基于近红外光谱的SG-MSC-MC-UVE-PLS算法在全血血红蛋白浓度检测中的应用

为提高全血血红蛋白浓度预测模型的预测精度,基于近红外光谱分析,首先对原始全血透射光谱数据分别进行均值中心化、标准化、标准正态变量变换(SNV)、多元散射校正(MSC)以及Savitzky-Golay(SG)卷积平滑结合MSC的预处理操作,最终选择预处理效果最好的SG-MSC方法作为数据预处理方法,其最大相关系数达到0.9441。对SG平滑的平滑窗口宽度进行讨论,找出平滑效果最好的窗口宽度为27。数据预处理消除了全血吸收光谱的基线失真,提高了全血吸收光谱数据的信噪比。将190个样本(190个血红蛋白浓度对应的透射光谱数据)分为具有相近血红蛋白浓度分布的校正集和测试集,其中校正集为143个样本(对应血红蛋白浓度分布为10.6~17.3 g·dL^(-1)),测试集为47个样本(对应血红蛋白浓度分布为10.3~17.3 g·dL^(-1)),确保建立模型的适用性。对校正集数据预处理后利用蒙特卡洛无信息变量消除(MC-UVE)方法对其进行波长变量选择,剔除含信息量少的波长点,提高含信息量多的波长占比。设置蒙特卡洛迭代次数为1000,最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘(PLS)回归模型。对比分析原始全血透射光谱全谱PLS模型、原始全血吸收光谱全谱PLS模型、预处理全血吸收光谱全谱PLS模型、SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果,表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优,预测相关系数由0.6763提高到0.9791,预测集均方根误差由0.8981减小到0.2203,最大绝对误差由2.4261减小到0.4112。同时,利用MC-UVE方法进行波长变量选择,在保证预测精度的前提下,筛选出建模的波长个数更少,有利于提高模型计算效率。研究结果表明,SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比,简化模型结构,提高模型的预测精度和计算效率,对推动血红蛋白浓度检测技术的发展具有进步意义。

红细胞与全血标本糖化血红蛋白检测结果差异及其相关性探讨

糖化血红蛋白（HbAlc）是血红蛋白两条β链的N端缬氨酸与葡萄糖非酶化结合而成,其含量不受血糖浓度暂时波动的影响,可反映8-12周血糖的平均水平,是判定糖尿病长期控制的良好指标[1]。2002年美国糖尿病协会明确将HbA1c%作为糖尿病血糖控制的金标准[1]。因此,准确的检测结果对患者病情监测及疗效观测有着重要的意义。然而,研究表明,不同检测方法或不同的操作流程其结果往往存在一定的差异[2,3],这种差异可能给临床医生判断患者病情及疗效观测等方面可能产生误导。

全血标本冰箱长时间保存对血细胞计数及白细胞分类结果的影响

目的 观察全血标本冰箱长时间保存对血细胞计数及白细胞(WBC)分类结果 的影响.方法 把50例标本在4℃保存,连续5 d用Coulter LH750测定结果,用SPSS11.0做统计学分析.结果 WBC、血小板(PLT)计数可以稳定3 d,红细胞(RBC)、血红蛋白(HGB)、平均红细胞血红蛋白含量(MCH)、平均红细胞体积(MCV)、红细胞分布宽度(RDW)、红细胞压积(HCT)至少可稳定5 d,平均红细胞血红蛋白浓度(MCHC)、PDW、平均血小板体积(MPV)1 d后与即刻比较差异有显著性(P＜0.01).WBC分类结果 从1～2 d开始,与即刻比较差异有显著性(P＜0.01),同时仪器出现大量的报警提示.结论 全血标本4℃保存,提高了部分血细胞计数结果 的可靠性,但不能保证WBC分类结果 .报告时应注明'标本放置时间过长,对部分结果有影响'.

利用病人红细胞指数与全血质控物进行血球分析仪的室内质控

根据Bull及Karpman介绍，我们利用病人MCV（红细胞的平均体积）、MCH（红细胞平均血红蛋白量）、MCHC（红细胞平均血红蛋白浓度）均数来回顾分析，同时使用全血细胞质控物进行室内质控，现报告如下。