Аннотация

В течение многих лет концепция контроля качества по пробам пациентов (PBRTQC) обсуждалась и применялась в гематологических лабораториях, однако в клинической химии ее внедрение остается ограниченным. Это связано с тем, что данная форма контроля качества (КК) требует индивидуальной оптимизации для каждой группы пациентов и нередко для каждого аналита. Тем не менее очевидные преимущества PBRTQC на фоне осознания ограничений традиционного КК обусловили необходимость разработки рекомендаций по его внедрению в лаборатории. В данном обзоре рассматриваются ключевые компоненты системы PBRTQC (алгоритм вычислений, размер блока, пределы усечения, контрольные границы) и их связь с конкретными аналитами. Также обсуждается необходимость оптимизации PBRTQC с использованием данных пациентов конкретной лаборатории, что позволяет своевременно выявлять систематические ошибки и минимизировать частоту ложных срабатываний.

Термин «контроль качества по пробам пациентов в реальном времени (PBRTQC)» охватывает широкий спектр методик, использующих данные по пробам пациентов для выявления аналитических ошибок. К ним относятся как мониторинг популяционных параметров (среднее или медиана значений аналита), так и оценка индивидуальных изменений у пациентов (дельта-контроль). В данной статье обсуждаются исключительно популяционные параметры. Обзор предназначен для методической поддержки лабораториям в реализации PBRTQC. Клинические аспекты оценки популяций пациентов в рамках данной статьи не рассматриваются.

2019 Американская ассоциация клинической химии

Появление новых программ «промежуточного звена» (middleware) и лабораторных информационных систем (ЛИС), способных в режиме реального времени отслеживать средние и/или медианные значения аналитов, привело к росту количества публикаций, посвященных методикам КК на основе данных пациентов. Однако внедрение таких методик может показаться сложной задачей, и остаются вопросы о том, какие преимущества они дают сверх возможностей существующего внутрилабораторного КК (ВЛК).

Безусловно, ВЛК является центральным элементом стратегии КК в клинической лаборатории, на основе которого формируются и другие подходы к обеспечению корректных результатов для пациентов. Традиционные стратегии ВЛК опираются на периодический анализ коммерчески доступных контрольных материалов, приготовленных в различных матрицах с консервирующими веществами или без них. Проблема состоит в том, что такая контрольная матрица может не отражать фактическую матрицу образца пациента (т.е. быть некоммутативной). Существует большое количество исследований по выбору подходящего регламента проведения анализа этих контрольных материалов (например, при смене лота (серии) реагентов) [1], оптимальной частоте контроля [2] и методам оценки результатов ВЛК [3—5]. Значительный объем публикаций и руководств по этой теме позволил многим лабораториям накопить богатый опыт в работе с материалами ВЛК и разработать изящные стратегии КК, опирающиеся на них. Тем не менее все чаще высказываются опасения, что один лишь «традиционный» ВЛК не обеспечивает достаточно быстрого выявления аналитических ошибок и что стратегии ВЛК не всегда основаны на объективных доказательствах [6].

Кроме того, растет количество данных, указывающих на то, что материалы ВЛК не всегда надежно имитируют реальные образцы пациентов [7, 8]. Недостаточная коммутативность приводит к снижению чувствительности (выявление истинной ошибки) и/или специфичности (ложный брак), в результате чего либо выпускаются некорректные результаты пациентов, либо отклоняются результаты, которые фактически не были скомпрометированы. Некоторые материалы ВЛК имеют лишь так называемые присвоенные значения, специфичные для конкретного анализатора, а не истинные концентрации аналита. Такие «присвоенные значения» могут компенсировать отсутствие коммутативности, но нередко повторяют систематическую погрешность, характерную для конкретного производителя, и разрывают цепочку прослеживаемости. В подобных случаях применение материалов ВЛК с «присвоенными значениями» не гарантирует точности и стабильности калибровки. ВЛК также подразумевает, что ошибку, если она возникает, можно выявить на следующем этапе контроля, но на практике кратковременные смещения (bias), возникающие между событиями постановки ВЛК, могут оставаться незамеченными [9].

Помимо ограничений, связанных с прослеживаемостью, традиционный ВЛК остается в лучшем случае точечным инструментом управления процессом, который не обеспечивает оперативного контроля ошибок. Таким образом, ВЛК по сути действует постфактум, замедляя выявление ошибок и допуская потенциально большое количество неверных результатов пациентов до момента обнаружения этих ошибок. Наконец, материалы ВЛК и затраты на проведение анализа этих образцов достаточно высоки и на сегодняшний день составляют значительную долю общих расходов на измерение аналита [10, 11]. Также все большее беспокойство вызывает тот факт, что привычные практики ВЛК не позволяют быстро выявлять аналитические ошибки [12] и не всегда корректно применяются, несмотря на почти 40-летний опыт их изучения. Так, в обзоре 2018 г. по крупным лабораториям США авторы пришли к выводу, что «не существует систематического подхода к определению правил и периодичности контроля качества» [6].

Контроль в реальном времени по данным результатов пациентов (PBRTQC) может компенсировать многие из этих недостатков. При PBRTQC рассчитывается статистический показатель (например, среднее значение) для заданного количества результатов анализов пациентов. Необычное отклонение от долгосрочной центральной тенденции может свидетельствовать о систематическом смещении измерений. Поскольку PBRTQC всегда основывается на данных реальных образцов пациентов, проблем с коммутативностью не возникает. Для PBRTQC не нужны дополнительные материалы и измерения, требуются только вычисления на основе уже существующих данных, что минимизирует затраты. Однако на статистический показатель в PBRTQC влияют не только характеристики измерительной процедуры, но и целый ряд преаналитических и связанных с пациентом факторов. Например, изменение состава популяции пациентов или ошибка при транспортировке, обработке или хранении образцов могут сместить среднее значение по всем измерениям, даже если аналитическая процедура остается стабильной. В таком случае PBRTQC предотвратит выдачу неверных результатов, в то время как ВЛК может показать стабильность измерений. Подобные ситуации могут даже скрыть реальный сдвиг, если преаналитические и аналитические факторы взаимно компенсируют друг друга.

PBRTQC не может полностью заменить традиционные стратегии ВЛК, основанные на стабилизированных контрольных материалах, но его цель — дополнить и усилить существующие программы КК, в основе которых лежит традиционный ВЛК. В одном из исследований показано, что использование PBRTQC позволило сократить потребление традиционных контрольных материалов примерно на 75—85% [11]. Благодаря тому, что PBRTQC и ВЛК дополняют сильные стороны друг друга, повышается безопасность для пациентов, а частота и стоимость внутрилабораторного КК могут быть существенно снижены (с учетом местных нормативных требований к периодичности проведения ВЛК) [11]. Сравнительный обзор основных характеристик PBRTQC и статистического ВЛК представлен в табл. 1.

Таблица 1. Сравнительный обзор характеристик PBRTQC и статистического ВЛК^a

Примечание. ^aАдаптировано с разрешения H. van Rossum [19], ^bTE_a — общая допустимая ошибка.

Понимание свойств аналита

Ключевая идея PBRTQC — использование результатов, полученных в лаборатории, для мониторинга изменений в работе аналитической системы, а не изучение популяции пациентов, проходящих тестирование [13]. С этой точки зрения биологическая вариабельность, обусловленная физиологическими и патологическими процессами, рассматривается как «шум», снижающий эффективность выявления ошибок, и ее следует минимизировать. Для достижения этой цели важно сначала понять физиологическое и патофизиологическое распределение значений интересующего аналита в популяции, проходящей обследование, прежде чем настраивать систему PBRTQC. Это позволит решить, какие статистические приемы — например, преобразование данных или «усечение» (truncation) — необходимы перед вычислением усредненных показателей. Кроме того, понимание контингента пациентов и распределения значений аналита помогает интерпретировать и разбирать случаи, когда в ходе PBRTQC фиксируются нарушения контрольных пределов.

Первый шаг к пониманию распределения аналита — изучение соответствующей литературы, где можно найти сведения о его распределении в разных подгруппах. Например, у детей возможно постепенное изменение значений в зависимости от возраста, связанное с ростом и развитием [14], или могут быть различия между полами. Распределение некоторых аналитов в общей популяции может включать несколько «скрытых» подгрупп. Так, распределение аспартатаминотрансферазы (АСТ) в условно здоровой популяции может включать здоровых лиц, пациентов с субклинической неалкогольной жировой болезнью печени, алкогольным поражением печени и хроническими гепатитами [15]. Не менее важно учитывать физиологические изменения уровня ряда гормонов при беременности.

После ознакомления с физиологическими и патологическими изменениями в общей популяции важно понять особенности схемы поступающих в лабораторию тестов, поскольку специализированное клиническое отделение, работающее в какой-то конкретный день недели, может существенно смещать распределение аналита. Например, если в один из дней недели в лабораторию массово поступают пробы от пациентов с почечной недостаточностью, находящихся на диализе, то в целом возрастет число пациентов с высокими значениями креатинина, что приведет к соответствующему росту среднего уровня креатинина в этот период.

Дополнительные сведения о распределении интересующего аналита могут быть получены путем анализа результатов в группах пациентов со стабильно неизменными показателями. Вариация распределения в таких группах отражает минимальный «шум», который может быть использован как величина для мониторинга работы прибора. Например, посетители медицинских центров «здоровья» или скрининговых программ — это, как правило, практически здоровые люди, у которых после фильтрации выбросов получается стабильное «здоровое» распределение [16]. Пациенты, проходящие обследование в первичном звене здравоохранения, зачастую имеют более стабильные показатели, чем пациенты, наблюдающиеся у профильных специалистов. Другой пример — отбор пациентов перед плановыми операциями, когда им выполняют предоперационные тесты: такие пациенты нередко являются относительно стабильной группой. Простой способ понять особенности популяции лаборатории — извлечь данные за репрезентативный период (обычно не менее 1 года) и визуализировать их в виде диаграмм рассеяния (scatter plots) по различным признакам, включая возраст, пол, профиль клиники, место отбора проб, дату и время. Такая визуализация помогает определить, какие аналиты подходят для PBRTQC, а какие тесты имеют слишком малый объем с большим разбросом значений и менее подходят для мониторинга.

Наконец, следует понимать, как результаты лабораторных тестов интерпретируются клинически. При диагностике результаты обычно сравниваются с референсными интервалами или граничными диагностическими значениями. При мониторинге заболевания эталоном могут служить предыдущие результаты того же пациента, по которым оцениваются тенденции или достоверные изменения. У некоторых тестов даже небольшое аналитическое смещение может привести к пропущенному или неправильному диагнозу. Например, сдвиг в работе анализатора на низких уровнях тропонина может привести к неправильной классификации пациентов с острыми сердечно-сосудистыми патологиями [17]. В другом примере незначительное изменение точности измерения простатспецифического антигена (ПСА) привело к систематической гипердиагностике рецидива рака предстательной железы [18]. Важно понимать, что знание клинической значимости лабораторных тестов помогает выявлять наиболее критичные тесты с точки зрения риска для пациентов и правильно подбирать соответствующие методы PBRTQC.

Значимость специфики аналита для успешного применения PBRTQC продемонстрирована на рисунке. На нем показан характерный пример измерений уровня альбумина с суточными колебаниями (рабочая неделя против выходных дней), при которых анализ образцов от более тяжелых больных в выходные дни смещает общее распределение к более патологическим значениям. Кроме того, в Дополнительных материалах к онлайн-версии данной статьи на сайте https://www.clinchem.org/content/vol65/issue8 приведен пример реальных мониторинговых данных PBRTQC для одного аналита в крупной референс-лаборатории в течение рабочего дня.

Пример графика PBRTQC для сывороточного альбумина.

На графике PBRTQC учтены все полученные результаты; для каждого нового результата альбумина вычисляется среднее по последним 25 значениям по методике, описанной H. van Rossum и соавт. [20]. Зеленая область указывает диапазон контроля, ограниченный верхним (1) и нижним (−1) пределами контроля. Одно деление шкалы по оси ординат соответствует ¹/₂ разницы между верхним и нижним пределами PBRTQC. Вертикальные линии сетки отображают 7-дневные (недельные) интервалы, внутри которых в выходные дни наблюдается повторяющееся снижение PBRTQC.

Настройка, параметры и правила PBRTQC

Параметры настройки PBRTQC можно разделить на три группы:

1. Критерии включения/исключения результатов (включая границы усечения);

2. Вычислительный алгоритм, в том числе размер блока или весовой коэффициент;

3. Контрольные пределы.

В табл. 2 приводятся основные термины и концепции, связанные с PBRTQC.

Таблица 2. Терминология и концепция PBRTQC

Критерии включения/исключения и границы усечения

Критерии включения определяют, какие результаты пациентов будут учтены в алгоритме расчета. Исключение части результатов может осуществляться по разным причинам, основной целью которых является уменьшение вариабельности среднего значения по блоку и более надежное выявление систематических ошибок.

Существуют фильтры, которые следует применять почти всегда, а также фильтры, требующие более взвешенного использования. Например, материалы, не являющиеся образцами пациентов (например, внешние контрольные материалы, ВЛК, исследовательские образцы, диализные жидкости, ветеринарные пробы, образцы для контроля профессиональной компетентности) всегда должны исключаться, так как они имеют другие свойства матрицы и, по крайней мере, в случае ВЛК могут искусственно влиять на среднее значение по блоку.

Так называемые экстремальные результаты пациентов, существенно отличающиеся от среднего значения аналита, могут исключаться за счет «усечения» (truncation) [11, 13, 18]. Во многих случаях распределение лабораторных показателей является логарифмически нормальным и включает редкие, но чрезвычайно высокие значения [21]. Усечение исключает все значения выше или ниже определенного порога, тем самым снижая их непропорционально большое влияние на среднее. Изначально Р. Хоффманн предложил в качестве границ усечения использовать референсный интервал при применении подхода «average of normal» [22]. Однако слишком узкие границы усечения могут приводить к исключению результатов, уже затронутых смещением, и мешать обнаружению ошибки [23]. Применение границ усечения зависит от устойчивости алгоритма PBRTQC: например, медиана сама по себе является более «устойчивым» показателем и в меньшей степени подвержена влиянию экстремальных значений.

Вместо границ усечения иногда целесообразно исключать определенные группы пациентов (например, по полу, специфике клиники, стационарные/амбулаторные, дети, другие подразделения) [13] или определенных пациентов (по их идентификационным номерам) [19, 24]. Зачастую лаборатория обслуживает сразу несколько категорий пациентов. Как уже отмечалось, в одних подгруппах (например, плановые предоперационные обследования) вариабельность результатов может быть меньше, чем в общей выборке, и, следовательно, PBRTQC сможет обнаруживать систематические погрешности быстрее, если будет учитывать только эту подгруппу. Другой распространенный пример — различие в уровнях альбумина, общего белка и кальция между смешанной популяцией амбулаторных пациентов и пациентами стационара [13]. Если у аналита явное бимодальное распределение (например, концентрация хорионического гонадотропина человека у небеременных и беременных), можно создать два отдельных набора правил PBRTQC для каждой подгруппы вместо чрезмерного сужения границ усечения. При этом важно соблюдать баланс: избыточное дробление на подгруппы может приводить к чрезмерному исключению данных, и данные, способствующие выявлению ошибок, будут потеряны.

Выбор подгрупп более вероятен для больничных лабораторий, обслуживающих широкий спектр пациентов (от амбулаторных до стационарных), и менее необходим для крупных референс-лабораторий, где преобладают образцы от пациентов первичного звена здравоохранения с относительно меньшим «шумом» [25].

Вычислительный алгоритм

Для расчета PBRTQC описаны различные алгоритмы, каждый из которых имеет свои особенности и различные характеристики с точки зрения эффективности. Наиболее часто применяют: (1) среднее или медианное значение результатов блока (с возможным предварительным преобразованием данных), (2) экспоненциально взвешенное скользящее среднее (exponentially weighted moving average, EWMA) и (3) алгоритм Булла, представляющий собой специфический вариант взвешенного скользящего среднего, особенно популярный в гематологии [5, 11, 13].

Среднее и медиана могут рассчитываться как «пакетным» способом, так и в непрерывном режиме. В непрерывном режиме каждый новый результат включается в расчет, при этом постоянно обновляются значения среднего или медианы [11, 13, 20]. Среднее значение менее «устойчиво» к выбросам, однако для достижения аналогичной статистической значимости ему обычно требуется меньше данных, чем медиане. Количество результатов, используемых для расчета, называется размером блока (block size) [11]. Чем больше размер блока, тем выше чувствительность к небольшим систематическим отклонениям относительно стандартной вариации результатов. С другой стороны, небольшой размер блока позволяет быстрее обнаруживать грубые ошибки.

Выявление увеличения непрецизионности

Показатель PBRTQC, учитывающий только среднее или медиану, может быть недостаточно чувствительным к росту разброса (непрецизионности), поскольку средние/медианные значения при этом могут существенно не меняться. Для выявления увеличения разброса могут использоваться такие показатели, как скользящее стандартное отклонение (SD) или суммарное количество «выбросов» [18]. Контроль изменений SD по общей совокупности пациентов способен также улавливать появление смещения (bias), так как при смещении SD может возрастать. Мониторинг количества «выбросов», т.е. пациентов с результатами, выходящими за рамки референсного интервала или границ «average of abnormal» (например, в случае постпростатэктомического контроля ПСА), также может быть полезным, если концентрации аналита в материалах ВЛК не соответствуют нужному уровню (например, слишком высокий уровень ПСА) [18].

По сути EWMA всегда действует в непрерывном режиме, тогда как алгоритм Булла — в пакетном. При работе алгоритма Булла новое значение получается только после набора полного блока образцов. Если используется EWMA, необходимо выбрать весовой коэффициент (weighting factor) от 0 до 1, определяющий относительную важность последних результатов по сравнению с более старыми. Этот коэффициент часто рассчитывается по формуле: 1 – (1 – p)(1 – p)ⁿ, где p — постоянный процент (например, 5% или 0,05), n — номер образца.

Существуют и другие алгоритмы, например скользящее SD, скользящие перцентили, скользящие частоты «флагов» (flagging rates) [18]. Перед вычислением средних величин при сильно асимметричных распределениях применяют логарифмическое преобразование, преобразование Бокса—Кокса (Box-Cox) или другое [11]. Использование медианы в некоторых случаях дает возможность обойтись без подобных преобразований, поскольку медиана сама по себе более устойчива к вылетам.

Контрольные пределы и правила

Контрольные пределы представляют собой пороговые значения, при превышении которых алгоритм PBRTQC генерирует сигнал срабатывания. Они задаются пользователем и могут базироваться на разных критериях, например:

— пределы, определяемые исходя из оценки SD;

— правило «общей допустимой ошибки» (total allowable error) [11, 13, 18];

— задание верхней и нижней границ «нормального диапазона» PBRTQC [19, 20, 26].

Когда вычисленное среднее или медианное значение выходит за эти пределы, PBRTQC формирует сигнал в режиме реального времени, что позволяет оперативно предупредить персонал [20].

Определение параметров процедуры PBRTQC

Универсального набора параметров PBRTQC для всех случаев не существует. Однако в качестве отправной точки рекомендуется включать в расчеты как можно больше результатов пациентов. Любые исключения (например, результаты из отделения интенсивной терапии или из исследовательских проектов) должны быть обоснованы, так как уменьшение выборки (количества проб) снижает частоту обновления блока и может замедлять выявление смещений. Границы усечения следует устанавливать так, чтобы исключать только самые экстремальные значения, условно выходящие за пределы ±4 SD для приблизительно нормальных распределений или превышающие точку перегиба (inflection point) для более асимметричных распределений [13]. Скользящий алгоритм со «скользящим окном» позволяет быстрее обнаруживать ошибки, но при этом требует специального программного обеспечения для непрерывного анализа в режиме реального времени. Размер блока в 50 образцов показал свою эффективность для многих аналитов [11]. При таких настройках ложные срабатывания возникают с частотой <1%. Важно понимать, что это только начальный ориентир; при необходимости размер блока и границы усечения могут и должны быть адаптированы к специфике конкретной стратегии КК.

Процесс оптимизации

Цель оптимизации PBRTQC — достичь высокого уровня выявления истинных ошибок и низкого уровня ложных срабатываний, более выгодных по сравнению с традиционным КК. Высокая частота ложных срабатываний ведет к «усталости от сигналов» (alarm fatigue) и снижает доверие к системе КК. Параметрами, подлежащими оптимизации, являются: выбор алгоритма, границы усечения, размер блока, контрольные пределы, а также при необходимости использование правил для отдельных подгрупп пациентов (например, стационарные/амбулаторные, беременные/небеременные, детские пациенты с/без злокачественных новообразований) [13].

На практике сначала рекомендуется проверить первоначально заданные правила PBRTQC на предмет частоты ложных срабатываний (специфичность), а затем — оценить чувствительность к выявлению реальных ошибок. Одним из показателей чувствительности к обнаружению ошибок является среднее количество результатов пациентов от начала ошибки до ее обнаружения (Average Number of Patient samples from onset of the error to detection, ANP_ed) [23]. Похожие показатели — медианное количество результатов до выявления ошибки (MN_ed) и количество результатов, достаточное для выявления ошибки в 95% случаев (95N_ed) [20].

Среди методов оптимизации упоминаются метод проб и ошибок, использование кривых мощностей (power function curves) и моделирование [11, 27]. Первый метод малоэффективен. По данным ван Россума, кривые мощностей не полностью учитывают характер смещения [20, 26]. Для моделирования необходимо собрать репрезентативные данные пациентов. Затем в архивные данные можно искусственно вносить «положительные» и «отрицательные». После этого проверяют, как часто и насколько быстро алгоритм выдает сигнал и предотвращает дальнейшую выдачу ошибочных результатов [11].

На практике удобнее всего использовать компьютерное моделирование, в котором задействуются реальные данные пациентов с добавлением различных уровней смещения, чтобы оценить способность алгоритма обнаруживать эти ошибки при минимальном количестве ложных сигналов [11]. Более сложные методы, такие как алгоритм модельной закалки [13], где программа случайным образом варьирует размер блока, границы усечения и другие параметры с учетом целевой функции (например, минимизации ANP_ed и частоты ложных срабатываний), также могут использоваться для поиска оптимальных настроек. Существуют и онлайн-приложения, позволяющие проводить компьютерное моделирование детектирования ошибок на конкретных наборах данных [28].

Разработка и внедрение лабораторных протоколов при срабатывании PBRTQC

Общие положения

После определения оптимальных параметров PBRTQC одним из важнейших этапов является разработка лабораторного протокола действий при срабатывании сигнала (alarm). Важность этого этапа не меньше, чем правильный выбор алгоритма и настроек PBRTQC. Протокол позволит не только непрерывно отслеживать ошибки, но и оперативно предпринимать необходимые корректирующие действия. Ниже приведены ключевые моменты (см. также табл. 3).

Таблица 3. Рекомендации по лабораторным протоколам PBRTQC

Цели

При срабатывании PBRTQC необходимо провести соответствующие действия и расследование для выяснения причин срабатывания и определения, требуется ли корректировка работы анализатора или результатов пациентов. Основные задачи:

— немедленно приостановить выдачу результатов с соответствующего анализатора;

— при необходимости перенаправить текущие образцы на другой прибор;

— оценить, присутствует ли аналитическая ошибка и какова ее величина;

— начать мероприятия по устранению причин сбоев и при необходимости откорректировать уже выданные результаты.

Возможные этапы лабораторного протокола при срабатывании PBRTQC

Оптимальный протокол PBRTQC может существенно различаться в зависимости от того, для чего используется система (непрерывный контроль, долгосрочный мониторинг стабильности, замена или дополнение ВЛК). Ниже описаны «блоки», на основе которых каждая лаборатория может построить собственный протокол действий.

1. Оценка контрольных материалов. Проверка контрольных материалов часто является первым шагом при возникновении сигнала PBRTQC. Поскольку контрольные материалы для ВЛК всегда под рукой, они позволяют быстро подтвердить наличие грубой аналитической ошибки. Если ВЛК в норме, обычно считают, что серьезной с клинической точки зрения ошибки не произошло. Однако этого может оказаться недостаточно, если:

— ошибка носила временный характер (например, сбой жидкостного тракта из-за сгустка крови) и при повторном анализе ВЛК уже не демонстрирует отклонений [9];

— ВЛК имеет ограниченные характеристики по выявлению ошибок, например когда необходим более точный анализ, чем может обеспечить данный ВЛК (низкий коэффициент σ <4);

— имеются проблемы с коммутативностью контрольных материалов для ВЛК.

При более долгосрочной оценке стабильности работы анализа может оказаться полезным повторно проанализировать и внешние материалы КК, образцы для проверки профессиональной компетентности и эталонные материалы.

2. Повторный анализ образцов пациентов. Лаборатория может выбрать стратегию повторного измерения части недавно протестированных образцов пациентов, чтобы убедиться в отсутствии ошибок, связанных с временными сбоями или проблемами коммутативности материалов ВЛК. Полученные результаты лучше сравнивать по возможности с результатами на другом анализаторе, работающем в рамках допустимого отклонения. Некоторые авторы рекомендуют повторно анализировать все образцы, попавшие в проблемный блок, либо только те, которые превышают верхний или нижний предел при сигнале PBRTQC [20, 28]. Еще один подход — хранить архивные пробирки из стабильного периода и при сигнале PBRTQC повторно анализировать их на том же приборе, сравнивая результаты с предыдущими [29]. Это особенно полезно для аналитов с высокой стабильностью при хранении.

3. Проверка пациентов и их результатов. Если анализ материалов ВЛК и повторные измерения образцов показали, что аналитическая ошибка отсутствует, необходимо проверить возможность того, что срабатывание было вызвано преаналитическими ошибками, или наличием у пациентов очень высоких/низких значений аналита, либо тестированием несоответствующих материалов (исследовательские пробы, диализные растворы и т.п.). Если ошибка носит преаналитический характер (неправильная пробирка, нарушение условий хранения и т.д.), то требуется устранить ее и при необходимости повторно проанализировать соответствующие образцы. Если же смещение вызвано редкими, но реальными экстремальными результатами пациентов или непациентскими материалами, можно исключить такие случаи из будущих расчетов PBRTQC.

Дальнейшие действия при выходе за пределы контроля

После обнаружения и устранения ошибки, а также при необходимости корректировки результатов пациентов мониторинг PBRTQC следует «сбросить», чтобы он продолжил работу с нуля. Нужно учитывать, что после сброса должен пройти некоторый временной промежуток (по количеству образцов), прежде чем система снова сможет обнаруживать смещения.

Валидация и документирование

Процесс валидации включает тестирование PBRTQC в реальных условиях лаборатории, мониторинг сигналов PBRTQC и параллельных результатов ВЛК (при необходимости также добавление искусственных смещений). Каждое срабатывание PBRTQC анализируется, чтобы убедиться в корректной работе алгоритма и всего процесса оптимизации, а также выявить любые другие проблемы. Обычно валидация проводится в электронном виде, так как формировать «реальные» тестовые образцы для каждой ситуации затруднительно. Как и в любом другом случае валидации, важно обеспечить надлежащее документирование процедур и результатов в соответствии с требованиями нормативных органов.

Проактивное управление настройками PBRTQC

Чтобы в лаборатории регулярно и ответственно анализировали сигналы PBRTQC, необходимо поддерживать баланс между способностью выявлять ошибки (чувствительность) и приемлемой частотой ложных срабатываний (специфичность). Слишком частые ложные сигналы подрывают доверие к системе и демотивируют персонал. Поэтому очень важно вести активное наблюдение за тем, насколько настройки PBRTQC остаются актуальными. Если для одного и того же анализа возникают постоянные ложные сигналы, возможно, следует пересмотреть или «ослабить» контрольные пределы, критерии усечения/исключения или размер блока. Цель регулярного пересмотра параметров PBRTQC — поддерживать контролируемый уровень ложных срабатываний без потери чувствительности к обнаружению реальных сдвигов.

Заключение

Новые достижения в области PBRTQC открывают путь к практическому применению этих методов в клинических лабораториях в качестве «следующего поколения» систем контроля качества. PBRTQC обеспечивает непрерывный контроль с более высокой чувствительностью выявления ошибок для многих важных анализов и, следовательно, снижает риски для пациентов. С учетом развития информационных технологий в медицинских лабораториях PBRTQC становится все более доступным. Хотя PBRTQC может быть сложнее традиционного КК, поскольку требует дополнительного понимания новых концепций, выгоды включают более мощный и экономичный аналитический контроль. Крупная референс-лаборатория, использующая PBRTQC для рутинных биохимических тестов, сообщила о сокращении количества повторных анализов примерно на 50% за счет отказа от привычной схемы «блочного» (bracketing) ВЛК, а также о снижении расхода материалов ВЛК на 75—80% [11].

На данный момент сфера PBRTQC развивается очень быстро и предлагает множество методик, доступных для внедрения в практику. Однако выбор готовых программных решений пока ограничен, а реализация PBRTQC требует определенных статистических навыков и временных затрат. Не существует и формальных нормативных документов, описывающих сильные и слабые стороны различных методов, кроме упоминания в руководстве Clinical and Laboratory Standards Institute по управлению рисками в КК, где рекомендовано использование агрегированных результатов пациентов как метода, свободного от «матричных» эффектов [30]. Таким образом, каждая лаборатория, прежде чем внедрять PBRTQC, должна самостоятельно оценить доступные стратегии и выбрать инструменты, наиболее соответствующие ее потребностям и возможностям. Представленные в данном обзоре сведения и рекомендации призваны помочь в успешном внедрении PBRTQC в клинические лаборатории.

Авторы заявляют об отсутствии конфликта интересов.