袁晓华 王丽鸿 李明霞 周吉霞(乌鲁木齐市血液中心，新疆 乌鲁木齐 830000)

统计过程控制(statistical process control， SPC)是指为了贯彻预防原则，应用统计方法对过程中的各个阶段进行评估和监控，建立并保持过程处于可接受且平稳的水平，从而保证产品与服务符合规定要求的一种技术，其主要表现形式是各种控制图和相应的过程能力分析[1-2]。 血站作为提供成分血液的机构，贯彻执行《血站管理办法》《血站质量管理规范》和《血站实验室质量管理规范》，实施全过程质量管理。其中血液成分的质量抽检工作是监测采供血过程稳定性的重要内容，我国血站的质量管理科按照《血站技术操作规程》(2019 版，条款6.2)(以下称规程)，对采集制备的血液成分制品进行周期性地质量抽检，检测项目和结果参照《全血及成分血质量要求》(GB18469-2012)(以下称国标)的要求。规程要求血站应定期对血液质量监测结果进行趋势分析，目前国外主要是欧美国家采供血机构在血液采集、制备和质检等环节中广泛应用控制图[3-7]。 通过绘制控制图，可以对关键参数进行实时跟踪和监控，识别异常变化和特殊原因变异，帮助机构采取相应的控制和改进措施，发展趋势是实现自动化和数字化的数据采集与分析。 SPC 技术结合先进的信息系统和传感器技术，可以实现对大规模数据进行实时监测和分析，提高工作效率和准确性。 目前在国内的采供血机构中SPC 的应用还有待进一步推广和完善[8-10]。

血液成分质量抽检的统计过程控制分为抽样检验、数据统计、数据分析和实施控制4 个环节，每个环节都在上一个环节的基础上开展和实施[2，7]。 本文将血液成分质量抽检检测项目的数据类型进行分类，以本中心2018 年1 月—2022年12 月血液成分质量抽检的检测数据为数据来源，应用统计过程控制图对检测数据进行分析，以期实现对采供血过程稳定性的有效监测。

1 对象与方法

1.1 数据来源 2018—2022 年本中心质量管理科依照规程和国标进行血液成分质量抽检的各项目检测数据。

1.2 分析方法 将原始检测数据录入Excel 表格，利用Mintab 21 分析软件，绘制控制图[1，11]。

1.3 分析步骤

1.3.1 收集数据 选择有代表性的关键指标—确定数据类型—绘制分析用控制图—分析异常原因—绘制控制用控制图—计算过程能力指数(Cpk)—分析异常原因及改进方向。

1.3.2 血液成分质量抽检项目的数据类型 按照表1 进行分类[12-13]，按照图1 的原则选择相应的控制图[11]。

图1 血液成分质量抽检检测项目数据的控制图应用

表1 血液成分质量抽检检测项目数据的分类

1.3.3 控制图应用的检验规则[4，11]1)1 个点，距离中心线超过3 个标准差；2)连续9 点在中心线同一侧；3)连续14 点上下交错；4)3 个点中有2 个点，距离中心线同侧＞2 个标准差。

2 结果

2.1 血液成分质量抽检计数型数据的过程控制图应用 血小板含量项目的检测数据是非正态分布的计量数据，根据检测结果的属性，即结果是否合格可将数据转化为计数型数据，使用P 控制图进行统计过程控制[5]。 将2018 年1 月—2022 年12 月期间每月抽检去白细胞单采血小板的血小板含量项目的抽检数量和不合格数量录入表格，绘制P 控制图，如图2 所示。 检出1 个点，距离中心线超过3.00 个标准差，不合格点序列号为“5”，对照原始数据统计表，追溯抽检时间为2018 年5 月。

图2 2018 年1 月至2022 年12 月抽检去白细胞单采血小板的血小板含量项目P 控制图

2.2 血液成分抽检计量型检测数据的统计分析 以病毒灭活新鲜冰冻血浆/病毒灭活冰冻血浆的血浆蛋白含量检测值为例，国标对此仅设控制下限(≥50 g/L)，将2018 年1 月至2022 年9 月的历史检测数据作统计控制图(图3)，分析本中心该项指标包含上下限的参考值范围[14]。

图3 病毒灭活新鲜冰冻血浆/病毒灭活冰冻血浆的血浆蛋白含量检测值95%公差区间分析

2.3 血液成分抽检项目计量型数据的过程控制图应用 以悬浮红细胞的血细胞比容检测项目为例，对2018 年1 月至2022 年12 月的检测数据做正态性检验，见图4。 按照国标中规定的规格范围(0.50 ～0.65)设定控制限的范围，子组大小为4，该项目的均值极差控制图和过程能力分析结果见图5。 控制图检验结果如下。

图4 2018 年1 月—2022 年12 月悬浮红细胞血细胞比容检测数据的正态性分析

图5 2018 年1 月—2022 年12 月悬浮红细胞血细胞比容的组间/组内过程能力分析

1)HCT 的单值控制图检验:检验规则2，检验出不合格点:39， 40， 41， 42， 43；检验规则4，检验出不合格点: 37。2)HCT 的子组均值MR 控制图检验:检验规则1，检验出不合格点:4， 21；检验出不合格点:36，37，38，39，40。 3)HCT的R 控制图检验:检验规则1，检验出不合格点:4)追溯原始数据表，控制图检验出的不合格点主要出现在2022 年的上半年，虽然原始检测数据均符合标准，但体现在控制图上，检验出了血细胞比容抽检结果短暂向上漂移的趋势(图5)。

3 讨论

《血站技术操作规程》(2019 版)中规定血液成分抽检的方案为(4，1)，即每月至少抽检4 袋，如果检查符合率≥75%，可认为血液采集、制备和储存等过程受控。 以去白细胞单采血小板的血小板含量这一监测指标为例，每月抽检4袋，若其中有1 袋检测结果不符合标准，对这一结果的判读绝不是简单地等同于该批样本的总体合格率为75%。 我们需要从抽样检验和统计过程控制的角度来对结果进行统计分析。 在这个过程中要面对两种风险，一是把合格的监测总体判“错判”为不合格，其概率用α 表示；二是把不合格的监测总体“漏判”判为合格，其概率用β 表示[15]。 2018 年5 月抽检4 袋去白细胞单采血小板，其中2 袋血小板计数不符合标准，在P 控制图上体现为失控，当时采取行动:1)增加抽样量，当月再次随机抽检4 袋；2)对不合格结果对应的样本进行过程分析，排查原因。 对于可查明的原因，调整或停止生产过程直至原因被确定和消除，则过程就可以继续。 在找不到可查明原因时，则得出结论:落在控制界外的点表示小概率事件的发生，是偶然原因导致的，即使过程处于控制状态。重复过程一直持续到控制图不再发出警报，则过程可以被认为处于控制状态，是稳定的和可预测的[11]。

血液成分质量抽检项目计量型数据统计过程控制图的绘制包含两个阶段，即分析用图和控制用图。 首先是分析阶段，用作分析图的数据需要在“人、机、料、法、环、测”等各环节因素稳定的前提下，收集数据作分析控制图，剔除异常点，当过程要素发生变化时，需要重新收集数据。 以病毒灭活新鲜血浆/病毒灭活冰冻血浆的血浆蛋白含量检测值为例，对于国标仅设下限的项目(≥50g/L)，检验2018 年1 月—2022年12 月的样本检测数据不服从正态分布(P＜0.005)。 而以年为单位对血浆蛋白含量检测数据进行正态性检验时，2018年和2022 年的数据符合正态分布，2019—2021 年的数据不符合正态分布(表2)，这说明在检测过程中可能存在异常点，但未进行界定和排除。 异常点的排除应该回顾检测数据收集过程，包括是否存在加样误差、设备异常、人员操作问题和录入错误等等，如果确认是异常点，可以考虑剔除。 但如果找不到产生异常点的原因，它可能就是1 个正常数据，此时可以考虑补充抽样，看能不能把异常点与大多数数据中的空间填补上[11]。 因此，在今后的血浆蛋白含量检测试验中，要关注排除异常值的干扰，得出这项指标的参考值范围和置信区间，便于质量控制人员把握样本总体的质量特性和调整改进的方向，获得可靠的控制图中心线和控制限。 在这里，控制限不是标准线，它是1 个动态的值，随着过程的变化，控制限也会更新。

表2 2018—2022 年期间血浆蛋白含量检测值的正态性检验结果

控制图分析主要有以下工作:1)根据控制图的绘制情况，判断生产过程是否处于可控状态；2)进行相关的计算，判断产品在生产过程中，相关工序的生产能力是否满足要求。以悬浮红细胞的血细胞比容项目为例，2018 年1 月—2022年12 月的检测数据符合正态分布(图4)。 以国标(0.50 ～0.65)为控制限，计算本中心悬浮红细胞血细胞比容项目的过程控制能力值Cpk 为0.67(图5)，相对于生产制造业的对于Cpk 值的要求，其控制能力一般。 但是血液成分制品存在特殊性，其源头献血者自身存在无法消除的个体差异[17]。本中心采集制备的悬浮红细胞的血细胞比容指标控制能力达到了2σ 的水平，即95%的结果可落在控制范围内[18-19]。追溯均值极差控制图中检验出的数据异常趋势，从以下几个方面分析可能原因:1)样本的分装操作，取样前的样本混匀程度会影响到检测结果的准确性；2)成分制备环节人员操作的追溯；3)血液采集环节追溯，献血者的回访。 通过对相关过程的分析，提示今后的改进方向。

尽管统计过程控制方法早在生产制造业广泛运用，但其在国内血站采集制备的血液成分质量控制方面，真正的有效运用还存在一些障碍。 因为血液始终是1 种稀缺宝贵的资源，现有的血液成分抽检频次和数量是综合了风险控制和成本控制因素的方案，检测数据的积累收集时间跨度会比较长。 可能在积累到符合数理统计要求的数据量时，已经无法对以前过程产生的结果做出调整。 统计过程控制图的分析结果体现本中心采集制备的血液成分制品在质量稳定性方面的特性，提示今后的改进方向，但在预防质量问题方面的作用还没有充分发挥。 目前本中心各环节的自动化程度不高，部分过程数据追溯存在困难，存在的主要问题是数据质量问题、数据分析能力不足，需要建立质量意识和大数据驱动的质量文化，所有相关人员都应积极参与并认可统计过程控制的重要性，完善数据采集、监测和分析系统，并将SPC 技术结合到质量管理体系中，形成闭环管理，从而实现对全过程的有效控制和持续改进。 最终实现将质量管理节点前移，将结果控制转变为过程控制，由控制指标向控制参数转变。可以基于不同的质量特性，优化细化抽样检验方案，针对不同的环节和变异类型选择适当的统计方法和控制策略[16]，关注于质量的生产过程，最终实现提升质量合格率，并保持质量的稳定性。

利益冲突:所有作者均声明不存在利益冲突。