![]()
9
| 2 | 2008
Klinisk Biokemi i Norden
99-persentil vil være mer avhengig av analytisk upre-
sisjon enn en 97,5-persentil.
Bruksområdet for analysen er viktig:
•
Komponent A skal brukes for oppfølging av hjer-
tesvikt, en ikke uvanlig tilstand hos individer over
70 år.
•
Komponent B skal brukes som en markør for
risikosvangerskap.
For Komponent A må vi vite hva som er normale
verdier for individer over 70 år og for Komponent
B vite hva som er normalt for kvinner med normale
graviditeter. Vårt planlagte referanseintervallstudium
må dekke disse relevante populasjonene. Mangelen
på slike studier er heller regelen enn unntaket.
Justere for kovariater
Referansegrenser er ofte avhengige av egenskaper hos
de studerte individene (kovariater)
•
Kontinuerlige kovariater : Alder, BMI (lengdejustert
kroppsmasse).
•
Kategoriske kovariater (av typen ja/nei eller kvinne/
mann): Kjønn, menopause, røyking, alkoholforbruk.
•
Andre kovariater kan ha et syklisk forløp, f.eks
menstruasjonssyklus eller tid på døgnet for
prøvetaking.
Dersom det finnes kategoriske kovariater av betyd-
ning, bør en splitte referansegrensene [3] – f.eks
separate referansegrenser for thyreoidea-stimuleren-
de hormon i serum for menn og kvinner. Dersom
kovariatene er kontinuerlige, er det teoretisk riktig å
lage en sammenhengskurve mellom komponenten og
denne kovariaten [4]. Et eksempel på en sterk alders-
avhengighet ses for mange komponenter hos barn
[5]. De fleste brukere foretrekker dog faste grenser
og velger derfor å splitte referansegrensene også for
kontinuerlige kovariater, f.eks separate referansegren-
ser for serum-gamma-GT for kvinner under 40 år og
over 40 år. Referansegrensene blir da trappeformede.
Noen ganger lages disse sprangene så store at de vir-
ker meningsløse for klinikerne.
Sykliske forløp som menstruasjonssyklus kan stu-
deres på to måter. Enten brukes mange individer
fordelt over forskjellige faser av menstruasjonssyklus,
eller få individer, hvor hvert individ bidrar med
repeterte prøver, spredt over menstruasjonssyklus.
Repeterte prøver anbefales hvis en ikke har tilgang til
en stor populasjonsstudie.
Hvis det ikke finnes tilgjengelige referansegrenser,
dersom en analyse for første gang skal settes ut i
rutinebruk, eller referanseintervaller fra litteraturen
åpenbart ikke kan brukes til den aktuelle metoden
eller populasjonen, må en lage referanseintervaller
selv. En trenger da:
• Tilstrekkelig antall forsøkspersoner som dekker det
tiltenkte analyseområdet med et riktig spektrum av
kovariater. Det har tidligere vært anbefalt minst 121
personer i en homogen gruppe [6].
• Kriterier for å utelukke personer fra studiet. Det
kan være kriterier som meget høyt alkoholinntak,
tidligere malign sykdom, inntak av enkelte medika-
menter, jernstatus eller blodsukker. Andre faktorer
skal kanskje ikke føre til utelukkelse fra studiet,
men de bør kanskje kontrolleres, slik at vi i vår stu-
diegruppe får en fordeling som er representativ for
befolkningen. Dette kan være p-pillebruk, bruk av
østrogener etter menopause, røyking eller overvekt.
Å velge ut forsøkspersoner på grunnlag av faktorer/
kovariater kalles stratifiering.
• For Komponent C vet vi at premenopausale kvinner,
postmenopausale kvinner og menn alle viser for-
skjellige nivåer. Vi trenger her tre grupper med ca
121 personer i hver gruppe. (Hvis hver gruppe har
formlike fordelinger, kan dog matematiske modeller
redusere totalantallet betraktelig.)
• Størrelsen på utvalget er også avhengig av om
tilsvarende forsøk er gjort tidligere. Det kan finnes
overraskelser, som f.eks en liten gruppe i popu-
lasjonen med avvikende verdier. Om 5% av en frisk
populasjon er bærere av en mutasjon som gir 40%
høyere konsentrasjoner av Komponent A, tilhører
ca 3 til 9 av 121 undersøkte individer i ditt studium
denne gruppen. Er dette nok observasjoner for
å identifisere en slik gruppe, eller må det til flere
observasjoner? For Komponent D hvor det tidligere
er gjort flere store populasjonsstudier som har vist
en veldefinert fordeling uten heterogene grupper,
kan antallet observasjoner reduseres.
• For enkelte biokjemiske variabler som thyroide-
ahormoner, blodsukker, blodlipider, rheumatoid
faktor og ferritin, har mange i befolkningen måle-
verdier som er forenlig med sykdom eller forhøyet
(Fortsætter side 10)
