Method Precision and Frequent Causes of Errors Observed in Point-of-Care Glucose Testing
Notice bibliographique
Résumé
OBJECTIVES: Method imprecision, error rates, and explanatory causes that were identified in the Institute for Quality Management in Healthcare point-of-care (POC) glucose proficiency testing (PT) program were assessed in comparison with results obtained from laboratory glucose PT surveys. METHODS: POC and laboratory glucose PT data were assessed from September 2009 to June 2011. Peer group means and coefficients of variation (CVs) were estimated using the robust algorithm recommended in the International Organization for Standardization/International Electrotechnical Commission 13528(E). Discordant finding investigations were also reviewed to determine the causes of significant and recurring errors. RESULTS: POC glucose CVs were higher than laboratory method CVs (median CV, 4.5% and 1.6%, respectively). While all laboratory glucose results were within the performance limits, 305 (0.59%) of 51,379 POC glucose results exceeded limits. Investigations were required for 277 (0.53%) POC results. Pre- and postanalytical errors accounted for 76% of the discordant findings. Using wrong PT items, sample mix-up on the bench, and reporting results for the wrong sample were the most frequent reasons, while 21% of discordant findings identified manufacturer issues, and 3% were of unknown origin. CONCLUSIONS: Both method CVs and error rates were higher in POC than in laboratory glucose methods, even though larger performance limits were used for the assessment of POC glucose.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».