基于AI的PBRTQC在患者风险管理与临床投诉控制策略的应用研究
陈光辉，主任技师。现任中山市小榄人民医院副院长、党委副书记、检验科学科带头人，南方医科大学兼职教授。广东省医学会检验专业委员会委员、中国医院协会人力资源管理专业委员会委员、广东省医院协会临床实验室管理专委会副主任委员、广东省医疗安全协会检验分会副主任委员、广东省健康管理学会检验医学专业委员会副主任委员、广东省中西医结合协会检验专业委员会副主任委员、广东省预防医学会微生物与免疫分会副主任委员、广东省精准医学应用学会精准检测分会副主任委员、广东省胸部疾病学会检验专委会副主任委员、中山市医院协会临床实验室管理专业委员会主任委员、中山市医学会检验专业委员会副主任委员、中山市医学会人力资源管理专业委员会副主任委员。发表SCI及核心期刊论文20余篇，指导及承担广东省卫生厅及中山市科研立项10余项，并与临床科室进行多项科研合作，获得市级科学技术进步奖一、二、三等奖多项。
陈慧，副主任技师。现任中山市小榄人民医院检验科副主任。广东省基层医药学会检验专业委员会常务委员、广东省精准医学应用学会微生态医学分会常务委员、广东省医院协会临床实验室管理专业委员会委员、广东省精准医学应用学会精准检测分会委员、广东省中西医结合学会医学实验室自动化专业委员会委员、广东省医学教育协会检验医学专业委员会委员、广东省地中海贫血防治协会地贫诊断专委会委员、中山市医院协会临床实验室管理专业委员会副主任委员兼秘书、中山市医学会检验专业委员会常委委员。长期从事分子遗传学检验、血液学检验和实验室质量管理工作，承担和参与省、市级科研课题十余项，发表论文10余篇。
王凯瑾，检验技师，现任职于中山市小榄人民医院检验科，从事临床检验工作，主要研究方向为实验室数据开发和参考区间建立，共发表论文8篇。
国际临床化学和检验医学联合会（IFCC）下设的分析质量委员会于2020年发表的指导文件指出，基于患者数据的实时质量控制（patient based real time quality control，PBRTQC）是一种使用患者临床标本检测结果以实时、连续监测检测过程分析性能的质量控制方法，是基于患者风险的质控策略及质控品室内质量控制方法（质控品QC法）的有效补充[1]。ISO 15189:2022《医学实验室-质量和能力标准》重点改变内容增加了患者风险管理的准则要求，临床实验室应将风险管理与质量管理相融合，针对检验结果质量的风险管理过程包括识别、评估、控制和持续改进检验前中后全过程可能出现的风险因素，消除临床实验室风险因素或将其降低到可接受的水平[2]。这与传统的质控品QC法相比，PBRTQC具备连续实时监控检测系统分析性能、可监控分析全过程误差、对分析前误差敏感、无基质效应、无需增加额外成本等优点，可应用于临床实验室风险管理程序，推动临床实验室及医疗机构高质量低风险的良性发展。IFCC建议PBRTQC程序引入机器学习技术，研发基于人工智能（AI）的PBRTQC软件工具监控实验室大数据，反馈信息执行仪器校准从而最大限度地降低潜在质量风险，助力检验智能化和实验室自动化[3]。
血气分析是应用血气分析仪测定血液酸碱度（pH）、氧分压（pO2）、二氧化碳分压（pCO2）、电解质、血红蛋白（Hb）、血糖（Glu）、乳酸（Lac）等指标的检验手段，适用于昏迷、低氧血症、呼吸困难、呼吸衰竭等危急重症的诊断与鉴别诊断，临床对其检测结果的时效性和准确性要求极高。检验结果不准确是临床检验常见投诉原因，且容易引发医疗纠纷，亟需高效工具辅助查找相关原因。PBRTQC包括正态均值法（AoN）、BULL算法（XbarB）、移动中位数法（movMed）、移动均值法（MA）和指数加权移动均值法（EWMA）等多种运算程序，其中EWMA法对趋势变化和微小偏差更为敏感[4]，在临床血液、生化、免疫项目分析中具有可靠的质量风险识别效果，尚未见其应用于血气分析项目的相关报道。因此，本研究拟基于AI开发的PBRTQC在线实时智能监控平台和真实世界患者大数据，进行PBRTQC在血气分析质量风险识别与管理的应用研究，旨在保证血气分析质量误差的识别和临床投诉原因的甄别。
一、材料与方法
1. 研究对象：（1）患者数据来源：在实验室本地服务器安装部署PBRTQC智能监控平台，自动采集2022年1月1日至2022年10月31日中山市小榄人民医院所有门诊及住院患者血气分析检测结果共8573例，进行PBRTQC程序的参数设置、模型建立、性能验证、效果评估及实时应用。本研究严格遵循医学伦理原则，所使用数据按相关法律法规要求去除个人信息标识。（2）质量管理：按照临床实验室规范管理要求执行校准、室内质控及仪器维护保养等；每日室内质控在控后检测临床样本。（3）检测系统与试剂：罗氏cobas b221血气分析仪（罗氏诊断产品(上海)有限公司），均为配套试剂和校准品。（4）PBRTQC专业智能软件系统：基于AI的患者数据实时质量控制智能监控平台（AI-Moving average intelligent monitoring platform，AI-MA）（上海森栩医学科技有限公司）。
2. 研究方法：（1）PBRTQC运算程序算法：采用AI-MA智能监控平台的EWMA及MA运算程序，EWMA法计算公式如下：
Zt+1 = Zt + λεt = λZt + (1-λ) Zt
其中Zt+1为第t+1点的估计值，Zt为第t点的估计值，Zt为第t点的实际测量值，λ为加权系数，0＜λ≤1。（2）质量控制目标：依据卫生部室间质评评价标准设置PBRTQC质控程序的允许总误差、精密度及正确度分析性能质量目标，无卫生部室间质评评价标准项目参考生物学变异设置质量目标。（3）质控规则：采用森栩医学AI-MA智能监控平台基于人工智能算法的智能规则及传统Westgard规则。（4）PBRTQC质控效能评价指标：采用误差检出概率（probability for error detection，Ped）、假阳性率（false positive rate，FPR）、假阴性率（false negative rate，FNR）作为AI-MA患者数据智能监控平台最优程序PBRTQC性能验证的质控效能评价指标，设定EWMA法的Ped可接受范围为＞90%、FPR＜5%、假阴性率（FNR）可接受范围为0%为最佳。（5）PBRTQC程序建立、性能验证、效能评估：在AI-MA智能监控平台进行PBRTQC程序建立、性能验证、效果评估与实施运行，包括质量目标设置、质控规则设置、数据自动提取、参数设置、智能运算、性能验证、最优PBRTQC方法选择、效能评价、实施及实时运行等规范步骤流程。
二、研究结果
1. 基于AI的PBRTQC实时智能监控平台建立血气分析项目最优PBRTQC程序：基于AI-MA智能监控平台对血气分析13个测定项目数据进行回顾性分析，通过数据分布检验、PBRTQC参数设置、EWMA程序运算、性能验证及效果评估确定各项目的最优PBRTQC模型，见表1。对于数据呈正态或近似正态分布的项目pCO2、K+、Na+、Cl-和tHb及其衍生参数，控制限设定单一截断范围；对于偏态分布的项目pH、pO2、Ca2+、Glu、Lac，控制限设定两个或多个截断范围。以pO2为例，选用EWMA法在真实世界数据中验证最优PBRTQC模型参数，控制限设定加权系数为0.03，纳入总体人群时，假失控概率FPR为59.95%；截断范围选择（20-30 & 80-120）mmHg时，误差检出率Ped为100%，无假阳性或假阴性报警，见图1。采用L-J质控图或Z分数质控图直接显示质量风险识别效果，2022年6月至2022年10月的5063个患者血气分析检测结果，基于AI-MA智能监控平台的PBRTQC实时智能监控平台共发生4次预警，报警率为0.79‰，经查看仪器维护记录和质量管理记录确认，pH和Lac质量风险原因是标本检验前周转时间超时，Cl-质量风险原因是更换新电极后出现定标不稳定现象。
图1. 氧分压（pO2）两个水平截断范围联合的PBRTQC模型EWMA法Z分数图
2. 基于AI的PBRTQC在临床投诉原因分析与控制策略的应用：新生儿脐带血血气分析用于评估胎儿的代谢状况，在许多有条件的医疗机构作为常规开展项目。国内专家共识建议脐动脉血气分析结果中的pH＜7.00，或BE＜－12.00mmol/L，同时乳酸水平≥6.00mmol/L，作为新生儿围产期缺氧预后不良的最高危值。笔者科室在2022年9月收到临床科室投诉新生儿乳酸危急值与临床症状不符。基于AI-MA智能监控平台的患者数据回顾分析发现，新生儿脐带血乳酸在8月30日起出现正偏移，检测结果偏高，pH在8月31日也出现负偏移，检测结果偏低；而同期儿童和成人全血标本乳酸和pH结果均无报警，且所有患者的pO2和pCO2未出现风险预警（图2-4）。经确认各项目室内质控结果均在控，排除检测系统原因，后检查血气分析标本周转时间发现近期脐带血标本从采集到上机时间超过4小时，经优化检测流程后纠正。
图2. 不同人群的乳酸（Lac）PBRTQC模型EWMA法Z分数图
图3. 不同人群的酸碱度（pH）PBRTQC模型EWMA法Z分数图
图4. 不同人群的氧分压/二氧化碳分压（pO2/pCO2）联合PBRTQC模型EWMA法Z分数图
三、分析与讨论
室内质量控制是临床实验室质量管理体系的关键环节，临床检验定量测定项目的质控方法包括检测质控品的质控品QC法和利用患者数据的PBRTQC法。质控品QC主要涉及试剂和仪器的质量控制，确保实验室测试的准确性和可靠性，无法对整个检测过程进行监测；而PBRTQC技术具备监控检测全过程的特点，更为关注患者数据的准确性和一致性，有利于保证医疗决策的准确性和有效性。本研究基于医学大数据挖掘及人工智能创新技术开发的PBRTQC专业智能软件工具森栩医学AI-MA和真实世界患者大数据，进行PBRTQC在血气分析项目的检测系统分析性能及质量风险预警方面的应用研究，包括基于AI-MA智能监控平台建立不同项目的最优程序参数、不同质控方法对有无质控品项目的质控性能比较、智能质控规则与传统Westgard规则的质控效能比较、AI-MA智能监控平台在临床投诉原因甄别的实际应用等。
血气分析用于评估患者的酸碱平衡和氧合状态，能直接反映肺换气功能、氧合功能以及机体酸碱平衡状况，在急性呼吸衰竭诊疗、外科手术、抢救与监护过程中发挥着至关重要的作用[5]。随着临床需求的增加和检测仪器的发展，血气分析仪可快速检测血气、酸碱度、电解质以及代谢物多个项目，具备自动定标程序以维持检测系统稳定性。血气分析结果影响因素众多，包括患者采集前准备、采集操作和装置、标本运输、样本上机前准备、检测系统稳定性等，为得到高质量的检测结果，把握好全程质量控制极为重要。
本研究通过调整截断范围、加权因子、警告/失控规则建立的最优PBRTQC模型可以灵敏识别血气分析项目的潜在质量风险。血气分析标本类型常见动脉血、静脉血、脐带血，动静脉血氧分压差异显著，脐带血与前两者pH、乳酸也有明显差异。本研究包含因样本差异造成数据偏态分布的检测项目，结果表明采用EWMA法的PBRTQC模型通过建立联合不同水平的截断范围可以有效监测偏倚分布的数据误差，使用过窄或过宽的单一截断范围会出现不同程度的假阴性或假阳性。Smith等阐述了患者结果分布对于检测项目PBRTQC 程序建立的重要性，MA法中偏态数据经过数据转换可以获得更优的质控效能[6]。此外，李欣等研究了PBRTQC控制限纳入数据范围和加权系数对质量风险识别效果的影响，相关参数的建立需要实验工作人员不断尝试并积累专业经验[7]。由此可见，PBRTQC程序建立过程中需要根据实际情况设置控制限参数建立适用于本地实验室的最佳PBRTQC 程序。
PBRTQC和质控品QC对血气分析项目的质控参数比较中发现，血气、酸碱度、电解质两种质控方法的累积CV值差别较小，而代谢物中的Lac差别较大，可能原因是PBRTQC更真实地反映检测项目的个体间差异。血气分析商用质控品使用最多的是水剂缓冲液，质控结果易受温度、开盖时间、实验室人员操作程序影响；PBRTQC不仅可以弥补质控品QC在基质效应、检测成本上的不足，并且能够监控无质控品项目的分析性能，成为实验室质控策略中质控品QC的有效补充。此外，本研究应用森栩医学AI-MA创新的智能质控规则在PBRTQC性能验证中比传统Westgard规则识别质量风险更为及时、灵敏、准确，也证实PBRTQC的实施需要将统计方法向人工智能方法转变。
近年来，风险管理概念逐渐深入，实验室质量控制策略逐步提升到基于风险管理的全面质量控制计划，即要求注重管理检验前、中、后全过程的潜在风险。分析前质量控制是保证检测结果质量的重要环节，影响血气分析结果的检验前因素包括患者情绪状态、吸氧状况、采血部位、采集容器、送检时间以及不合格标本等。本研究针对临床投诉查找原因过程中智慧利用PBRTQC程序发现检验前周转超时造成乳酸和pH误差，这证明森栩医学AI-MA的PBRTQC可以准确、灵敏地识别检验前潜在质量风险，可以弥补传统质控品QC法无法识别此类误差的不足，成为临床投诉原因甄别的可靠工具。
综上所述，PBRTQC方法可以监测血气分析项目的分析性能变化和趋势，在监控检验全过程质量风险方面优于传统质控品QC法，可以作为每日室内质控的有效补充且为无质控品项目的室内质控提供解决方案。基于医学大数据挖掘和人工智能技术开发的森栩医学AI-MA智能监控平台支持PBRTQC参数设置、程序建立、性能验证与动态运行，并且具备创新的智能质控规则，可以达到最佳识别实验室质量风险的目的。基于AI的PBRTQC可以实时监控、识别和早期预警实验室质量风险，仍需要临床实践探索、积累最优模型建立经验以保证其高灵敏性，从而更广泛地应用于临床实验室风险管理。
参考文献
Loh TP, Bietenbeck A, Cervinski MA, van Rossum HH, Katayev A, Badrick T, International Federation of Clinical C, Laboratory Medicine Committee on Analytical Q. Recommendation for performance verification of patient-based real-time quality control[J]. Clin Chem Lab Med, 2020, 58(8): 1205-1213.
Author. ISO 15189: 2022 Medical Laboratories-Requirements for quality and competence[S].
Badrick T, Bietenbeck A, Katayev A, van Rossum HH, Loh TP, Cervinski MA, International Federation of Clinical C, Laboratory Medicine Committee on Analytical Q. Implementation of patient-based real-time quality control[J]. Crit Rev Clin Lab Sci, 2020, 57(8): 532-547.
温冬梅, 郝晓柯. 基于患者数据的实时质量控制建立原则及研究进展[J]. 中华检验医学杂志, 2022, (01): 82-86.
邱骏, 郑东, 曹兴建,等. 血气分析质量管理江苏专家共识[J]. 临床检验杂志, 2023, 41(02): 81-85.
Smith JD, Badrick T, Bowling F. A direct comparison of patient-based real-time quality control techniques: The importance of the analyte distribution[J]. Ann Clin Biochem, 2020, 57(3): 206-214.
李欣, 杨超, 郑磊. 基于人工智能的患者数据实时质量控制在质量风险智能监控与管理的应用研究[J]. 临床实验室, 2021, 15(8): 70-78.
