[发明专利]一种实时质量控制的优化方法、系统和设备

说明书

本发明提供一种实时质量控制的优化方法、系统和设备，在导出原始检验实验数据，进行预处理和清洗后，采用失控模拟的方式在数据中随机选取失控模拟的数据起始点，并在起始点后选取一段数据添加误差值；基于失控数据对实时质量控制模型进行模拟，根据模拟结果筛选优化模型；最后采用群体搜索算法评价实时质量控制模型性能，以此优化模型参数，相比于现有的网格搜索算法，本发明能更快速、更高效、更准确的确定实时质量控制模型的参数。

技术领域

本发明涉及检验医学技术领域，具体涉及一种实时质量控制的优化方法、系统和设备。

背景技术

质量是检验医学实验室管理的生命线，为临床和患者提供稳定、准确的检验结果是实验室质量管理的重要一环。传统质量控制方法，即实验室内质控(IQC)，通过在一天中按规定进行一到多次检测，预估检测仪器在每次质控之间的情况。大多情况下，由于成本限制，IQC无法及时发现问题，导致错误样本发出。实时质量控制模型(PBRTQC)在IQC的基础上，通过监测病人样本的检测结果来评估检测系统的稳定性，在不同的时间点监控仪器的检测情况。

实时质量控制模型(PBRTQC)的参数选取是由人工完成，通过实验室工作人员长期积累的经验，对模型参数的取值进行模糊的估计，再使用估计的参数建立模型后，根据实际应用的效果对参数进行不断地优化。现有技术的参数优化算法主要采用网格搜索法，但网格搜索法十分低效，需要花费大量计算资源对模型参数进行优化。且网格搜索仅能实现离散优化，很难找到最优解。因此，我们希望提出效率和效果更优的方法实现PBRTQC模型参数优化。

发明内容

本发明的目的是提供一种实时质量控制的优化方法、系统和设备，更快速、更高效、更准确实现实时质量控制模型参数的优化。

为了达到上述目的，本发明一方面提供一种实时质量控制的优化方法，其特征在于，包括以下步骤：

导出原始实验数据，进行预处理和清洗；

在数据中随机选取失控模拟的数据起始点，并在起始点后选取一段数据添加误差值；

基于失控数据对实时质量控制模型进行模拟，根据模拟结果筛选优化模型；

采用群体搜索算法评价实时质量控制模型性能，以此优化模型参数。

进一步的，所述数据的误差值包括绝对值误差，计算公式如下：

其中x为检测结果、TEa为总允许误差、n为误差系数以控制引入误差的大小，x’为引入误差后的结果。

进一步的，所述数据的误差值包括百分比误差，计算公式如下：

x′＝x×(1+n×TEa)

其中x为检测结果、TEa为总允许误差、n为误差系数以控制引入误差的大小，x’为引入误差后的结果。

进一步的，基于未添加误差值的正常数据对实时质量控制模型进行模拟，根据模型的假阳性报警率评价模型，所述假阳性报警率的计算公式(FAR)为：

FAR＝假阳性报警数/总样本数。

进一步的，基于添加误差值的正常数据对实时质量控制模型进行再次模拟，计算模拟数据中误差所需患者样本数后求平均值获得发现误差所需平均患者样本数(ANPed)，根据ANPed评价模型性能，选择最小ANPed的模型为优化模型。

进一步的所述群体搜索算法包括以下步骤：

随机选取模型的参数组合，生成100个实时质量控制模型；

采用体格函数评价多个实时质量控制模型；

获取性能排名前10的模型作为父辈，随机交配和变异进行传代，生成100个子辈模型；