基于机器学习和差值校验的识别混淆样本方法的建立及评价*

2021-02-13张金杰梁玉芳王清涛王哲冯祥韩泽文宋彪高志琪周睿首都医科大学附属北京朝阳医院检验科北京00020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呼和浩特00000内蒙古财经大学呼和浩特0005

临床检验杂志 2021年12期

张金杰，梁玉芳，王清涛，2，王哲，冯祥，韩泽文，宋彪，4，高志琪，周睿，2(.首都医科大学附属北京朝阳医院检验科，北京00020；2.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，呼和浩特00000；4.内蒙古财经大学，呼和浩特0005)

实验室分析前误差会引起临床决策错误，进而引发医疗事故。常见分析前误差有患者识别错误、样本识别错误、采血管错误、标本污染、标本不完整、标本中存在干扰物质等，其中，因各种因素所致标本混淆属严重的分析前差错。1974年，首次提出差值校验(delta check，DC)，通过计算同一个患者2次结果之间的差值(delta)，判断标本是否发生混淆[1]。文献报道传统的DC方法主要包括经验法[2]、参考变化值法(reference change value，RCV)[3]、加权累计delta指数(weighted cumulative delta index，WCDI)[4]，其目的是准确设置控制限。美国临床和实验室标准协会(Clinical and Laboratory Standards Institute, CLSI)EP33详细描述了使用RCV方法确定DC限的步骤[5]。目前传统基于统计学的DC方法由于方法本身的局限性，无法根本解决临床混淆标本假阳性或假阴性过高的问题。支持向量机(support vector machine，SVM)是机器学习的经典算法，应用于复杂数据关系下的回归和分类问题[6]。如果可以把样本的正配和错配看作SVM的二分类问题，将同一患者2次检测数据的delta值判断为正样本，不同患者数据的delta值判断为负样本，便可以实现样本数据的核查目标。本研究尝试利用患者历史对比数据，基于机器SVM算法建立一种识别临床混淆样本的高敏方法，并通过与RCV方法比较，验证该方法的临床有效性。