![]()
40
| 1 | 2005
Klinisk Biokemi i Norden
sensitiviteten mot ikke-normalitet av deres kriterier
kan være større i virkeligheten enn de kanskje har
ventet seg (5). Harris-Boyd metoden tar ikke heller
hensyn til like (”tied”) referanseverdier, som kan
utgjøre et ikke-trivielt problem for estimering av
prosentene, hvis fordelingene har store mengder av
slike referanseverdier akkurat ved referansegren-
sene (4). Dette var tilfellet bl.a. for noen elektrolyt-
ter i NORIP. Når det gjelder etablering av subgrup-
peringskriteriene, har originalarbeidet av Harris og
Boyd (7) både konseptuelle og tekniske svakheter,
som enda mer svekker troverdighet av deres forslag
for slike kriterier (2).
Når vi etter en del teoretisk bakgrunnsarbeid (2-4)
kom så langt i prosjektet at vi var i stand til å sam-
menligne prosenter beregnet direkte og med hensyn
tatt til alle de aspekter som nettopp ble omdiskutert,
mot konklusjoner foreslått av Harris-Boyd metoden,
ble resultatet at Harris-Boyd metoden faktisk fore-
slo motsatt konklusjon til den som prosentene tilsa
i ethvert av tre tilfeldig valgte eksempler (5). Det
dreide seg ikke bare om grensefall i disse beregnin-
gene, uten Harris-Boyd metoden tok flere ganger
skikkelig feil i enkelte subgrupperinger. Skal man
tro på disse observasjonene, er Harris-Boyd meto-
den ikke nødvendigvis en slik garanti for stabilitet
av laboratorietestenes spesifisitet og sensitivitet ved
subgruppering som Harris og Boyd håpet på.
Vi ønsket i første omgang å kunne tilby en meget
praktisk ny subgrupperingsmetode basert på avstan-
der mellom referansegrenser (2). Siden den nye
metoden bygger på matematiske beregninger, mens
Harris-Boyd kriteriene ble etablert med et svært lite
antall datamaskinsimulasjoner (10 simulasjoner per
observasjon), gir den sannsynligvis bedre resultater
enn Harris-Boyd metoden selv i denne sin enkleste,
approksimative versjon. Det viste seg likevel senere
at både prevalenser (3) og like referanseverdier (4)
også kan komplisere bruk av slike avstander, ved
siden av non-normalitet av fordelinger. I motset-
ning til Harris-Boyd metoden, som ikke greier å
håndtere noen av disse komplikasjonene, går det
likevel an å korrigere for prevalensene i den nye
metoden (3), noe som ytterligere øker dens pålitelig-
het som sammenlignet med Harris-Boyd metoden
(6). Særlig hvis non-normalitet og/eller like refe-
ranseverdier foreligger, leder direkte beregning av
prosentene, enten for hånd eller som utført med
datamaskinprogrammer, til enda bedre resultater.
Vi hadde i dette prosjektet fordelen av å kunne
bruke store, ferske datamaterialer fra NORIP for å
teste våre teoretiske idéer med. Da var det oftest
snakk om flere hundre referanseverdier per sub-
gruppe, noe som ikke er realistisk f.eks. for et enkelt
laboratorium som ønsker å etablere sine egne refe-
ransegrenser. Hva med den statistiske pålitelighet av
subgruppering i slike tilfeller egentlig?
Selv om minimumskrav for subgruppenes størrel-
ser ikke er blitt systematisk utredet for noen av
subgrupperingsmetodene, mistenker jeg at NCCLS-
anbefalingen på 120 referanseverdier per sub-
gruppe (11) for Harris-Boyd metoden kan være en
grov underestimering. Grunnårsaken til at statistisk
pålitelig subgruppering dessverre krever relativt
store datamengder, er at referansegrenser har som
perifere persentiler av sannsynlighetsfordelinger en
forholdsvis stor statistisk usikkerhet. Denne reali-
teten kan ingen subgrupperingsmetode unngå, så
langt den prøver å avspeile troverdig forholdene
ved referansegrensene – noe som den gjerne skal
gjøre, fordi klinisk brukbarhet av laboratorietester
bygger nettopp på referansegrenser. Utilstrekkelig
datamateriale lar seg ikke kompensere gjennom
statistisk-metodologiske innovasjoner, men hvis
datamaterialet er stort nok, blir resultatet bedre med
enn god subgrupperingsmetode enn med en dårlig.
Referanser
1. Westgard JO, Darcy T. The truth about quality:
medical usefulness and analytical reliability of
laboratory tests. Clin Chim Acta 2004;346(1):3-
11.
2. Lahti A, Hyltoft Petersen P, Boyd JC, Fraser CG,
Jørgensen N. Objective Criteria for Partitioning
Gaussian-distributed Reference Values into
Subgroups. Clin Chem 2002;48(2):338-352.
3. Lahti A, Hyltoft Petersen P, Boyd JC. Impact
of Subgroup Prevalences on Partitioning
Gaussian-distributed Reference Values. Clin
Chem 2002;48(11):1987-1999.
4. Lahti A, Hyltoft Petersen P, Boyd JC,
Rustad P, Laake P, Solberg HE. Partitioning
of Nongaussian-Distributed Biochemical
