An assessment of clinical laboratory performance for the determination of manganese in blood and urine
Notice bibliographique
Résumé
BACKGROUND: Proficiency testing or external quality assessment schemes (PT/EQASs) are an important method of assessing laboratory performance. As each scheme establishes assigned values and acceptable ranges for the analyte according to its own criteria, monitoring of participant performance varies according to the scheme and can lead to conflicting conclusions. METHODS: Standard deviations (SDs) for PT were derived from Thompson's and biological variation models applied to blood and urine manganese (Mn) robust data from four EQASs from North America and Europe. The fitness for purpose was verified by applying these SDs to individual results. RESULTS: Using Thompson characteristic function the relationship between SD and Mn concentration, expressed in nmol/L was the square root of [19.72+(0.07712×Mn concentration2)] for blood and the square root of [6.772+(0.09852×Mn concentration2)] for urine. While the biological variation model was not suitable for urine, it produced an acceptable range for blood as ±54.4 nmol/L (assigned value ≤320 nmol/L) or 17% (assigned value >320 nmol/L). For blood, individual performance evaluated by the two approaches led to similar conclusions. CONCLUSIONS: The biological variation model can be used to propose quality specifications for blood, however it could not be applied to urine. The Thompson characteristic function model could be applied to derive quality specifications for Mn in urine and, to a lesser extent in blood. The more lenient quality specifications for blood highlight the difficulty of determining Mn in this matrix. Further work is needed to harmonize PT, such as using assigned ranges for the specimens.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».