基于神经网络的病患预分类实时质控模型（PCRTQC-NN）：提升临床实验室误差检测能力的新突破

　　本研究针对临床实验室中传统患者实时质量控制（PBRTQC）难以检测小系统误差的问题，提出了一种基于神经网络的预分类实时质控模型（PCRTQC-NN）。通过自编码器提取检测仪器的分析特征，显著提高了对高变异分析物的误差检测灵敏度，平均误差检测样本数（ANPed）最高降低37%，为实验室质量管理的智能化和标准化提供了新方案。

　　

在临床实验室医学领域，质量控制的准确性和实时性直接关系到诊断结果的可靠性，进而影响患者的诊疗效果。传统的内部质量控制（IQC）方法虽然广泛应用，但仍存在明显局限：它们通常依赖批量检测控制品，不仅增加了成本，还可能因基质效应影响质控效果。更重要的是，这些方法难以有效检测出小规模的系统性误差，特别是对于那些个体间生物变异（Biological Variation, BV）较高的分析物。

患者实时质量控制（PBRTQC）技术应运而生，它通过实时分析患者检测结果来监控仪器状态，无需额外控制品，成为传统IQC的重要补充。然而，PBRTQC也面临诸多挑战：高变异分析物的信号噪声比（SNR）较低，微小误差容易被掩盖；长期系统性误差会因数据自相关而累积；此外，患者数据的筛选和参数优化十分复杂，限制了其广泛应用。

为解决这些问题，中国医科大学附属第一医院实验室医学研究所的研究团队在之前开发的患者预分类实时质控（PCRTQC）方法基础上，引入神经网络技术，提出了PCRTQC-NN模型。该研究成果发表在《Practical Laboratory Medicine》期刊上，为临床实验室质量控制提供了新的解决方案。

研究人员采用了几项关键技术开展本研究。首先，他们使用了来自Roche Cobas 8000分析仪的611,031例患者检测数据，涵盖钠（Na）、胆固醇（CHOL）、丙氨酸氨基转移酶（ALT）和肌酐（CR）四种分析物。数据被随机分为三个平衡子集，分别用于支持向量机（SVM）分类器训练、神经网络训练和模型性能测试。其次，研究采用自编码器神经网络结构，包含两个编码器（分别提取系统精度信息和个人变异信息）和一个解码器，以均方误差（MSE）作为损失函数进行训练。最后，通过添加人工系统误差（包括恒定误差CE和比例误差PE）来模拟失控情况，以平均误差检测样本数（ANPed）和误报率（FAR）作为性能评价指标。

研究结果部分显示，通过PCRTQC和PCRTQC-NN处理后的数据分布特征存在明显差异。PCRTQC-NN处理后的重建残差波动更加集中和平坦，更有利于系统误差的监测。在模型测试方面，当引入±1TEa（总允许误差）的系统误差时，PCRTQC-NN对ALT的误差检测表现显著优于PCRTQC，使CE的ANPed从167.6降低到106.5（降低37%），PE的ANPed从138.8降低到108.76（降低22%）。其他分析物虽然没有显著变化，但整体表现相当。

更为重要的是，在处理±0.5TEa的较小误差时，PCRTQC-NN显示出更明显的优势。对于CHOL，CE的ANPed从271降至207.75（降低23%），PE的ANPed从246.1降至192.09（降低22%）。ALT也显示出显著改善，CE的ANPed降低14%，PE降低6%。CR则表现出适度改善，CE的ANPed降低4%，PE降低9%。这些结果表明PCRTQC-NN不仅优化了以往检测性能较差的分析物的误差检测能力，还增强了对小误差的敏感性。

在讨论部分，研究人员深入分析了PCRTQC-NN的成功因素。传统PBRTQC方法如移动平均（MA）和指数加权移动平均（EWMA）在处理化学分析物时效果有限，往往需要整合额外的临床信息或使用先进的预处理技术来提高误差检测能力。而PCRTQC-NN通过神经网络的强大非线性数据处理能力，以及自主学习和泛化能力，通过拟合和重建数据模式，增强了对小误差的敏感性，同时更好地捕捉了高生物变异分析物的个体变异。

该研究的创新之处在于首次将信号理论应用于PBRTQC的优化，通过将患者检测数据解释为检测仪器发出的连续信号，神经网络能够提取个体变异和系统精度等关键信息。在稳定条件下，模型学习这些特征并通过计算重建残差来检测偏差，从而精确识别系统误差。

研究的结论部分强调，PCRTQC-NN开创了患者实时质量控制的新途径，其误差检测能力与传统算法相当甚至更优。同时，使用神经网络技术从检测仪器中提取特征，使得建立标准化的分析特征模型成为可能，为仪器比对和实验室间结果一致性提供了潜在的技术路径。

尽管该研究存在一些局限性，如依赖单中心数据、计算复杂度较高等，但通过在不同环境中的进一步验证，该模型有望提高全球实验室效率和患者安全。未来的改进包括多中心研究、迁移学习以简化部署以及整合Wasserstein距离等分布度量，这些对于实现其在临床实践中的全部潜力至关重要。

这项研究不仅为临床实验室质量控制提供了新的技术手段，也为人工智能在医学检验领域的应用开辟了新的方向。通过提高误差检测的灵敏度和准确性，PCRTQC-NN模型有望显著提升实验室质量管理水平，最终为患者提供更加可靠的诊断服务。随着技术的进一步发展和优化，这种基于神经网络的质量控制方法有望在更多医疗机构中得到推广应用，推动临床实验室质量的标准化和智能化进程。