Quality in every drop: A national survey on calibration, control, and training in the use of pipettes in Norwegian medical laboratories
Notice bibliographique
Résumé
Quality in every drop: A national survey on calibration, control, and training in the use of pipettes in Norwegian medical laboratories Introduction: Good practices for calibration, control, and training in pipette use are essential to reduce uncertainty in pipetting. The purpose of this study was to map how Norwegian medical laboratories ensure the quality of their pipettes. Materials and Methods: In January 2023, the Department of Medical Biochemistry and Pharmacology at Haukeland University Hospital, in collaboration with Noklus, conducted a national survey on pipette practices. The survey was distributed to 177 contacts at medical laboratories. Results: A total of 132 responses were received, of which 20 were excluded due to incomplete answers (yielding a response rate of 63%). Of the respondents, 84% reported regular calibration of pipettes. Among these, 36% perform internal calibration. Few of those who calibrate internally comply with all requirements in NS-EN ISO 8655 parts 2 and 6. Slightly more than half (about 59%) had established internal control procedures for pipettes. The most common approach is control with three volumes and ten measurements. Acceptance limits are mainly based on NS-EN ISO 8655. About half of the respondents stated that all employees receive training in pipette use. Conclusion: The study shows that Norwegian laboratories have varying practices for quality assurance of pipettes. Lack of compliance with international standards in internal pipette calibration and inconsistent training can weaken the quality of both pipettes and pipetting. Improved training and standardized internal calibration are necessary to ensure accurate pipetting and high analytical quality.
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 | 0,031 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».