul (egy mintából, egy mérés esetén): CV T =(CV a2 +CV i2 ) 1/2 Alapvető minőségi kritériumok Elvárható analitikai pontosság belső kontroll Az analitikai pontosság kisebb legyen az egyénen belüli biológiai variabilitás felénél: CV a <0,5CV i Elvárható analitikai teljesítmény külső kontroll A torzítás (bias) kisebb legyen a csoport biológiai variabilitásának egynegyedénél: B a <0,25(CV i2 +CV g2 ) 1/2 Ellenőrző értékek Referencia tartomány Delta eltérés tartomány Becslésére jó közelítéssel alkalmazható a KRITIKUS DIFFERENCIA (CD) Lehet abszolút érték vagy százalék Pánik érték tartomány Kritikus differencia definíciója Egy analit két különböző mérési sorozatából származó eredménye akkor különbözik jelentősen egymástól, ha a különbség nagyobb mint a két eredmény együttes variabilitása. Ezt az értéket hívjuk kritikus differenciának (CD). Teljes variabilitás A mérés teljes variabilitása minden analit esetében a CV T =Z*(CV a2 +CV i2 ) 1/2 matematikai képlettel írható le. Mi a Z? Standard normál eloszlás A mérés teljes variabilitására véletlenszerű és Gaussi eloszlást mutat. Ezért könnyű meghatározni, hogy egy adott valószínűség mellett, milyen intervallumba kerül a mért értékünk. A mért érték 68,3% valószínűséggel az átlag ± 1 SD tartományon belül található A mért érték 95,5% valószínűséggel az átlag ± 2 SD tartományon belül található A mért érték 99,7% valószínűséggel az átlag ± 3 SD tartományon belül található 2

3 Z-score A mért érték tetszőleges valószínűséggel az átlag ± Z SD tartományon belül található ez a Z-score. Ha csak az átlagtól való pozitív (+Z) vagy negatív (-Z) irányú eltérést vesszük figyelembe, akkor a Z-score egyirányú unidirekcionális. Ha az átlagtól való pozitív és negatív irányú eltérést is figyelembe vesszük (± Z), akkor a Z- score kétirányú bidirekcionális. Hol találom meg a Z-score értékét? Az egy és kétirányú változást feltételező Z értékeket a leggyakrabban alkalmazott valószínűségekre az alábbi táblázat foglalja össze. Valószínűség (%) Egyirányú változás Z-score Kétirányú változás Z-score 99 2,33 2, ,05 2, ,88 2, ,75 2, ,65 1, ,28 1, ,04 1,44 Feltételezés: Ha egy analit két különböző mérési sorozatából származó eredményét hasonlítjuk össze, akkor mindkét eredmény variabilitására igaz a fenti megállapítás. 1.mérés: CV T1 =Z*(CV a12 +CV i12 ) 1/2 2.mérés: CV T2 =Z*(CV a22 +CV i22 ) 1/2 Ha egy beteg két különböző időben mért azonos paraméterét hasonlítjuk össze az analitikai- és egyénen belüli biológiai variabilitás, mindkét mérés esetében ugyanaz. Kritikus differencia számítása Így a két eredmény együttes variabilitás a két egyedi mérés teljes variabilitásának összegeként írható le: Kritikus differencia=1. mérés variabilitása +2. mérés variabilitása CD= {[Z*(CV a12 +CV i12 ) 1/2 ] 2 +[Z*(CV a22 +CV i22 ) 1/2 ] 2 } 1/2 A képlet matematikai rendezés után a következőként alakul: CD=2 1/2 *Z*(CV a2 +CV i2 ) 1/2 CV a1 =CV a2 és CV i1 =CV i2 Véletlenszerű torzítás - Random Bias Ha még pontosabban szeretnénk megfogalmazni a kritikus differenciát, a képletbe bele kell foglalni a véletlenszerű torzításból (újrakalibrálás, reagens lot váltás) eredő torzítás változást (ΔB) is: CD=ΔB+2 1/2 *Z*(CV a2 +CV i2 ) 1/2 Hogyan tudjuk kiküszöbölni? odafigyelünk a lot váltás és újra kalibrálás minőségi menedzsmentjére. A belső kontrollokból számított CV hosszabb időintervallumra nézve tartalmazza a ΔB-t. Mi kell még a kritikus differencia kiszámításhoz? Van Z-score értékünk táblázatból Van analitikai variabilitásunk belső kontrollok analitikai variabilitásából számíthatjuk egy hosszabb időintervallumra nézve. Honnan vegyek egyénen belüli biológiai variabilitást? 3

4 Egyénen belüli biológiai variabilitás 1. Kiszámítható Előnye: A laboratórium ellátási területén lévő populációra vonatkozik Hátránya: Nagyszámú egészséges ember szükséges Sok-sok pénzbe kerül (vérvételi csövek, mérés) Egyénen belüli biológiai variabilitás 2. Irodalmi adatgyűjteményekben megtalálható Westgard honlap: Előnye: Jelentősen olcsóbb és energiatakarékos megoldás Hátránya: Kompromisszumokat kell kötni! Kritikus differencia használatával kapcsolatban felmerülő problémák Egyénen belüli biológiai variabilitásban rejlő hibák: Egészséges populációra számított - Álpozitív Gaussi eloszlást feltételez (nincs korreláció az egymást követő eredmények között) - Álnegatív Egyénen belüli biológiai variabilitás közép értékével számolunk, bár az emberek egyénen belüli biológiai variabilitása eltérhet ettől szerencsére a legtöbb analit esetében az ebből eredő hiba elhanyagolhatóan kicsi. Autovalidálási algoritmus elkészítése Autovalidált Referencia tartományon belül van? Nem autovalidált Első eredmény? Az előző eredmény adott időintervallumon belüli? Az eltérés ±Δ-eltérés tartományon belül van? Pánik tartományom belül van? Nem autovalidált (Delta-check hiba) Úgy járunk el, mit ha első eredmény lenne! Nem autovalidált Autovalidált Az optimalizálás munkafolyamatai Előzetes statisztikák készítésével felmérhető, hogyan alakulna az autovalidált eredmények száma egy adott paraméternél. Az autovalidált eredmények számának előzetes becslése Ezeket az eredményeket összehasonlítjuk a diplomás validáló kollégák döntéseivel. Az összehasonlítás eredményeit elemezzük és az eltéréseket mérlegelve módosítjuk az algoritmust illetve a döntési határokat. AV-D autovalidált lenne, mert átment a delta-check szűrőn AV-T autovalidált lenne, mert nincs előző eredménye a definiált időintervallumon belül, de az eredménye referencia tartományon belüli NAV-D nem lenne autovalidált mert nem ment át a delta-check szűrőn NAV-T nem lenne autovalidált, mert nincs előző eredménye a definiált időintervallumon belül és az eredmény referencia tartományon kívüli. NAV-DP átment ugyan a delta-check szűrőn, de nem autovalidált, mert pánik érték. 4

5 Az autovalidálás és diplomás validálás eredményeinek összehasonlítása Az összehasonlítás eredményeként: az autovalidálási rendszerrel egyező, az autovalidálási rendszernél megengedőbb és az autovalidálási rendszernél szigorúbb döntések születtel. Ha a kollégák nem hoztak egyértelmű döntést a kérdésben, azaz ugyanannyi számú kolléga voksolt megengedőbben vagy szigorúbban, mint ahányan egyeztek a döntéssel, azokat megosztó esetekként regisztráltuk. Az összehasonlítást elvégeztük, mind a 95%, mind a 99% valószínűségnél meghatározott kritikus differencia értékek behelyettesítésével a döntési algoritmusba. Az összehasonlítás értékelése a Kálium példáján 31% Megosztó 4% 32% Alap döntési algoritmus (CD95%) 1% Döntési határ: CD95% 1% 64% Megosztók száma kicsi k száma túl nagy Ha a delta döntési határ értékét növeltük a szigorú döntések száma is megnő! Mi a teendő? 5% Döntési határ: CD99% 9% AZ eredményeket kördiagram formájában ábrázoltuk 67% 86% Az eredményekből levonható következtetések Módosított döntési algoritmus Elemeztük az autovalidálásnál megengedőbb eseteteket. A kollégák a referencia tartományon belüli változásokkal szemben megengedőbbek voltak. Ennek megfelelően módosítottuk a döntési algoritmust. Döntési algoritmus módosítás eredménye a Kálium példáján Tesztelés Módosított döntési algoritmus (CD95%/CD99%) 8% 2% 90% A szigorú döntések száma az algoritmus módosításával nem változott jelentős mértékben. A delta-check értékeket statisztikai szempontból megfelelőnek találjuk optimalizálás megtörtént. Módosítottuk a döntési algoritmust, ahol az szükséges. Figyeljük a delta-check hibákat a diplomás validálás során a felmerülő hibákat javítottuk. Egyidejűleg alkalmaztuk az autovalidálást és a diplomás validálást az autovalidált eredmények revalidálásával. 5

6 Az autovalidáló rendszer finomítása Interferáló tényezők automatizálása Egyénen belüli biológiai variabilitás nem és kortól való függésének figyelembe vétele A delta érték időfüggésének alkalmazása Egy leleten belüli klinikailag összefüggő eredmények összehasonlítása. Köszönöm a figyelmet! Várom a témához kapcsolódó kérdéseiket! kfarkas@clab.szote.u-szeged.hu 6