Remodeling of Average of Patients QC Method to Maximize Lengths of Analytical Runs in Regional Reference Laboratories
Notice bibliographique
Résumé
Background and Objective: Improved and modified automation will require the development of smart process control systems that provide on-line decisions to release patients’ test results based on high analytical quality assurance formula. Materials and Methods: We collected patients’ test results from 10840 healthy subjects based on 1.96z as truncation limit for 29 common haematochemical analytes at a regional reference laboratory. Computer simulation studies by EZ rules TM and EZ runs TM software were performed to generate operating specification charts (OPSpces) that consider truncation limits set at 3(S pop ) and control limits set at 3 S pop/n 1/2 and number of patient subgroups which varied from 10 to 480 depending on the ratio that varied from 1.58 to 19.75. Results: On the basis of the test parameters defined and the workload expected in our regional laboratory, average of patients (AOP) algorithms would be expected to be useful for monitoring run length on analytical systems that test for ALP, ALT, AST, total bilirubin, calcium, creatinine, glucose, hematocrit, hemoglobin, potassium, sodium, TSH and urea. These tests provide high potential capability indicating lowP fr , highP ed and high analytical quality assurance (AQA) with low control observations for applying AOP algorithms to monitor run length. Conclusion: Our investigation revealed that approximately fifty percent of commonly requested haematochemical tests could achieve high capability in order to establish AOP method to maximize analytical run length.
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 | 0,004 |
| 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 | 0,000 |
| 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 ».