![]()
12
| 2 | 2008
Klinisk Biokemi i Norden
sultatene. Hvis resultatene ikke påvirkes av kovariater
som alder, BMI m.m. og viser en pen normalforde-
ling, trenger en få observasjoner. Dersom det finnes
kovariater som påvirker resultatet og/eller dersom
fordelingen er skjev trenger en flere observasjoner.
Kombinasjoner av kovariater er vanskelige og kan
kreve kontakt med statistiker. Hvis gamma-GT øker
både ved økende BMI og ved økende alkoholforbruk,
vil effekten bli addert, forsterket eller dempet hvis
begge stiger samtidlig? (Høyst relevant i nordiske
land med stadig økende BMI og alkoholforbruk…)
Etter grovbearbeidelse av måleresultatene følger
beregninger av referansegrensene. Valget er mellom
en trappefunksjon (som ikke kompenserer for kon-
tinuerlige kovariater) eller en jevn kurve (som kom-
penserer for kontinuerlige kovariater). For begge
tilfellene finnes flere metoder, som kan inndeles i
parametriske og ikke-parametriske metoder.
Parametriske metoder krever at måleresultatene er
normalfordelte eller kan bli det etter transformasjon.
En enkel ”transformasjon” er å ta logaritmen av resul-
tatet. For mange komponenter, særlig der måleresul-
tatene varierer over flere dekader, er logaritmene ofte
mer normalfordelt en det ”utransformerte” resultatet.
Dessverre gir sjelden en enklere transformasjon til-
strekkelig normalfordelte resultater, og da trengs en
eksponentialtransformasjon eller annen kompleks
transformasjon. Komplekse transformasjoner finnes
tilgjengelige i en del programpakker som RefVal.
Fremgangsmåten ved bruk av en parametrisk metode
(som bruker normalfordelingen) blir slik:
1.) Fjerne slengere. Her bør en forholde seg til en test,
for eksempel Tukeys’ test [8].
2.) Transformere resultatene til en normalfordeling.
3.) Bruk en normalfordelingstest (for eksempel
Anderson-Darlings test) for å sjekke at den trans-
formerte fordelingen er statistisk normalfordelt.
I tillegg er et normalfordelingsplott (ofte kalt
Z-score plot eller QQ-plot i programpakken) vik-
tig for å sjekke i hvilken grad og i hvilke områder
transformasjonen er gyldig. De fleste transfor-
masjoner gir best normaltilnærming rundt medi-
anen. Til beregninger av øvre referanseintervaller
må transformasjonen også gi linearitet mot en
teoretisk normalfordeling ut til 97,5-persentilen.
4.) Beregn referanseintervallet med konfidensinter-
valler for den transformerte fordelingen.
5.) Tilbaketransformer referanseintervallene og
konfidensintervallene.
6.) Lag et plot over resultatene mot den viktigste
kovariaten med referanseintervaller og angi slen-
gere. Ser referansegrensene fornuftige ut? Er det
tynt med observasjoner noe sted? Er konfidensin-
tervallene fornuftige? Hvor mange observasjoner
har jeg egentlig utenfor referanseintervallene og
hvor mange observasjoner ligger i konfidensinter-
vallet? Var det riktig å fjerne slengerne?
Ikke-parametriske metoder krever ingen kjent forde-
ling av måleverdiene
• Metodene krever flere observasjoner enn tilsva-
rende parametriske metoder, men ikke-parame-
triske metoder er alltid å foretrekke når en først
har et stort antall observasjoner, som ved store
populasjonsundersøkelser (HUNT eller Tromsø-
undersøkelsen).
• Metodene baseres ikke på kjente fordelinger, og
er derfor mindre følsomme for slengere og avvik
fra normalfordeling enn parametriske metoder.
Metodene kan derfor også brukes for analyser som i
stor utstrekning påvirkes av kun et eller to gener hos
individene (et eksempel er CA19.9). Husk at et gen
vanligvis gir tre kombinasjoner (AA, Aa og aa) og
to gener ni kombinasjoner. Er det flere enn to gener
involvert blir resultatene ofte normalfordelt.
• Den enkleste metoden er å legge referansegrensen
til 97.5-persentilen, men referansegrensen blir usik-
ker ved få observasjoner. Et sikrere estimat kan en få
ved å bruke mer avanserte metoder som bootstrap
[9;10] eller Harrell and Davis estimator [11].
Verifisering av referanseintervaller
Kan vi bruke andres referansegrenser, hvis vi finner
at vi ikke vil lage egne? Akkrediteringsstandarden
krever at et referanseområde hentet fra litteratur eller
produsent verifiseres for våre analyser.
Verifikasjon kan gjøres på to måter – fra egne
driftsdata eller fra en egen, mindre undersøkelse.
Verifisering fra driftsdata
• Ta ut samtlige resultater fra en relevant tidsperiode.
Unngå data fra tiden før nåværende metode ble inn-
ført! Med økende tidsperiode for observasjonene, jo
mer vil bias i analysen ha variert under perioden.
For de fleste analyser er mesteparten av resultatene
(Fortsat fra side 11)
(Fortsætter side 14)
