1400- Calidad preanalitica: perspectivas

Mario Plebani, Sheri Scott, Ana-Maria Simundic, Mike Cornes, Andrea Padoan et.al. Nuevas perspectivas sobre la calidad preanalítica, De Gruyter- Clin Chem and Labor Medicine 2025; 63(9):1682-1692. Department of Medicine (DIMED), University of Padova,  Italy, Nottingham Trent University, Nottingham, UK y otras Instituciones

Resumen: Chat Claud  5.0

El artículo es un compendio de las ponencias presentadas en la 7.ª Conferencia Preanalítica de la EFLM, celebrada en Padua, Italia en diciembre de 2025. Se trata del último de una serie de revisiones de la fase preanalítica de la EFLM que se remonta a 2011.  A pesar de décadas de atención, la fase preanalítica, desde la solicitud de pruebas hasta la toma, manipulación y transporte de muestras, sigue siendo la principal fuente de errores en el diagnóstico de laboratorio, representando hasta el 70 % del total de errores. Algunas spresentaciones:

1) EFLM (European Federation of Laboratory Medicine): está desarrollando una "puntuación de valor" para los laboratorios de medicina  basada en la trazabilidad, el nivel de automatización, los indicadores de calidad y la gestión de datos, para hacer más visible la contribución de la  medicina de laboratorio a médicos y pacientes.

2) Sostenibilidad y gestión de la sangre del paciente : los laboratorios están adoptando materiales más ecológicos y procesos optimizados, al tiempo que reducen las extracciones de sangre innecesarias, mediante tubos más pequeños, muestreo capilar y consolidación de pruebas, para disminuir la anemia adquirida en el hospital, los residuos plásticos y los costes, con estimaciones de hasta un 45 % menos de residuos y un 40 % menos de huella de carbono al cambiar a tubos más pequeños.

3) Impacto de los errores en los costos y resultados : los errores preanalíticos pueden afectar entre el 15 % y el 25 % de los casos con consecuencias clínicas y costar a los hospitales aproximadamente entre el 0,23 % y el 1,2 % de sus presupuestos operativos (hasta ~U$1,2 millones al año para un hospital de tamaño mediano).

4) La digitalización y la IA (aprendizaje automático y el reconocimiento de imágenes) se están aplicando para detectar hemólisis, coagulación, muestras mal etiquetadas y errores de sangre en el tubo, así como para optimizar la solicitud de pruebas; sin embargo, la estandarización, el acceso a los datos y la integración con los sistemas de información de laboratorio siguen siendo un obstáculo.

5) Transporte e identificación de muestras: los sistemas de tubos neumáticos agilizan el procesamiento, pero conllevan el riesgo de hemólisis por estrés mecánico; la identificación errónea del paciente o de la muestra sigue siendo poco frecuente, pero tiene consecuencias graves, y la mayoría de los laboratorios aún no registran la hora exacta de la extracción de sangre.

6) Se están explorando métodos de recolección emergentes: la auto-toma de muestras, las pruebas de sangre capilar y los dispositivos robóticos de flebotomía en fase inicial, son alternativas a las extracciones venosas, especialmente para las pruebas en el punto de atención y las pruebas descentralizadas, que aún muestran tasas de error preanalítico del 60 al 70 %.

7) Desafíos técnicos específicos: el manejo de la hemólisis, estandarización de la recolección de orina (según la guía EFLM de 2023) y el marco CRESS para el diseño y la presentación de informes de estudios de estabilidad de muestras.

8) Áreas novedosas: Variabilidad preanalítica en las pruebas de biopsia líquida (vesículas extracelulares) y en las pruebas antidopaje, donde la integridad de la muestra es fundamental para la validez legal y clínica.

Conclusión: el artículo presenta la fase preanalítica como un área en rápida evolución donde la sostenibilidad, la IA, las pruebas descentralizadas y las nuevas tecnologías de muestreo ofrecen oportunidades reales, pero también introducen nuevas complejidades que requieren una estandarización e investigación continuas.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el  06 de Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1399- HALMA, EQA y estandarizacion

Elvar Theodorsson, Piet Meije, Tony Badrick.  Evaluacion Externa de Calidad (EQA) en la era de la estandarización. Elsevier- Clinica Chimica Acta 557 (2024) 117876. Department of Biomedical and Clinical Sciences, Division of Clinical Chemistry and Pharmacology, University, Sweden.  y otras Instituciones

Resumen Chat ClaudE 5.0

Antecedentes

• La trazabilidad metrológica de los resultados de las mediciones a referencias de orden superior es la piedra angular para obtener resultados equivalentes.
• Para controlar la equivalencia de los resultados de las mediciones a nivel del usuario final, deben utilizarse materiales conmutables.
• La matriz de la muestra , el analito de interés y la selectividad del procedimiento de medición influyen en los resultados de la Evaluación Externa de la Calidad (EQA).

Introducción

N.del.E.: La iniciativa HALMA, (HArmonization of measurands in Laboratory Medicine) a taves del Data Aggregation, es un proyecto conjunto del  ICHCLR (International Consortium for Harmonization in Laboratory Medicine y el EQALM- European Organisation for External Quality Assurance Providers in Laboratory Medicine) Su objetivo es evaluar y mejorar la equivalencia de los resultados de las mediciones de diagnóstico in vitro (IVD) mediante la agregación de datos del programa de la EQA.

El artículo examina el papel  de la EQA dentro del proceso de estandarización en química clínica. Su punto de partida es que la metrología aplicada a esta disciplina busca que los resultados obtenidos con distintos dispositivos de diagnóstico in vitro sean equivalentes entre sí, de modo que un mismo paciente reciba una interpretación clínica coherente sin importar qué laboratorio o instrumento haya realizado la medición.

Según los autores, la trazabilidad metrológica de los resultados a referencias de orden superior constituye la base de esa equivalencia, pero no es suficiente por sí sola. Es igualmente necesario que los materiales de referencia y los materiales empleados en los programas de EQA sean conmutables, es decir, que se comporten analíticamente igual que las muestras reales de pacientes. Solo así los esquemas de EQA pueden servir para vigilar de forma fiable si los distintos procedimientos de medición siguen siendo comparables a lo largo del tiempo.

El trabajo señala que esta infraestructura de estandarización, materiales de referencia certificados, procedimientos de medición de referencia y laboratorios de referencia reconocidos, solo está plenamente desarrollada para un grupo reducido de analitos, en su mayoría moléculas pequeñas y homogéneas. Para la mayor parte de las demás magnitudes medidas en el laboratorio clínico, la ausencia de estos elementos de referencia limita la capacidad de los programas de EQA para evaluar de forma rigurosa la trazabilidad metrológica y, por tanto, la comparabilidad real entre laboratorios.

Los autores sostienen que los organismos que gestionan programas de EQA deberían priorizar el desarrollo y mantenimiento de esquemas orientados específicamente a evaluar la trazabilidad metrológica, en la medida en que esta es la piedra angular para lograr resultados equivalentes y para reducir el riesgo asociado a decisiones clínicas basadas en mediciones no comparables.

Como conclusión, el artículo hace un llamado a la cooperación entre todas las partes interesadas, la profesión de laboratorio clínico, los organismos reguladores gubernamentales, los institutos de metrología y los proveedores de programas de EQA y pruebas de aptitud,  como condición necesaria para avanzar hacia una mayor armonización y estandarización global de los resultados de laboratorio en beneficio de la atención al paciente.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el  03 de Septiembre
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1398- IFCC e IQC: una oportunidad perdida

Hikmet Can Çubukçu, Marc Thelen, Mario Plebani y Mauro Panteghini. Recomendaciones de la IFCC para la práctica del control de calidad interno: una oportunidad perdida, De Gruyter Brill-Clinical Chemistry and Laboratory Medicine (CCLM) 2025); 63(9):1693-1697. Rare Diseases Department, General Directorate of Health Services, Turkish Ministry of Health, Ankara, Turkiye y otras Instituciones.

Resumen Chat Geminis 3.5

El artículo de Opinión, ofrece una crítica exhaustiva de las directrices publicadas por el Grupo de Trabajo de la IFCC sobre Calidad Global de Laboratorio (TF-GLQ. Si bien el documento original del IFCC-TF-GLQ tenía como objetivo traducir las normas actualizadas ISO 15189:2022 en recomendaciones prácticas de control de calidad interno (IQC), los autores argumentan que contiene importantes imprecisiones y conceptos obsoletos. Sostienen que las directrices no reflejan los estándares científicos modernos ni los principios metrológicos, lo que representa una "oportunidad perdida" para avanzar en los estándares de los laboratorios clínicos.

Críticas principales

Los autores se centran en cuatro áreas principales en las que argumentan que las recomendaciones del IFCC TF-GLQ son insuficientes:

1. Estrategias de control de calidad interno en la era de la trazabilidad

• Problema: La guía TF-GLQ se basa en gran medida en el control estadístico de calidad (SQC) tradicional y presta insuficiente atención a la trazabilidad metrológica, los daños a los pacientes y las tasas de error de medición.

• Crítica: El control de calidad interno moderno debería dividirse en dos componentes distintos :

  1. Verificación de trazabilidad/alineación: Verificar que el sistema de diagnóstico in vitro (DIV) se mantenga correctamente alineado con la trazabilidad declarada por el fabricante durante las operaciones rutinarias.

  2. Estimación/Monitorización: Control estadístico estándar para monitorizar la variabilidad analítica en curso.

• Alineación con la norma ISO 15189:2022: Los autores señalan que la norma ISO 15189:2022 exige explícitamente la incorporación del impacto clínico (gravedad del daño al paciente) y las tasas históricas de fallos en la planificación del control de calidad interno basado en el riesgo. La guía TF-GLQ no integra adecuadamente las categorías de riesgo clínico y gravedad del daño.

2. Definición de los límites de aceptación y las reglas de rendimiento del control de calidad interno.

• Problema: La guía aboga por lograr una Probabilidad de Detección de Error (Ped) superior al 90% en las reglas de control estadístico.

• Crítica: Los autores argumentan que ese objetivo rígido no es viable para ensayos con un rendimiento analítico inferior (por ejemplo, Sigma en torno a 3). Exigir una detección de errores tan elevada en ensayos con menor desviación estándar obliga a realizar ajustes arbitrarios en el tamaño de las series de muestras o en los conjuntos de reglas, que no se ajustan a las necesidades clínicas ni a los costes operativos.

3. Estimación de la incertidumbre de medición (IM) mediante datos de control de calidad interno (CCI).

• Problema: La guía introduce confusión e imprecisiones con respecto a cómo se debe calcular y evaluar la incertidumbre de las mediciones de laboratorio utilizando datos diarios de control de calidad interno (IQC).

• Crítica: Si bien la norma ISO 15189 exige que los laboratorios evalúen y mantengan la incertidumbre de medición (IM) en función de las especificaciones de rendimiento, las recomendaciones del TF-GLQ no se adhieren estrictamente a las directrices metrológicas establecidas (por ejemplo, ISO/TS 20914), lo que conlleva el riesgo de realizar evaluaciones engañosas de la incertidumbre total.

4. Comparación entre múltiples analizadores

• Problema: Los laboratorios suelen utilizar varios instrumentos para el mismo analito, pero la guía TF-GLQ no ofrece protocolos prácticos y aplicables para mantener la comparacón de los resultados entre analizadores.

• Crítica: El artículo destaca que identificar la necesidad de comparación es insuficiente si no se proporcionan procedimientos operativos estándar explícitos y umbrales de acción correctiva cuando se produce una deriva o divergencia en el analizador.

Crítica de los indicadores de calidad (IC)

Los autores también señalan un malentendido fundamental en la forma en que la guía define los indicadores de calidad para el control de calidad interno:

• La TF-GLQ considera el número total de pruebas IQC realizadas en un período de tiempo determinado como un indicador de calidad.

• Los autores destacan que el indicador de calidad real (según el Grupo de Trabajo de la IFCC sobre Indicadores de Calidad) realiza un seguimiento de los eventos fuera de control y las no conformidades , así como de la idoneidad de la frecuencia de control adaptada al volumen de pruebas y al riesgo del ensayo.

Conclusión y llamado a la acción

Los autores concluyen que, en lugar de basarse en métodos estadísticos obsoletos o interpretaciones incompletas de la norma ISO 15189:2022, las directrices internacionales deben ser sistemáticas, actualizadas y basadas en la evidencia .Abogan por un marco revisado que integre a la perfección:

• Verificación de la trazabilidad metrológica.
• Gestión de la calidad centrada en el riesgo del paciente (gravedad del daño).
• Criterios de aceptación pragmáticos y alineados con Sigma.
• Manejo estandarizado de la incertidumbre de medición y comparabilidad de analizadores.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el  31 de Septiembre
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1397- Sesgo y el lado oscuro de la luna

Abdurrahman Coskun. Sesgo  en el laboratorio de medicina: El lado oscuro de la luna. Ann Lab Med. 2023 ; 44(1): 6–20. Department of Medical Biochemistry, School of Medicine, Acibadem Mehmet Ali Aydinlar University, Istanbul, Turkey

Resumen Chat Claude 5.0

Introducción

Los médicos dependen cada vez más de los resultados de laboratorio para diagnosticar enfermedades, monitorizar a los pacientes, planificar tratamientos y evaluar su eficacia. El sesgo se define como la desviación sistemática de un resultado de laboratorio respecto de su valor real, y puede provocar errores diagnósticos, una estimación incorrecta del pronóstico y un aumento de los costos sanitarios. A pesar de su importancia, el sesgo rara vez se aborda de forma adecuada, lo que el autor describe metafóricamente como "la cara oculta de la luna" de la medicina de laboratorio. El artículo revisa los fundamentos metrológicos, estadísticos, de laboratorio y de variación biológica del sesgo, y los aplica a la práctica clínica.

N.del E:  El "sesgo" (error sistemático) y el "lado oscuro de la Luna" combinan un concepto de error de medición o sesgo científico con un mito popular astronómico. En ciencia y medicina, un  sesgo es una desviación constante y predictable del valor real, a veces usado metafóricamente como "el lado oscuro" de un proceso, como los errores ocultos de diagnóstico en pacientes críticos.

1- Perspectiva metrológica y estadística

El sesgo, la veracidad (trueness) y el error sistemático son conceptos relacionados según el Vocabulario Internacional de Metrología (VIM). Estimar el sesgo requiere dos elementos: un valor de referencia o asignado y una medición repetida del mensurando. El sesgo puede ser constante (diferencia fija respecto al valor diana) o proporcional (diferencia que depende de la concentración), y puede evaluarse con gráficos de Bland–Altman o regresión de Passing–Bablok.

Existen tres condiciones de medición que afectan la detección del sesgo: i) repetibilidad (mismo método, mismo día), ii) precisión intermedia (mismo laboratorio, varios meses, distintos operadores/reactivos) y iii) reproducibilidad (varios laboratorios). Cuanta mayor variación aleatoria exista, más difícil resulta detectar un sesgo real. La significancia del sesgo debe confirmarse estadísticamente (por ejemplo, mediante prueba t o intervalos de confianza del 95%) antes de tomar cualquier decisión correctiva.

2- Perspectiva del laboratorio clínico

El artículo analiza las especificaciones de desempeño analítico (APS), señalando las limitaciones del "error total permitido" (TEa) y recomendando en su lugar indicadores como el límite de tolerancia o la incertidumbre de medición, conforme a la Guía GUM. Se describen los consensos de Estocolmo (1999) y Milán (2014), que jerarquizan los criterios para definir límites aceptables de sesgo, dando prioridad al efecto sobre los resultados clínicos y, en su defecto, a la variación biológica (BV) del analito.

A partir de la variación biológica se propone un modelo triple (desempeño deseable, óptimo y mínimo) para establecer límites aceptables de sesgo, basado en el porcentaje de población que quedaría fuera del intervalo de referencia si existiera sesgo. También se abordan temas como el sesgo a corto y largo plazo, su relación con los programas de evaluación externa de la calidad (EQAS), la "conmutabilidad" de las muestras (que las muestras control se comporten igual que las muestras de pacientes), y la incertidumbre de medición (MU), advirtiendo que incluir el sesgo como si fuera una varianza es matemáticamente incorrecto y puede inflar artificialmente la MU total.

Un apartado especial se dedica a Seis Sigma: el autor sostiene que la práctica habitual de restar el sesgo en la fórmula de la métrica Sigma (en lugar de solo corregirlo si existe) subestima artificialmente el desempeño de los analizadores clínicos, haciendo parecer que los equipos de laboratorio son de menor calidad que los industriales, cuando en realidad no es así.

3) Perspectiva diagnóstica

El sesgo también repercute directamente en la exactitud diagnóstica: afecta la sensibilidad, la especificidad y los valores predictivos positivo y negativo de una prueba. Un sesgo positivo o negativo desplaza la distribución de resultados y puede aumentar los falsos positivos o falsos negativos, deteriorando el poder diagnóstico de la prueba de laboratorio.

Conclusiones

El sesgo es la desviación sistemática de un resultado respecto del valor verdadero y tiene un impacto significativo en la información que produce el laboratorio clínico, pero rara vez se maneja correctamente. A diferencia de la imprecisión (que solo requiere mediciones repetidas), el sesgo exige además un valor de referencia, y su significancia estadística y clínica debe confirmarse antes de actuar. Un manejo adecuado del sesgo, mediante un diseño experimental apropiado, recolección de datos, evaluación estadística y uso de muestras conmutables, reduce los errores de laboratorio, mejora la seguridad del paciente y disminuye los costos sanitarios. El autor concluye que se necesitan más estudios para "iluminar la cara oculta de la luna", es decir, eliminar el impacto negativo del sesgo en las decisiones médicas.

Leer el articulo completo 

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el 28 de Septiembre
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1396- Estadística Bayesiana en el laboratorio clínico

Edmund H Wilkes. Una guía práctica de estadística bayesiana en el laboratorio clínico. ADLM- Oxford Academic- Clin Chem, 2022; 68 (7): 893-905. Department of Clinical Biochemistry, North West London Pathology, Imperial College Healthcare NHS Trust, Charing Cross Hospital, London, UK.

Resumen

Los análisis estadísticos constituyen una parte fundamental de la inferencia causal en las ciencias experimentales. El paradigma estadístico más comúnmente enseñado a los estudiantes de ciencias en todo el mundo es el frecuentismo, con especial énfasis en la prueba de significación de la hipótesis nula, impulsada por el trabajo de Neyman y Pearson a principios del siglo XX. Este paradigma suele ser elogiado como el método más objetivo y sigue siendo habitual en las revistas científicas. A pesar de su uso generalizado, e incluso de ser un requisito para la publicación en algunas revistas, este paradigma ha recibido críticas sustanciales en las últimas décadas, y su impacto en la publicación científica ha sido objeto de un análisis más profundo en respuesta a la crisis de replicación en las ciencias psicológicas y médicas. Se ha planteado que el creciente uso del paradigma estadístico bayesiano, más accesible gracias a los avances tecnológicos de las últimas décadas, puede desempeñar un papel importante para lograr que la investigación y la inferencia estadística sean más sólidas, transparentes y reproducibles. Estos métodos pueden tener una curva de aprendizaje pronunciada, por lo que este artículo pretende introducir a quienes trabajan en laboratorios clínicos al paradigma bayesiano del análisis estadístico y proporciona ejemplos prácticos del análisis bayesiano de datos que se encuentran habitualmente en la medicina de laboratorio, utilizando herramientas de código abierto y de libre acceso.

Introducción

El Principio Antrópico establece que las observaciones que hacemos sobre el universo están limitadas por el hecho de que existimos y somos capaces de hacerlas. Una interpretación de esto es que las observaciones que hacemos sobre el valor de ciertos parámetros del universo están limitadas dentro de un rango determinado y, por lo tanto, los valores extremos son improbables. 

Este principio puede extenderse al campo del análisis estadístico para afirmar que los problemas de análisis de datos generalmente se dividen en tres categorías principales: (a) el efecto es tan grande que no se requiere modelado estadístico (la prueba de trauma interocular); (b) el efecto es tan pequeño y/o está tan confundido por el ruido que ningún modelado estadístico será útil; o (c) el efecto está confundido por el ruido, pero la señal puede recuperarse con un análisis estadístico apropiado. 

Claramente, entonces, el análisis estadístico es importante y tiene un papel clave en nuestra capacidad para hacer inferencias sobre el mundo que nos rodea y los fenómenos que observamos en él. Esto es particularmente cierto cuando el progreso científico avanza mediante pequeños avances incrementales, como los de las ciencias médicas. 

En cuanto al análisis estadístico, existen dos escuelas de pensamiento predominantes: i) el Bayesianismo (que toma su nombre del filósofo, matemático y teólogo inglés Thomas Bayes) y ii) el Frecuentismo. La distinción y las diferencias entre ambas siguen siendo objeto de amplio debate, y de hecho, los dos enfoques no siempre son mutuamente excluyentes; sin embargo, la escuela Frecuentista es la que se enseña con mayor frecuencia en escuelas y universidades del mundo occidental y sigue siendo el paradigma más utilizado en la literatura científica.

El Paradigma Frecuentista, revisado en Colling y Szűcz,  trata las probabilidades como la frecuencia de un evento que ocurriría a partir de una serie de ensayos o muestras aleatorias de una población dada. Este paradigma se implementa con mayor frecuencia en forma de Prueba de Significancia de Hipótesis Nula (NHST), cuya premisa central es calcular la probabilidad de haber obtenido un estadístico de prueba particular a partir de los datos o un valor más extremo, dado que se asume que una hipótesis o modelo estadístico particular es verdadero (es decir, la hipótesis nula, Ho). Esto puede considerarse como la probabilidad condicional, P (datos|hipótesis ) (la probabilidad de los datos dada una hipótesis) y se conoce comúnmente como valor p . Podemos entonces, según el trabajo de Neyman y Pearson de principios del siglo XX, imponer un umbral arbitrario sobre lo que se considera un hallazgo "significativo". 

En términos generales, todas las inferencias realizadas en las NHST clásicas se basan únicamente en los datos, y el conocimiento previo de un problema no se incorpora al análisis en ningún momento. Por ejemplo, en un análisis de regresión estándar con el paradigma frecuentista, los parámetros calculados podrían tener a priori un valor entre −∞ e ∞, y el analista decidirá qué valores son más probables basándose únicamente en los datos. Debido a la falta de dependencia de información previa, los métodos frecuentistas se han considerado la forma más “objetiva” de análisis estadístico. 

Sin embargo, en la mayoría de los contextos experimentales, contamos con al menos cierto grado de información previa sobre el problema, aunque la fuerza (o incertidumbre) de nuestras creencias previas varía de un análisis a otro. Además, en la mayoría de los contextos experimentales, se puede argumentar que nuestro interés más intuitivo radica en calcular la probabilidad de una hipótesis dados los datos recopilados, P (hipótesis| datos), una tarea imposible dentro del paradigma frecuentista..........

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el 25 de Agosto
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1395- Predicción del rendimiento de las pruebas de laboratorio

Jiang Y, Lee AH, Ni X, Corbin CK, Irvin JA, Ng AY, Chen JH. Predicción probabilística del rendimiento de las pruebas de laboratorio. Proc Simposio Anual AMIA. 2024; 2023: 1007-1016. Stanford University, Stanford, CA

Resumen

Las pruebas diagnósticas de laboratorio repetitivas de bajo rendimiento suponen una carga para los pacientes y aumentan el coste de la atención médica. En este estudio, evaluamos si la estabilidad en las mediciones diagnósticas de laboratorio repetidas es predecible mediante estimaciones de incertidumbre utilizando datos de la historia clínica electrónica disponibles antes de solicitar la prueba. Utilizamos regresión probabilística para predecir una distribución de valores plausibles, lo que permite personalizar el tiempo de uso para diversas definiciones de "estabilidad" dadas las dinámicas de rangos y los escenarios clínicos. Tras convertir las distribuciones en puntuaciones de "estabilidad", los modelos alcanzan una sensibilidad del 29 % para los glóbulos blancos, del 60 % para la hemoglobina, del 100 % para las plaquetas, del 54 % para el potasio, del 99 % para la albúmina y del 35 % para la creatinina para predecir la estabilidad con una precisión del 90 %, lo que sugiere que esas fracciones de pruebas repetitivas podrían reducirse con un bajo riesgo de pasar por alto cambios importantes. Los hallazgos demuestran la viabilidad de utilizar datos de la historia clínica electrónica para identificar pruebas repetitivas de bajo rendimiento y ofrecer orientación personalizada para un mejor uso de las pruebas, garantizando al mismo tiempo una atención de alta calidad.

Introducción

Los diagnósticos de laboratorio constituyen el mayor volumen de procedimientos médicos.. Estudios previos han demostrado que hasta el 50 % de las pruebas de laboratorio realizadas a pacientes hospitalizados podrían ser médicamente innecesarias y contribuir significativamente al despilfarro en la atención médica . Además del aumento de los costos de atención médica, las pruebas de laboratorio innecesarias provocan complicaciones médicas y otros daños indirectos a los pacientes, como la fragmentación del sueño . La reciente escasez de tubos para la extracción de sangre también demuestra la urgencia de mitigar el uso innecesario de pruebas de laboratorio.

Si bien se han intentado diversas intervenciones para mejorar la utilización de los laboratorios, como la creación de guías, la formación específica, la retroalimentación de auditorías y las modificaciones en los procesos de solicitud de pruebas, los enfoques basados ​​en datos tienen el potencial de abordar el problema de manera más objetiva. Un ejemplo de este enfoque es predecir la información que se espera obtener de las pruebas de laboratorio y presentarla a los médicos solicitantes en el momento de realizar la solicitud.

Estudios previos sobre la predicción del rendimiento informativo de las pruebas médicas encontraron que los modelos de aprendizaje automático logran un buen desempeño al predecir si los resultados de las pruebas están dentro de los rangos de referencia "normales". Sin embargo, según una encuesta con clínicos, muchos consideraron más útil clínicamente predecir si los resultados de las pruebas son "estables" incluso si no son "normales". Conceptualizamos los resultados de las pruebas de laboratorio como estables si no hay un cambio clínicamente relevante desde su valor más reciente, lo que detallamos más adelante en secciones posteriores. Aikens et al. predijeron la estabilidad diagnóstica de laboratorio, pero los laboratorios se limitaron a pruebas de un solo componente y definiciones fijas de estabilidad para cohortes específicas. Otro estudio  se centró en la ciencia de la implementación y concluyó que el uso de algoritmos predictivos de utilidad es un paradigma prometedor para frenar la sobreutilización, pero solo utilizó un modelo de predicción simple.

El objetivo general de este estudio es determinar si los algoritmos avanzados de aprendizaje automático pueden generar predicciones de regresión probabilística de los resultados de diagnóstico de laboratorio con mayor precisión que las prácticas actuales de identificación de pruebas de laboratorio repetitivas, utilizando únicamente características que se pueden extraer automáticamente de los registros electrónicos de salud (EHR) y que son viables para la implementación de predicciones en tiempo real.

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el 22 de Agosto
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1394- Implementación de nuevas pruebas en el laboratorio clínico

Andrew St John, Maurice O’Kane, Paul Jülicher and Christopher P. Price. Opinion Paper: Mejora en la implementación de pruebas de laboratorio: barreras y oportunidades. De Gruyter Bill- Clin Chem Lab Med 2023; 61(4): 674–678. Drajon Health, Toodyay, W. Australia, Australia

Resumen Chat Claude 5.0 

El artículo examina cómo el laboratorio clínico puede cerrar la brecha entre la adopción de nuevas pruebas de diagnóstico y su implementación exitosa para brindar un valor tangible en los sistemas de atención médica.

Propuesta de valor en las pruebas diagnósticas 

Los autores enmarcan las pruebas del laboratorio clínico dentro del concepto de atención sanitaria basada en el valor. Demostrar el valor de una prueba requiere evaluar su impacto a lo largo de todo el proceso clínico, incluyendo los resultados clínicos de los pacientes, la eficiencia del flujo de trabajo y los beneficios financieros para todas las partes interesadas.

1- Distinción entre adopción e implementación

Adopción: Proceso de adquisición de una nueva tecnología o prueba y su puesta a disposición del público (por ejemplo, incluyéndola en un catálogo de pruebas, incorporándola a las guías de práctica clínica u obteniendo el reembolso).

Implementación: Proceso de integración del resultado de la prueba en la toma de decisiones clínicas rutinarias dentro de los protocolos de atención locales para garantizar que los beneficios clínicos y económicos prometidos se materialicen realmente.

2- Principales obstáculos para una implementación eficaz

1- Falta de auditorías clínicas: La implementación efectiva depende de auditorías clínicas que midan los resultados de los pacientes y las acciones clínicas fuera del laboratorio. Históricamente, el control de calidad de laboratorio se ha centrado casi exclusivamente en la precisión analítica dentro del laboratorio, dejando sin monitorear el impacto clínico posterior al análisis.

2- Aislamiento de las partes interesadas externas: Una implementación exitosa requiere una comunicación constante con médicos, personal de enfermería, administradores del sistema de salud y gerentes financieros. Sin embargo, muchos profesionales de laboratorio trabajan aislados de los entornos de atención clínica directa, lo que genera barreras de comunicación.

3- Dependencia de datos clínicos externos: Evaluar si una prueba modifica con éxito las vías de atención requiere acceder a datos generados fuera del laboratorio por ejemplo, duración de la internación, tiempo hasta la decisión del tratamiento o tasas de reingreso. Recopilar e interpretar estos datos no procedentes del laboratorio supone un importante desafío logístico.

4- Brechas educativas y de habilidades: Los profesionales de laboratorio rara vez reciben capacitación en competencias no analíticas necesarias para impulsar la implementación, tales como:

Oportunidades y soluciones

1- Datos del mundo real y minería de procesos: Las técnicas avanzadas de minería de datos y los datos del mundo real extraídos de los registros electrónicos de salud (EHR) ofrecen oportunidades sin precedentes para mapear las vías clínicas reales y realizar un seguimiento de los resultados de los pacientes después de las pruebas.

2- Función de los organismos profesionales: Las organizaciones profesionales del  laboratorio clínico pueden apoyar a la fuerza laboral integrando la economía de la salud, el desarrollo de modelos de negocio y las metodologías de mejora de la calidad en los planes de estudio y los programas de formación profesional.

3- Colaboración interdisciplinaria: El establecimiento de redes de colaboración más sólidas entre los líderes de laboratorio, los equipos clínicos y la administración de la atención médica garantiza que las pruebas se evalúen no solo como unidades de costo, sino como impulsoras de un valor clínico y económico más amplio.

Conclusión:  este artículo es un llamado a la acción para la comunidad del laboratorio clínico; adoptar una prueba es solo la mitad de la batalla, y sin una atención deliberada a la implementación local cmo la participación de las partes interesadas, el seguimiento de los resultados y la presentación de nuevas habilidades empresariales/ económicas, el valor de una prueba puede no materializarse en la práctica

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a 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 a la misma..
Nueva presentación el 19 de Agosto
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina