六西格玛矩阵方法在临床生化实验室质量性能评估中的应用与质量保证
【摘要】目的：本研究采用六西格玛(6σ)方法评估生化检测的分析性能，并利用质量目标指数(QGI)和根本原因分析(RCA)评估σ值<4的检测项目(分析物)性能不达标的根本原因。方法:记录水平1(一级,L1)和水平2(二级,L2)内部质量控制(IQC)的每日数据和六个月外部质量评价的每月数据。计算变异系数(CV)、偏倚和总允许误差(TEa)，分析19项生化分析物的σ值。质量目标指数(QGI)分析用于σ值<4的分析物性能的不精密度和不准确度。进行了根本原因分析(RCA)，以评估可改善质量性能的可能原因。结果:肌酐和高密度脂蛋白(HDL)的σ≤2.0，氯化物、天门冬氨酸氨基转移酶(AST)和碱性磷酸酶(ALP)的σ值在2-3之间。在L1质控(QC)中，葡萄糖、总蛋白(TP)、磷酸盐(Phos)和钾的σ值在4-5之间，L2 QC的σ分级也得出了类似的结果。对于σ值<4的分析物，QGI分析暴露了不准确或不精密的问题，并确定了，如质控品复溶、储存温度和仪器运行中质控品中气泡等错误,这些都是导致性能不佳的常见原因。结论:6σ方法有助于质量保证和确定需要改进的领域。评估6σ度量应作为常规实践，以决定QC运行的频率并检测分析中的错误。
【关键词】质量控制;质量保证;根本原因分析;质量目标指数;六西格玛
临床实验室对医疗决策过程具有重要影响。生成可靠、可重复且能及时解读的检测结果是临床实验室的首要职责。为了得出可靠的结果，实验室必须采用最佳的质量保证计划。在实验室流程系统中，分析前和分析后误差较为常见，而分析阶段误差发生率相对较低。尽管频率较低，但仍需对分析阶段的质量控制(QC)进行严格监控。内部质量控制(IQC)和外部质量控制(EQC)通常用于评估和维持临床化学实验室分析阶段的质量，可以通过Westgard规则和控制图（如Levey-Jennings控制图)进行评估。为了确保结果足够准确，可以报告，IQC对分析系统进行持续的监控。为了保持外部QC评估和报告结果的正确性，由外部每月提供一次外部QC样本。
六西格玛(Six Sigma,6σ)是一种通过统计计算评估实验室流程效率的质量控制方法。6σ最初由摩托罗拉公司于1986年开发，旨在减少工业浪费。在临床实验室中引入6σ以实现高质量的医疗服务并接近零缺陷率。通过结合实验室性能中的偏倚(bias)和变异系数(CV)，σ值提供了一种客观评估和比较实验室质量的客观手
段。构成σ分析的三个基本参数是偏倚、CV%和总允许误差(TEa)。TEa表示实验室报告的患者样本分析物浓度与真实浓度之间的偏差，该偏差应在限定范围内以确保结果的可靠性。偏倚是指平均值与真实值之间的系统差异，实验室检测程序的预期结果与经批准的参考方法结果之间的差异也反映了偏倚。常用的参考方法可以是针对特定检测的不同方法或标准、共识方法(如能力验证)以及参与实验室之间的同行比对计划。应识别偏倚，通常应从实验室检测系统中消除，因为它对分析质量有显著影响。标准差(SD)是检测方法的总分析标准差。σ度量值表示检测系统过程中符合指定总允许误差限的分析标准差数量。
6σ的目标是将每百万次缺陷数降至3.4，且σ值与缺陷数呈反比关系。其评估揭示了实验室中分析物性能的显著差异，有助于确定QC频率以及改善分析物性能所需的不同QC水平的浓度。本研究通过CV%、偏倚和TEa[临床实验室改进修正案(CLIA 2024)和Randox国际质量评估计划(RIQAS2021)]计算每种分析物的σ值，评估了19项生化参数的分析性能，并分析了所有项目的质量目标指数(QGI)；同时，对性能较差的项目进行了根本原因分析(RCA)。
一、材料与方法
1. 数据收集：本研究所需的内部质量控制(IQC)数据于2022年1月至2022年9月期间在临床生化实验室收集，使用的是Bio-Rad提供的日常质控品，一般水平1(L1)和水平2(L2)分别代表正常浓度和异常浓度。收集了葡萄糖、尿素、肌酐、总胆红素(TBIL)、总蛋白(TP)、白蛋白(ALB)、磷酸盐(Phos)、尿酸(UA)、总胆固醇(TC)、甘油三酯(TG)、高密度脂蛋白(HDL)、钠(Na⁺)、钾(K⁺)、氯(Cl⁻)、天门冬氨酸氨基转移酶(AST)、丙氨酸氨基转移酶(ALT)、碱性磷酸酶(ALP)、淀粉酶(AMY)和铁，19项分析物的数据。QC在全自动化学分析仪Beckman Coulter AU5800系统上进行。Na⁺、K⁺和CI⁻使用离子选择电极(ISE)模块进行分析，质控品由Bio-Rad(第三方）提供。外部质量控制(EQC)数据是通过韦洛尔基督教医学院与医院(CMC)提供的外部质量保证服务（EQAS)收集的。在临床生化实验室，进行EQAS样本19项分析物分析，其结果每月发送外部验证。从CMC获得的EQAS性能报告与IQC数据一起收集和评估。TEa数据来自CLIA 2024和RIQAS 2021的能力验证标准。任何不符合EQAS效能(得分小于80%)的分析物均不纳入分析。
2. 变异系数(CV%) 计算：CV是以百分比表示的标准差(SD)，是IQC数据变异性的度量，以百分比表示。CV采用每日IQC数据，计算公式如下：CV=(SD/平均值)× (100)。
3. 偏倚计算：偏倚(Bias)是使用公认的参考方法获得的结果与实验室检测程序产生的预测结果之间的系统性差异。采用CMC-EQAS计算各参数的偏倚%。计算公式为:偏倚%=|本实验室实测量值-EQAS测量值|/(EQAS测量值)×100%。
4. 西格玛计算：在两个水平上计算σ: σ=(TEa-偏倚)/CV
5. 质量目标指数（QGI)比率：对于σ值<4的参数，我们计算了QGI比率，计算公式为：QGI=Bias%/(1.5×CV%)。QGI值小于0.8(QGI
6. 根本原因分析(RCA)：RCA采用鱼骨图(或因果图），主要从环境、人员、方法、材料和设备4个方面进行，图1显示了鱼骨图。
二、结果
表1和表2分别显示了L1和L2IQC的19个项目的CV%、偏倚%和σ值，以及自动分析仪的所有运行。如表1、2所示，分析物的性能根据σ水平分为6级:世界级(σ≥6)，优秀(5≤σ<6)，良好(4≤σ<5),边缘(3≤σ<4)，差(2≤σ<3)和不可接受(σ<2)。
在表3中显示了6个等级的σ值，以及L1和L2IQC数据中属于这些类别的项目。肌酐和HDL的σ值≤2.0，CI⁻、AST和ALP的σ值在2~3之间。尿素和Na⁺的σ值在3~4之间，葡萄糖、总蛋白、磷酸盐和钾的σ值在4~5之间。4个项目的σ值在5~6之间，19个项目中只有4个（尿酸、总胆固醇、甘油三酯和铁）的σ值达到了6（表3），同样，L2IQC的σ分级也在表3中给出。分析物的σ值分别通过图2和图3中的方法决策图表示，分别为L1和L2。
计算σ<4的7个项目的QGI，表4显示了L1IQC运行的QGI值。在7项中，有4个在精密度上有问题，3个在结果的准确性上有问题。类似地，表5显示了L2IQC运行的QGI值和问题。
根据可能导致分析物性能低和σ值低的五个潜在因素进行了根本原因分析：环境因素、人员因素、不同分析物所采用的方法、L1和L2IQC所用的材料，以及最后与设备有关的错误。这些因素在鱼骨图中都有体现（图1）。质控品复溶时的错误、储存温度和仪器运行中质控品中的气泡是导致性能不佳的常见原因。
三、讨论
六西格玛（6σ）方法在临床生物化学实验室分析性能中的应用取得了显著的改善。传统的质量控制方法只能监测日常的性能，而不能显示不稳定的性能。Westgard西格玛规则对分析物的性能进行了全面的评估，在此基础上，可以通过适当的质量控制规则和更频繁的质量控制措施来纠正低西格玛质量。6σ度量可检测医学上重要的错误，并提供一种简单快捷的方式来选择控制规则和所需的控制测量次数。应用6σ规则还能显著降低与试剂、设备维护和人员时间相关的成本。减少错误和返工的频率不仅可以节省宝贵的资源，还可以减少误诊和后续昂贵治疗的可能性，在资源受限的医疗环境中，这种成本降低尤为重要。
最终的σ值可能会受到用于计算偏倚和CV的各种方法的影响。例如，可以使用IQC数据或EQC数据检测偏倚。在本研究中，我们使用了IQC数据，并用6σ分析了19项生化分析物的性能。在19项中，UA、TC、TG和铁在L1质控品中表现出世界一流的性能，σ值>6;TBIL、UA、TC、ALP、淀粉酶和铁在L2质控品中表现出类似的结果。对于L1和L2，Creat和HDL以及HDL、CI-和ALT的分析性能最差，σ值く2。由此可见，分析性能不可接受的分析物的σ值低的主要原因是不精密，而不精密又是由于IQC数据的变化造成的。在我们的研究中，试剂、校准品或工作人员的变化都会对CV值产生影响，而CV值是对不精密度的度量，它是基于六个月期间的IQC数据。目前的CV预计比在较短时间内计算出的CV要宽，这可能会导致σ度量降低。van Heerden等人报道，σ也随总允许误差而变化。
为了了解潜在的原因，我们计算了σ值く4项目的QGI，发现不精密度是低σ值的最常见原因。QGI提供了强有力的指导，以解决与分析物性能有关的问题，如不精密或不准确。在本研究中，为验证精密度，记录了5天内对参考材料的5次观测，并进行了根本原因分析，以查找环境、人员（即随机误差或程序/方法）和仪器、系统误差或偏倚等因素。根据Zhou等人对两个
水平的研究，生成了σ方法决策图，将所有σ度量整合到一个易于理解的仪表盘中。根据分析物的σ值，将其分为世界级、优秀、良好、边缘、差和不可接受。以往的研究已广泛探讨了将6σ方法融入临床生化实验室的问题。Westgard等人的综述表明，6σ度量提供了一个强大的框架来分析实验室误差，并根据实验室测试的表现优化质量控制规则。这与我们的研究结果相吻合，凸显了6σ在客观评估实验室分析性能方面的有效性。
虽然QGI有助于确定σ度量较低的原因，即不精密和不准确，但根本原因分析（RCA）可以帮助采取必要的步骤来处理QGI中发现的缺点。在本研究中，IQC的质控品复溶、储存温度和QC中质控品出现气泡的错误更为常见，这表明配备专职人员的质控管理在管理生化参数的性能方面发挥着至关重要的作用。6σ的实践帮助我们了解了常见生化指标的性能，发现了常规实验室实践中的漏洞，为实验室管理提供了改进的方向和范围，本研究为横断面研究，研究的局限性是无法对纠正措施后的表现进行前瞻性评估。一项包含纠正措施的后续研究将进一步证实6σ在分析性能中的有用性。此外，未来的研究重点是在6σ框架内整合先进的分析技术和人工智能算法，将进一步优化分析性能。
四、结论
6σ方法在临床生物化学实验室的应用显示出显著地提高分析性能的潜力。它有助于检测常规实验室实践中的失误，并提供纠正措施的范围。这种方法在准确性、效率、成本降低和员工参与度方面的实际效益，凸显了其在提高医疗服务质量方面的价值。通过应对已发现的挑战并抓住进一步完善的机会，6σ可继续在推进临床实验室实践方面发挥关键作用。
编译节选自：Cureus. 2023 Dec 31; 15(12): e51386.
