FAG Doktorgrad

Estimering av preanalytisk usikkerhet

Alle blodprøveresultater er beheftet med usikkerhet som består av tilfeldig variasjon og bias. Preanalytisk usikkerhet skyldes variasjoner i blodprøvetakingen og prøvehåndteringen før analyse. Det har manglet en standardisert statistisk metode for å bestemme denne.

Marit Sverresdotter Sylte

Marit Sverresdotter Sylte disputerte 27. mai 2013 for ph.d.-graden ved Universitetet i Bergen med avhandlingen «Estimation of Preanalytical Uncertainty in Clinical Chemistry».

Oppgitt emne/prøveforelesning: Undersøkelse av prøvestabilitet. Eksperimentelt design - statistiske metoder - praktisk gjennomføring.

Sylte ble utdannet bioingeniør i Trondheim i 1981.

Sammenskrivningen av avhandlingen kan leses i sin helhet på http://hdl.handle.net/1956/6709

Målet med doktorgradsarbeidet mitt var å etablere et statistisk rammeverk for å estimere preanalytisk usikkerhet. I tre ulike studier (1-3) har vi inkludert følgende preanalytiske variabler ved beregning av preanalytisk usikkerhet: Blodprøvetaking, bruk av ulike typer nåler og blodprøverør, blandemåte, transport av prøver til laboratoriet, koaguleringstid, sentrifugeringshastighet og lagringstid.

I artikkel I (1) etablerte vi et usikkerhetsbudsjett basert på differanser i parvise data mellom en standard metode i håndtering blodprøver og alternative metoder brukt ved gjeldende praksis, og der fordelingen til usikkerhetskildene ble tatt hensyn til.

I artikkel II (2) ble linear mixed-effects models (4) brukt til å estimere mellom-stikk-variasjonen som skyldes prøvetaking fra begge armene, preanalytisk variasjon (mellom-rør-variasjon) og analytisk variasjon (duplikate analyser) når prøvetakingen og prøvehåndteringen ble utført optimalt. Det ble tappet blod i to typer rør, SST- og RST-rør (begge BD Vacutainer), for å se på forskjell i preanalytisk variasjon og bias mellom de to rørtypene.

I artikkel III (3) undersøkte vi eventuell forskjell i preanalytisk variasjon og bias, ved transport av blodprøver i rørpost vs manuell levering, bruk av butterflynåler vs grønne nåler, og suboptimal vs optimal blandemåte.

Når de kombinerte forventede biasene fra usikkerhetsbudsjettet i artikkel I (1), og de signifikante biasene mellom de ulike behandlingsmåtene i artikkel II og III (2, 3) ble sammenlignet med definerte kvalitetsspesifikasjoner for analytisk bias, var glukose den eneste analytten som falt utenfor kvalitetsspesifikasjonene. Forlenget koaguleringstid og lagringstid var de største bidragene til bias for glukose i studie I (1). Middelverdi for differansene mellom SST- vs RST-rør, viser at valg av rør er viktig (2).

Preanalytisk variasjon for LD og kalium for optimalt behandlede prøver var signifikant høyere enn analytisk variasjon, men for glukose var mellom-stikk-variasjonen den dominerende variasjonskilden (2). Studie II viste også at den totale usikkerheten for flere analytter (albumin, ALP, CK, glukose, LD og kalium) ble mer enn fordoblet når preanalytisk og mellom-stikk-variasjonen ble kombinert med analytisk variasjon (2).

For de fleste analytter var den preanalytiske variasjonen som ble estimert i studie II og III omtrent like (2, 3), noe som indikerer at preanalytisk variasjon er lite påvirket av de ulike preanalytiske behandlingsmåtene utført i de to studiene. Vi har utviklet to modeller som kan brukes til å estimere preanalytisk usikkerhet i klinisk kjemiske laboratorier. Å kunne estimere, kvalitetssikre og formidle preanalytisk usikkerhet kan forbedre diagnostisk kvalitet og pasientbehandling.

Referanser

  1. *Rynning M, Wentzel-Larsen T, Bolann BJ. A model for an uncertainty budget for preanalytical variables in clinical chemistry analyses. Clin Chem 2007; 53:1343-8.
  2. Sylte MS, Wentzel-Larsen T, Bolann BJ. Estimation of the minimal preanalytical uncertainty for 15 clinical chemistry serum analytes. Clin Chem 2010; 56:1329-35.
  3. Sylte MS, Wentzel-Larsen T, Bolann BJ. Random variation and systematic error caused by various preanalytical variables, estimated by linear mixed-effects models. Clin Chim Acta 2013; 415:196-201.
  4. Verbeke G, Molenberghs G, Linear Mixed Models for Longitudinal Data. New York: Springer-Verlag, 2000.
    *Nå Sylte
Powered by Labrador CMS