![]()
14
| 2 | 2008
Klinisk Biokemi i Norden
(Fortsat fra side 12)
ikke-patologiske og kan brukes på to måter for å
finne referansegrenser:
• Den sentrale porsjonen av de samlede resultatene
kan brukes for å finne referansegrenser. Metoden
benevnes ”Hoffmanns metode”, selv om den er blitt
modifisert etter hvert [12]. En kan også bruke en
annen, mer robust estimator [13].
• Alternativt kan en bruke avansert rensing med data-
maskin – d.v.s. luke vekk alt som lukter det minste
unormalt ut fra kliniske opplysninger som diag-
nosekoder og fra relevante måleverdier av andre
komponenter som blodsukker [14]. Selv om vi
vil studere fordelingen av serum-natrium, uteluk-
ker vi alle med forhøyet blodsukker. Vi sitter etter
rensingen igjen med en meget liten del av den
opprinnelige populasjonen, men siden den opprin-
nelige populasjonen var så stor vil det fortsatt være
tilstrekkelig mange igjen.
• Egne erfaringer tilsier følgende: Datakvaliteten er
proporsjonal med antall observasjoner. Analyser i
laboratoriet som utføres ofte har oftest høy analyt-
tisk presisjon og liten bias, og antallet ”friske” indivi-
der er stort i forhold til antallet ”syke”. Analyser som
utføres sjeldent, har ofte lavere analyttisk presisjon
og større bias, samtidlig som antallet ”syke” indivi-
der er relativt høyere. Praktisk er det derfor oftest
dårlig datakvalitet og ikke for få observasjoner som
er begrensningen for verifisering ut fra driftsdata.
Verifisering fra egen, mindre studie:
• Enkelte laboratorier velger å analysere 40 prøver fra
friske. Hvis 4 personer eller flere ligger utenfor refe-
ransegrensene forkastes referansegrensen. Metoden
har lav teststyrke. Det skal være grove avvik for at
testen sikkert skal avdekke at referansegrensen lig-
ger feil.
• Det er bedre å se på gjennomsnitt og standardav-
vik hos populasjonen som ble brukt til det oppgitte
referanseintervallet og gjennomsnitt og standardav-
vik hos min ”minigruppe” for verifikasjon. Husk at
både gjennomsnitt og standardavvik må være med,
fordi referansegrensen er avhengig av begge to.
Gjennomsnitt og standardavvik er ofte ikke direkte
proporsjonale. Et eksempel er CEA, hvor log(CEA)
øker proporsjonalt med kvadratroten av alderen.
Men standardavviket av log(CEA) øker lineært!
Med økende alder øker øvre referansegrense derfor
mer enn medianen, samtidlig som nedre referan-
segrense ligger konstant.
• Hvis det kun er små forskjeller i gjennomsnitt og
standardavvik mellom min populasjon og popu-
lasjonene andre har studert, så kan referanseinter-
vallene brukes.
• Det siste alternativet er å lage en tilstrekkelig stor
studie at en kan beregne konfidensintervaller på
vanlig måte. En studie som skal brukes til verifise-
ring må ikke være fullt så stor og nøye planlagt som
en fullstendig referanseintervallstudie.
Beslutningsgrenser
Noen ganger er dette ikke mulig, andre ganger ikke
fornuftig å gi ut referansegrenser som er satt i for-
hold til nivåene hos normalbefolkning. En velger da
å bruke en beslutningsgrense eller ”terskelgrense”.
En slik grense er normerende, for eksempel serum-
kolesterol bør være … eller D-dimer over … inne-
bærer økt risiko for … Teorien for terskelgrenser
er kompleks, og de fleste laboratorier bruker nok
synsing til å fastsette terskelgrensene sine. Et enkelt
verktøy for terskelgrenser er ROC–analyse (receiver-
operating characteristics). ROC-analyse går ut fra
hvordan verdiene fordeler seg hos en relevant frisk og
en relevant syk populasjon. ROC-analyse tar dog ikke
utgangspunkt i forekomsten (frekvensen) av friske og
syke, slik at hvis forekomsten av sykdom er lav vil en
analyse som ser egnet ut fra ROC-analyse kunne gi
mange falske positive. Oppfølging av testikkelkreft
med Plasentært ALP ved Radiumhospitalet ville
gi 35 falske varsler om tilbakefall for hvert sant til-
bakefall. ROC-analyser håndterer heller ikke å skille
flere forskjellige sykdomstilstander fra hverandre. Vi
Foto: Henrik Alfthan. Island.
