梁玉芳，程华丽,2，王清涛，3，王哲，冯祥，韩泽文，宋彪，5，周睿，3(.首都医科大学附属北京朝阳医院检验科，北京00020；2.航空总医院检验科，北京0002；3.北京市临床检验中心，北京00020；．内蒙古卫数数据科技有限公司大数据研究院，呼和浩特00000；5.内蒙古财经大学，呼和浩特 0005)

传统室内质量控制(internal quality control，IQC)通过按照预先规定的频次检测稳定的质控物对分析系统性能进行监控，是目前实验室主要采用的质量管理工具。该质控方式在质控物本身互换性及浓度水平、质控频次、质控成本等方面存在不足之处。在当前实验室规模扩大且实验室检测量陡增的场景下，基于患者的实时质量控制(patient based real time quality control，PBRTQC)，作为传统IQC的补充方案，被越来越多的实验室用于室内质量控制及室间质量评价[1-2]。2017年，Liu等[3]使用一种浮动异常值之和的方法(moving sum of outlier，MovSO)监测前列腺特异性抗原(PSA)项目0.03 μg/L偏移改变。MovSO方法属于PBRTQC方法,该法虽可检出有临床决定意义0.03 μg/L大小的误差，然而尚不能满足2014年欧洲临床化学和检验医学联合会(European Federation of Clinical Chemistry and Laboratory Medicine，EFLM)提出的用于设定分析性能规范的要求[4]，该规范涉及的检测项目有高敏肌钙蛋白(hs-cTnT)[5]、PSA[6]等，由于是基于对医学决定影响而设定的分析性能规范，所以被测量值的准确度对医疗决策起关键作用，直接影响患者管理[5]。

随着人工智能的出现，机器学习已经逐渐发展出一些各有特点的算法，可以在一定程度上帮助人们完成数据预测、自动化、自动决策、最优化等任务。其中，随机森林(random forest，RF)能够处理超高维度的数据，并且特征选择不受约束，对缺失值不敏感，在特征遗失的情况下仍可维持准确度的优势，适合类似质控的项目数据。……