常规凝血试验检验项目测量不确定度和西格玛水平的评定研究

目的:根据测量不确定度和西格玛水平评定常规凝血试验的检验质量。方法:根据中国合格评定国家认可委员会CNAS-TRL-001:2012技术报告中“自上而下”的方法,收集北京市西城区妇幼保健院检验科2021年的室内质控数据和2018~2020年3次北京市临床检验中心室间质评结果,以评定凝血酶原时间(PT)、国际标准化比值(INR)、活化部分凝血活酶时间(APTT)、纤维蛋白原浓度(Fbg)的测量不确定度。同时根据2021年北京市临床检验中心质量评价计划的室间质评结果计算偏倚(Bias%),以国家标准GB/T20470-2006中的允许总误差(TEa)计算西格玛水平,结合质量目标指数(QGI)确定实验室需要优先改进的方向。结果:PT在11.99 s和38.77 s时的相对扩展不确定度分别为6.98%和12.40%;APTT在27.43 s和48.96 s时的相对扩展不确定度分别为13.39%和15.13%;Fbg在2.67 g/L和2.27 g/L时的相对扩展不确定度分别为12.90%和14.92%;INR在1.08和3.74时的相对扩展不确定度分别为13.60%和23.55%。以国家标准的允许总误差评估实验室凝血试验各项目的性能水平后显示,APTT和Fbg处于临界水平,σ值分别为3.22和3.87;PT和INR处于欠佳水平,σ值分别为2.94和2.79。计算各项目的质量目标指数得出PT、Fbg和INR的QGI<0.8;APTT的QGI为0.8~1.2。结论:利用室内质控数据和室间质评回报结果,对常规凝血试验项目测量不确定度进行评定,运用Westgard西格玛质控规则进行性能评价,根据质量目标指数考虑实验室优先改进的方向,均有助于临床实验室的质量管理工作。

采用机器学习技术建立布鲁杆菌病早期预测模型

采用机器学习技术构建布鲁杆菌病(简称:布病)早期预测模型,以辅助提高布病的诊断效率。本文为病例对照研究,收集2011年5月9日至2021年11月29日首都医科大学附属北京地坛医院的布病患者2 381例作为病例组,首都医科大学附属北京朝阳医院表观健康人检验数据13 257例作为对照组。采用患者年龄、性别、临床诊断信息及22项血细胞分析结果,使用机器学习的随机森林、朴素贝叶斯、决策树、逻辑回归和支持向量机5种算法构建布病早期预测模型;其中14 074例(病例组2 143例,对照组11 931名)用于构建布病早期预测模型,1 564例(病例组238例,对照组1 326名)用于测试模型的预测效能。结果显示,通过对5种机器学习模型进行比对,支持向量机模型预测性能最佳,受试者工作曲线(ROC)线下面积(AUC)为0.991,准确度、精确度、特异度和召回率分别可达95.6%、95.5%、95.4%和95.9%。依据SHAP图显示,血小板分布宽度(PDW)和嗜碱粒细胞相对值(BASO%)结果较低,红细胞分布宽度变异系数(R-CV)、红细胞血红蛋白浓度(MCHC)和血小板体积(MPV)结果高的男性被预测为布病风险高。其中,血小板分布宽度(PDW)对预测模型贡献度最大,红细胞分布宽度变异系数(R-CV)次之。综上,基于机器学习技术建立高灵敏度的布病早期预测方法,对布病患者的及早发现、尽快治疗可能具有重要意义。

利用机器学习方法建立基于血细胞分析参数的抑郁症预测模型初步研究

通过机器学习算法挖掘常规检验的血细胞分析参数,构建抑郁症诊断及与焦虑症鉴别诊断的预测模型。利用2020—2021年北京朝阳医院和河北医科大学第一医院血细胞分析参数进行研究,收集研究对象22项血细胞分析检验项目及年龄、性别参数,探索采用支持向量机、决策树、朴素贝叶斯、随机森林和多层感知器多种机器学习技术构建抑郁症预测模型。结果显示,基于健康人群和抑郁症组血细胞分析参数,构建的随机森林模型预测抑郁症发生准确率高达0.99,F1为0.975,受试者工作特征曲线下面积和平均精准度分别为0.985和0.967。血小板参数变化是影响抑郁症发生的重要因素。而基于抑郁症组和焦虑症组的血细胞分析数据,构建的随机森林鉴别诊断模型显示出最高的预测准确性(0.68)和AUC(0.622)。年龄和血细胞参数及红细胞平均体积对该模型贡献最大。综上,本研究通过挖掘血细胞分析项目,初步建立了抑郁症预测及与焦虑症的鉴别诊断模型,显示了机器学习模型在精神疾病中更为客观的评估价值。