Sampson ML, Gounden V, van Deventer HE, Remaley AT. CUSUM-Análisis de regresión logística para una rápida detección de errores en los resultados en las pruebas de laboratorio clínico. Clin Biochem. 2016; 49(3):201-7. Department of Laboratory Medicine, National Institutes of Health Clinical Center, Rockville Pike, Bethesda, USA.
Objetivo: El principal inconveniente del análisis periódico del material de control de calidad (control interno-QC) es que el desempeño de la prueba no se monitorea en tiempo real del análisis, lo que podría conducir a no informar diariamente resultados de pruebas fuera de limites. El objetivo de este estudio fue desarrollar un procedimiento QC basado en el paciente, para la detección más oportuna de los errores de la prueba.
Método: Para desarrollar el modelo se utilizaron los resultados de un panel Chem-14 medidos en el analizador Beckman LX20. Cada resultado de la prueba se predijo de los otros 13 miembros del panel por regresión múltiple, lo que dio como resultado coeficientes de correlación entre el resultado previsto y medido mayor de 0,7 para 8 de los 14 ensayos. Se desarrolló un modelo de regresión logística que utilizó el resultado de la prueba medida, y el resultado de la prueba prevista, en el día de la semana y hora del día, para predecir los errores de la prueba. La salida de la regresión logística se registró mediante un enfoque CUSUM diario que se utilizó para predecir errores de prueba, con una especificidad fija del 90%.
Resultados: La media del número de muestras utilizadas de las corridas (ARL) antes de la detección de errores por CUSUM-Regresión logística (CSLR) fue de 20, con una sensibilidad media de 97%, que fue considerablemente más corto que la ARL media de 53 (sensibilidad 87,5%) para un modelo de predicción simple que sólo utilizó el resultado medido para la detección de errores.
Conclusión
Un análisis CUSUM-Regresión logística de los datos de laboratorio del paciente puede ser un enfoque eficaz para la detección rápida y sensible de errores de laboratorio clínico.
Introducción
La medición periódica del material de control de calidad (QC) es la principal práctica utilizada para monitorear el desempeño analítico de las pruebas de diagnóstico. Un inconveniente importante de este enfoque es que el rendimiento de la prueba no se monitorea en los de tiempo entre los análisis del material de QC. Esto puede resultar en la notificación inexacta de un gran número de resultados de las pruebas antes de que se descubra el problema, porque el material QC a menudo se analiza sólo una vez al día. El advenimiento de la automatización avanzada de los analizadores químicos y su posterior aumento en el rendimiento de la muestra ha agravado aún más este problema y ello requiere la necesidad de un seguimiento más oportuno de las pruebas clínicas de laboratorio.
Otro problema común que encontramos en nuestras actuales prácticas de control de calidad es que normalmente depende del uso de un material de QC no conmutable. No es raro observar desplazamientos aparentes en los valores de prueba del material QC, pero no en especímenes reales o cambios en especímenes reales que no se reflejan en el material QC debido a sus diferentes matrices de muestra. Otra limitación es que el uso de material estándar de QC no evalúa todos los pasos en el análisis de una muestra. Por ejemplo, no detecta problemas pre-analíticos relacionados con la recolección o procesamiento de muestras ni con problemas post-analiticos relacionados con el cálculo y la notificación de los resultados de las pruebas. La utilización de muestras de pacientes en el procedimiento de QC es un enfoque alternativo para la detección de errores de las pruebas.
En 1965, Hoffman y col.. describieron el método del Promedio de Valores Normales donde se promedian los resultados de los ensayos de un gran número de pacientes que caen dentro de los intervalos normales de referencia y que se utilizaba para monitorear cambios potenciales en el proceso de prueba. Posteriormente, Cembrowski y col. utilizaron un modelo de simulación por computadora para demostrar los principales factores que afectan la detección de errores por este método. Además del número de valores de los pacientes utilizados para calcular la media, la proporción de la desviación estándar de la población truncada de pacientes con la precisión de un método analítico fue un factor importante en la sensibilidad de la predicción del error. También mostraron que los límites de truncamiento deben ser elegidos de modo que excluyan los valores atípicos, pero todavía incluyen la mayoría de los resultados de la prueba del paciente dentro de la distribución de prueba central...........
Ver el articulo completo
*) Una vez que esta en la pagina del articulo, pulsando el botón derecho puede acceder a la traducción del mismo al idioma español. Este blog de bioquímica-clínica no persigue fin de lucro alguno. Está destinado a profesionales bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den al mismo. Las páginas de este blog se renuevan cada 5 días en forma automática. Cordiales saludos.
Dr. Anibal E. Bagnarelli, Bioquímico-UBA. Ciudad de Buenos Aires, Argentina
