目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016...目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016年1月至2021年8月在罗氏化学发光E601设备检测的hs-cTnT项目检测结果,按照规定的数据清洗规则筛选出54243个结果作为无偏数据,人为引入10个不同大小的偏移,生成相应的有偏数据,每种偏移下用RF与MovSO两种算法进行实验。采用分类模型标准及临床指标对算法进行评价。结果RF算法在浮动窗口大小为10时,对10个小偏移均能检出,假阳性率(FPR)为4.0%~4.7%,受影响的患者样本数中位数(MNPed)在12以下。除了在±1 ng/L偏移时准确度为85%,其余8个偏移检出准确度均在90%以上;MovSO算法的最优浮动窗口大小为200,除了在1 ng/L时偏移无法检出,对其他9个偏移均可检出,FPR在3.5%~4.6%之间,MNPed均在100以上,仅在5 ng/L偏移时识别准确度方可达89%。RF算法总体显著优于MovSO,RF可准确识别hs-cTnT的测量小偏移。结论基于机器学习RF算法建立的质控方法可以改进类似hs-cTnT等临床对检测质量要求较高的项目的测量准确度,为实验室质控方案提供了新思路。展开更多
近年来,各类型区域站提供的气象资料对天气预报及气候研究等方面的作用越来越大。由于南海区域站位于岛礁上,数据采集易受到周围多变环境的影响,会造成数据产生偏差或错误。为保证海岛站数据的可靠性和可用性,提出了HV-Process(Horizont...近年来,各类型区域站提供的气象资料对天气预报及气候研究等方面的作用越来越大。由于南海区域站位于岛礁上,数据采集易受到周围多变环境的影响,会造成数据产生偏差或错误。为保证海岛站数据的可靠性和可用性,提出了HV-Process(Horizontal and Vertical Process)算法。该算法利用双重判断和处理机制,对原有质量控制得出的疑误数据进行分析处理,降低了南海区域站气象数据的误检率。在此基础上,设计并研发了一套实时气象资料质控系统,实现了实时质控、全库质控和数据查询等功能,实时处理最新入库的疑误数据,并提供简易的实时查询。应用演练情况表明,所设计构建的实时气象资料质控系统在日常业务中提高了甄别南海区域站气象疑误数据的准确性,有效地保障了实时气象数据的质控业务。展开更多
目的采用正常平均值(average of normal,AON)和移动标准差(moving standard deviation,MovSD)实时质控方案,比对二者对实验室随机误差检出能力,从而获取适宜的实验室随机误差质控方案。方法收集来自航空总医院检验科2018年7月至2020年7...目的采用正常平均值(average of normal,AON)和移动标准差(moving standard deviation,MovSD)实时质控方案,比对二者对实验室随机误差检出能力,从而获取适宜的实验室随机误差质控方案。方法收集来自航空总医院检验科2018年7月至2020年7月血糖项目检测结果,按照规定的数据清洗规则筛选出219784条数据,作为本研究正类无偏数据集。通过引入不同大小的随机误差,检测两质控方案误差检出效能。结果在选出AON和MovSD各自最优质控方案后,通过引入不同大小偏移观察错误检测前受影响的患者平均数量比较AON和MovSD的质控效能,可见MovSD在0.5至2.5区间性能优于AON,在误差因子为3的情况下,AON性能优于MovSD。结论AON和MovSD算法均可检出实验室随机误差,实验室可根据实际应用需求选择适宜的质控方案。展开更多
文摘目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016年1月至2021年8月在罗氏化学发光E601设备检测的hs-cTnT项目检测结果,按照规定的数据清洗规则筛选出54243个结果作为无偏数据,人为引入10个不同大小的偏移,生成相应的有偏数据,每种偏移下用RF与MovSO两种算法进行实验。采用分类模型标准及临床指标对算法进行评价。结果RF算法在浮动窗口大小为10时,对10个小偏移均能检出,假阳性率(FPR)为4.0%~4.7%,受影响的患者样本数中位数(MNPed)在12以下。除了在±1 ng/L偏移时准确度为85%,其余8个偏移检出准确度均在90%以上;MovSO算法的最优浮动窗口大小为200,除了在1 ng/L时偏移无法检出,对其他9个偏移均可检出,FPR在3.5%~4.6%之间,MNPed均在100以上,仅在5 ng/L偏移时识别准确度方可达89%。RF算法总体显著优于MovSO,RF可准确识别hs-cTnT的测量小偏移。结论基于机器学习RF算法建立的质控方法可以改进类似hs-cTnT等临床对检测质量要求较高的项目的测量准确度,为实验室质控方案提供了新思路。
文摘近年来,各类型区域站提供的气象资料对天气预报及气候研究等方面的作用越来越大。由于南海区域站位于岛礁上,数据采集易受到周围多变环境的影响,会造成数据产生偏差或错误。为保证海岛站数据的可靠性和可用性,提出了HV-Process(Horizontal and Vertical Process)算法。该算法利用双重判断和处理机制,对原有质量控制得出的疑误数据进行分析处理,降低了南海区域站气象数据的误检率。在此基础上,设计并研发了一套实时气象资料质控系统,实现了实时质控、全库质控和数据查询等功能,实时处理最新入库的疑误数据,并提供简易的实时查询。应用演练情况表明,所设计构建的实时气象资料质控系统在日常业务中提高了甄别南海区域站气象疑误数据的准确性,有效地保障了实时气象数据的质控业务。
文摘目的采用正常平均值(average of normal,AON)和移动标准差(moving standard deviation,MovSD)实时质控方案,比对二者对实验室随机误差检出能力,从而获取适宜的实验室随机误差质控方案。方法收集来自航空总医院检验科2018年7月至2020年7月血糖项目检测结果,按照规定的数据清洗规则筛选出219784条数据,作为本研究正类无偏数据集。通过引入不同大小的随机误差,检测两质控方案误差检出效能。结果在选出AON和MovSD各自最优质控方案后,通过引入不同大小偏移观察错误检测前受影响的患者平均数量比较AON和MovSD的质控效能,可见MovSD在0.5至2.5区间性能优于AON,在误差因子为3的情况下,AON性能优于MovSD。结论AON和MovSD算法均可检出实验室随机误差,实验室可根据实际应用需求选择适宜的质控方案。