![]()
34
| 4 | 2009
Klinisk Biokemi i Norden
(Fortsat fra side 33)
Gjennom gjentatte søk (iterering) eller optimering
kan vi finne denne med et dataprogram. Vi kan nå
også lage en eksponensielt vektet median. Vi tar
utgangspunkt i en median og oppdaterer denne ana-
logt med EWMA:
Vi har nå en eksponensielt vektet median.
Bruk av median og eksponensielt vektet median
Medianen virker attraktiv som måleparameter, og
virker tilsynelatende mer stabil (har mindre vari-
asjon) enn et gjennomsnitt. Men, vi må huske at
medianen blir beregnet fra et sett med sannsynligvis
normalfordelte måleresultater. Og normalfordelingen
kan karakteriseres fullt ut med et gjennomsnitt og et
standardavvik. Dette betyr at det ikke er noen som
helst ny informasjon å få fra en median sammen-
liknet med et gjennomsnitt, dersom utgangsdata er
normalfordelt (se Fisher 1922).
Medianer for normal-
fordelte data inneholder ingen ny informasjon sam-
menliknet med gjennomsnitt. Medianer er derfor bare
nyttige for ikke normalfordelte data.
Kontrollregler fra pasientprøver
Pasientresultater kan også brukes for løpende kva-
litetskontroll. Et nivåskift i analysen gir tilsvarende
skift i median- eller gjennomsnittsverdien for en
pasientpopulasjon. En kan derfor bruke CUSUM for
overvåking og EWMA for å vise størrelsen til nivå-
skiftet. I totalvariasjonen til pasientresultatene inngår
dog både komponenter fra biologisk (både inter- og
intraindividuell variasjon) og analytisk variasjon, og
for kvalitetskontroll er vi kun interessert i den analy-
tiske, og biologisk variasjon er ”støy”.
Autokorrelasjon og syklisk variasjon
Overvåking av analyser med pasientdata forutsetter at
prøvene analyseres i tilfeldig rekkefølge. Vi kan teste
dette ved å måle autokorrelasjonen, dvs korrelasjonen
mellom en pasientprøve og påfølgende pasientprøve
(de fleste statistikkprogrammer har funksjoner for
å beregne autokorrelasjonen). Autokorrelasjonen er
oftest lav (ved mitt laboratorium), men det finnes en
del unntak. Det kommer gjerne flere prøver fra IVF-
poliklinikker samlet, og dette er prøver etter ovarial-
stimulering med svært høye østradiolverdier.
En annen forutsetning er at det ikke finnes bio-
logiske sykluser. For kortisol og prolaktin har vi
døgnsykluser, for vitamin D har vi en årssyklus. Teo-
retisk kan det korrigeres matematisk for slike syklu-
ser, men det fungerer sjelden i praksis.
Hvor effektiv er overvåking med pasientdata?
Overvåking med pasientdata er effektiv, dersom:
1. Antallet pasientprøver er stort.
2. Den analytiske usikkerheten er stor relativt den
biologiske variasjonen.
3. Autokorrelasjonen er liten.
4. Det ikke finnes biologiske sykluser.
Et eksempel hvor alle kriterier er oppfylt er natrium
i serum, hvor overvåking med pasientdata er effektiv.
Kalibrering og rekalibrering
Dersom kontrollregler brytes og analyseringen stop-
pes, må en vurdere å kalibrere instrumentene på nytt.
Kontrollverdiene kan her ikke brukes som ”kalibra-
tor”. Kontrollen påvirkes av mange forhold utover
analytiske forhold. Når kontrollen ligger utenfor kon-
trollgrensen, er det sannsynlig at det er et bidrag også
fra andre kilder, og at derfor reelt målefeil er noe min-
dre (dette gjelder for både intern og ekstern kvalitets-
kontroll). Det er lett med slike resultater å overvur-
dere (såkalt magnitud- eller type M-feil) målefeilen.
En bør alltid være forsiktig med kalibreringer, slik
at en unngår at analysen hopper opp og ned. Tettere
kalibreringer betyr ikke alltid lavere måleusikkerhet.
Retrospektiv analyse
En kan analysere alle kontrollresultater fra et eller
flere år og dele dem opp i varianskomponenter. Vi
kan da se hvor stor innen-dag-variasjon, dag-til-dag-
variasjon, måned-til-måned-variasjon, lot-til-lot-
variasjon, mellom-analysemaskinvariasjon med mer
er. Formålet med dette er å identifisere mål for forbe-
dringstiltak, Variansanalyse (ANOVA) er meget kom-
plekst, fordi vi har både en ubalansert og hierarkisk
variansanalyse. Ikke uventet domineres variansekil-
dene av innen-dag-variasjon og lot-til-lot-variasjon.
Praktiske kontrollrutiner
En bør ha en regel for enkeltkontroller, oftest tre
standard avvik. I tillegg bør en ha et system for å se
små endringer over tid. Enklest (og best) er en imple-
mentering av CUSUM-algoritmen. Alternativt kan
