Nathan Lorde, Shivani Mahapatra, Tejas Kalaria. Editor: Jae-Ho Han. Aprendizaje automático para el control de calidad en tiempo real basado en el paciente (PBRTQC), detección de errores analíticos y preanalíticos en el laboratorio clínico. Blood Sciences, Black Country Pathology Services, The Royal Wolverhampton NHS Trust, Wolverhampton, UK
Resumen
El campo en rápida evolución del aprendizaje automático (AA), junto con la inteligencia artificial en sentido amplio, está revolucionando muchas áreas de la atención médica, incluida el laboratorio de medicina (LM). La fusión de los campos del AA y los procesos de control de calidad en tiempo real basado en el paciente (PBRTQC) podría mejorar los algoritmos tradicionales de PBRTQC y de detección de errores en el laboratorio. Esta revisión narrativa analiza estudios publicados sobre el uso del AA para la detección de errores sistemáticos, no sistemáticos y combinaciones de diferentes tipos de errores en laboratorios clínicos. Los estudios analizados utilizaron el AA para detectar sesgos, la necesidad de recalibración, muestras contaminadas con fluido intravenoso o EDTA, análisis tardío de muestras, errores de sangre incorrecta en el tubo, interferencias o una combinación de diferentes tipos de errores, comparando el rendimiento de los modelos de AA con validadores humanos o algoritmos tradicionales de PBRTQC. También se han analizado brevemente las ventajas, limitaciones, la creación de modelos de AA estandarizados, aspectos éticos y regulatorios, y posibles desarrollos futuros.
1. Introducción
Los laboratorios clínicos se enfrentan a una demanda de pruebas cada vez mayor, con un aumento anual del 8% al 10% en la carga de trabajo. Además, algunos sistemas de salud han optado por modelos consolidados de servicios de patología para mejorar la eficiencia. Estos cambios en la demanda y el modelo operativo llevan a que los grandes laboratorios alberguen numerosos analizadores para el mismo conjunto de pruebas, operando en paralelo. Uno de los desafíos de dicha transformación, en comparación con los laboratorios más pequeños, es el riesgo de que los validadores técnicos y clínicos humanos se vean abrumados por el volumen y la rotación de los datos.
Aunque el cerebro humano puede almacenar grandes cantidades de información, las limitaciones en la cantidad de información que puede procesar y la velocidad a la que se procesa la información son bien conocidas. Con la creciente complejidad de la entrada (por ejemplo, más flujos de datos paralelos, repertorio de pruebas más amplio, grupo de pacientes más amplio), el tiempo de procesamiento de la información se alarga (Ley de Hick). La autorización manual de resultados, como se emplea tradicionalmente, de grandes volúmenes de datos de laboratorio tan complejos es un desafío y podría llevar a menores posibilidades de detección de errores y a un mayor riesgo de publicación de resultados erróneos, o bien obstaculizar el progreso hacia mejoras en la detección de errores ( Figura 1 ).
Todos los laboratorios clínicos tienen programas de control de calidad interno ( IQC ) que utilizan la medición de muestras de control de calidad (QC) en momentos específicos. Sin embargo, este enfoque tiene varias limitaciones. Para enumerar algunos: el IQC es retrospectivo en lugar de en tiempo real y, por lo tanto, se puede detectar un cambio significativo varias horas después. Se sabe que la suposición inherente al programa de IQC de que los errores se mantienen hasta la siguiente ejecución de QC, no es el caso para todos los errores. Además, el costo de obtener material de QC para cada prueba y la falta ocasional de conmutabilidad de los materiales de QC plantean desafíos adicionales. La naturaleza retrospectiva del IQC tradicional en particular puede resultar en la necesidad de repetir muchos o todos los análisis hasta el punto del último resultado satisfactorio de IQC, lo que genera una mayor carga para el personal del laboratorio, incluida la posibilidad de tener que contactar directamente a los médicos si un análisis repetido arroja un resultado significativamente diferente del publicado anteriormente. Además, las formas tradicionales de IQC no evalúan otros aspectos del proceso de prueba total, como los problemas de transporte de muestras en la fase pre-analítica.
Los datos de pacientes cuidadosamente aprovechados podrían contribuir al control de calidad y al reconocimiento de patrones. El control de calidad en tiempo real basado en el paciente (PBRTQC) es una técnica que utiliza el monitoreo a largo plazo de los datos del paciente a través de cálculos como el promedio móvil (MA), la desviación estándar móvil (MovSD) o la mediana móvil (MM) para cada analito. El PBRTQC a menudo es superior al IQC periódico en la detección de sesgo o imprecisión recientemente introducidos y, por lo tanto, es particularmente útil para analitos que son difíciles de mantener bajo control durante períodos prolongados de tiempo. El PBRTQC requiere un modelado más complejo que los simples gráficos de IQC, ya que los cambios en las prácticas de solicitud en el transcurso de un día o una semana pueden afectar cualquier métrica en tiempo real.
El PBRTQC no es adecuado para todas las pruebas, como los resultados cualitativos o semicuantitativos de bajo rendimiento, y las ejecuciones de IQC seguirán siendo importantes en escenarios como los controles posteriores al mantenimiento o la calibración. Además, la monitorización simple de estadísticas de resumen, como MA o MM, debe permitir límites suficientemente amplios para que el ruido de la variación aleatoria no provoque interrupciones e investigaciones innecesarias. Sin embargo, estos límites deben ser lo suficientemente estrictos como para detectar errores sistemáticos significativos. Otra limitación clave es que la mayoría de los métodos actuales de PBTRTQC no suelen detectar errores puntuales aleatorios .........
Nueva presentación el 25 de Junio
Cordiales saludos.
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Ciudad de Buenos Aires, R. Argentina