مقدمه؛ چرا سیگما متریک در آزمایشگاه مهم است؟

کنترل کیفیت آزمایشگاه فقط این نیست که هر روز یک یا دو سطح کنترل را روی دستگاه بگذاریم، عدد به‌دست‌آمده را در دفتر یا نرم‌افزار ثبت کنیم و اگر داخل محدوده بود، کار را ادامه دهیم. این کار بخشی از کنترل کیفیت داخلی (Internal Quality Control; IQC) است، اما تمام کنترل کیفیت نیست. کنترل کیفیت واقعی زمانی معنا پیدا می‌کند که آزمایشگاه بتواند به این سؤال پاسخ دهد: آیا این روش آزمایشگاهی واقعاً آن‌قدر قابل اعتماد هست که نتیجه بیمار را با اطمینان گزارش کنیم؟

در بسیاری از آزمایشگاه‌ها، QC روزانه انجام می‌شود، اما تحلیل عمیقی از داده‌های QC وجود ندارد. مثلاً ممکن است یک تست همیشه در محدوده ±2SD باشد، اما ضریب تغییرات (Coefficient of Variation; CV) آن به‌مرور افزایش یافته باشد. یا ممکن است کنترل‌ها ظاهراً قابل قبول باشند، اما در برنامه ارزیابی خارجی کیفیت (External Quality Assessment; EQA) آزمایشگاه نسبت به سایر آزمایشگاه‌ها بایاس (Bias) قابل توجهی داشته باشد. در چنین حالتی، ثبت QC به‌تنهایی نمی‌تواند کیفیت واقعی روش را نشان دهد.

سیگما متریک (Sigma Metrics) دقیقاً برای پاسخ به همین مشکل به کار می‌رود. این شاخص به آزمایشگاه کمک می‌کند عملکرد هر تست را به‌صورت عددی، قابل مقایسه و قابل تصمیم‌گیری ارزیابی کند. با سیگما متریک می‌توان فهمید کدام تست عملکرد عالی دارد، کدام تست قابل قبول است، کدام تست مرزی است و کدام تست باید فوراً وارد برنامه اقدام اصلاحی شود.

سیگما متریک چیست؟ تعریف Sigma Metrics در کنترل کیفیت آزمایشگاه

سیگما متریک یک شاخص عددی برای ارزیابی کیفیت تحلیلی (Analytical Quality) یک تست آزمایشگاهی است. این عدد نشان می‌دهد عملکرد یک روش آزمایشگاهی نسبت به مقدار خطایی که از نظر بالینی یا مقرراتی قابل قبول است، چقدر فاصله ایمن دارد.

به زبان ساده‌تر، سیگما متریک به ما می‌گوید:

فرمول اصلی سیگما متریک چنین است:

در این فرمول، خطای کل مجاز (Total Allowable Error; TEa) یعنی حداکثر خطایی که برای آن تست قابل قبول است. بایاس یعنی انحراف سیستماتیک نتیجه آزمایشگاه از مقدار هدف. CV یعنی میزان پراکندگی یا عدم دقت روش.

هرچه عدد سیگما بالاتر باشد، عملکرد روش بهتر است. هرچه عدد سیگما پایین‌تر باشد، احتمال اینکه خطای تحلیلی باعث گزارش نتیجه نادرست بیمار شود بیشتر است.

تشبیه ساده برای فهم شش سیگما در آزمایشگاه

فرض کنید قرار است با یک خودرو از جاده‌ای عبور کنید. عرض جاده همان TEa است. میزان انحراف فرمان خودرو به چپ یا راست همان Bias است. لرزش و نوسان خودرو در مسیر همان CV است. اگر جاده پهن باشد، فرمان خودرو دقیق باشد و لرزش خودرو کم باشد، احتمال خروج از جاده کم است. این یعنی Sigma بالا. اما اگر جاده باریک باشد، فرمان خودرو کمی کج باشد و خودرو زیاد بلرزد، احتمال خروج از جاده زیاد است. این یعنی Sigma پایین.

در آزمایشگاه نیز همین منطق وجود دارد. اگر TEa بزرگ باشد، Bias کم باشد و CV پایین باشد، روش عملکرد خوبی دارد. اما اگر TEa کوچک باشد، Bias بالا باشد یا CV زیاد باشد، روش به محدوده خطای غیرقابل قبول نزدیک می‌شود.

چرا Sigma Metrics برای QC آزمایشگاه مهم است؟

سیگما متریک فقط یک عدد برای زیباتر کردن گزارش کنترل کیفیت نیست. این عدد باید مستقیماً روی تصمیم‌های فنی و مدیریتی آزمایشگاه اثر بگذارد.

کاربردهای اصلی سیگما متریک عبارت‌اند از: انتخاب قوانین مناسب وستگارد، تعیین تعداد کنترل‌ها در هر ران کاری، تعیین دفعات انجام QC، شناسایی تست‌های پرریسک، اولویت‌بندی اقدامات اصلاحی، مقایسه عملکرد کیت‌ها، دستگاه‌ها و روش‌ها، ارزیابی اثر تغییر lot معرف یا کالیبراتور، مستندسازی برای ممیزی و اعتباربخشی، طراحی کنترل کیفیت مبتنی بر ریسک و پایش ماهانه کیفیت آزمایشگاه.

نکته مهم این است که استفاده یکسان از یک قانون QC برای همه تست‌ها همیشه منطقی نیست. تستی با Sigma بالای 6 و تستی با Sigma کمتر از 3، ریسک یکسانی ندارند. بنابراین نباید با یک برنامه QC کاملاً مشابه کنترل شوند.

مفاهیم پایه سیگما متریک در آزمایشگاه؛ از Precision تا TEa

برای فهم درست سیگما متریک در آزمایشگاه، ابتدا باید چند مفهوم پایه را دقیق بشناسیم. این مفاهیم همان زبان مشترک کنترل کیفیت آزمایشگاه هستند.

دقت یا Precision در کنترل کیفیت آزمایشگاه

دقت یا پرسیژن (Precision) یعنی نتایج تکراری یک تست چقدر به هم نزدیک هستند. اگر یک نمونه کنترل را 20 بار اندازه‌گیری کنیم و نتایج خیلی نزدیک به هم باشند، می‌گوییم روش دقت خوبی دارد. اگر نتایج پراکنده باشند، دقت روش ضعیف است.

فرض کنید یک کنترل گلوکز با مقدار هدف حدود 100 mg/dL داریم. اگر نتایج تکراری 99، 100، 101، 100، 99، 101 و 100 باشند، نتایج نزدیک به هم هستند و Precision خوب است. اما اگر نتایج 91، 108، 96، 112، 88، 105 و 99 باشند، پراکندگی زیاد است و Precision ضعیف محسوب می‌شود.

صحت یا Accuracy در ارزیابی عملکرد تحلیلی

صحت یا اکورسی (Accuracy) یعنی نتیجه آزمایش چقدر به مقدار واقعی یا مقدار هدف نزدیک است. ممکن است یک روش Precision خوبی داشته باشد، اما Accuracy ضعیفی داشته باشد. یعنی نتایج تکراری به هم نزدیک‌اند، اما همگی از مقدار واقعی فاصله دارند.

مثلاً مقدار واقعی یا هدف گلوکز 100 mg/dL است، اما آزمایشگاه در چند تکرار نتایج 112، 113، 112، 111 و 113 را گزارش می‌کند. این نتایج به هم نزدیک‌اند، پس Precision خوب است. اما همه آن‌ها حدود 12 واحد بالاتر از مقدار هدف هستند، پس Accuracy ضعیف است و روش Bias دارد.

تفاوت Precision و Accuracy با مثال تیراندازی

اگر تیرها نزدیک به هم بخورند، Precision خوب است. اگر تیرها نزدیک مرکز هدف بخورند، Accuracy خوب است. در آزمایشگاه ممکن است نتایج نزدیک به هم و نزدیک به مقدار هدف باشند؛ این حالت ایده‌آل است. ممکن است نتایج نزدیک به هم اما دور از مقدار هدف باشند؛ این حالت نشان‌دهنده Bias بالا است. ممکن است نتایج پراکنده اما میانگین نزدیک هدف باشد؛ در این حالت CV بالا است. بدترین حالت زمانی است که نتایج هم پراکنده باشند و هم از مقدار هدف فاصله داشته باشند.

ضریب تغییرات یا CV در سیگما متریک

ضریب تغییرات یا CV نشان می‌دهد پراکندگی نتایج نسبت به میانگین چقدر است. CV معمولاً به درصد گزارش می‌شود.

فرض کنید برای کنترل ALT داریم: Mean = 50 U/L و SD = 2 U/L. بنابراین CV برابر است با:

یعنی پراکندگی نتایج کنترل ALT برابر 4 درصد میانگین است. CV هرچه کمتر باشد، روش پایدارتر و دقیق‌تر است. در فرمول سیگما، CV در مخرج قرار دارد. بنابراین اگر CV افزایش یابد، Sigma کاهش پیدا می‌کند.

اثر افزایش CV روی عدد سیگما

اگر TEa = 10% و Bias = 2% باشد، در حالت اول CV = 2% است و Sigma برابر می‌شود با:

اما اگر CV = 4% شود:

فقط با دو برابر شدن CV، سیگما از 4 به 2 کاهش پیدا کرده است. این یعنی روش از وضعیت قابل قبول به وضعیت ضعیف رسیده است.

بایاس یا Bias در Sigma Metrics

بایاس یا Bias یعنی نتیجه آزمایشگاه به‌طور سیستماتیک از مقدار هدف فاصله دارد. Bias معمولاً نشان‌دهنده خطای سیستماتیک (Systematic Error) است.

در محاسبه سیگما معمولاً از قدر مطلق Bias استفاده می‌شود.

مثلاً مقدار هدف کراتینین در EQA برابر 1.00 mg/dL است و میانگین نتیجه آزمایشگاه 1.08 mg/dL است. بنابراین:

یعنی آزمایشگاه برای کراتینین حدود 8 درصد Bias مثبت دارد.

Bias مثبت و Bias منفی در کنترل کیفیت آزمایشگاه

اگر نتیجه آزمایشگاه بالاتر از مقدار هدف باشد، Bias مثبت است. اگر پایین‌تر باشد، Bias منفی است. برای مثال اگر مقدار هدف 100 باشد و آزمایشگاه 108 گزارش کند، Bias برابر +8% است. اگر آزمایشگاه 93 گزارش کند، Bias برابر -7% است. در محاسبه Sigma، جهت Bias کمتر اهمیت دارد؛ مهم این است که فاصله از مقدار هدف چقدر است.

خطای کل مجاز یا TEa در سیگما متریک

خطای کل مجاز یا TEa حداکثر خطایی است که برای یک تست قابل قبول در نظر گرفته می‌شود. TEa می‌تواند از منابع مختلفی مثل CLIA، Biological Variation، RiliBÄK، RCPA، EFLM یا معیارهای ملی و داخلی آزمایشگاه انتخاب شود.

فرض کنید برای یک تست، TEa برابر 10% است. یعنی اگر خطای کلی روش از 10% بیشتر شود، از نظر کیفیت تحلیلی قابل قبول نیست. اما اگر برای تستی TEa برابر 5% باشد، آن تست سخت‌گیرانه‌تر ارزیابی می‌شود. در نتیجه همان CV و Bias ممکن است برای یک TEa قابل قبول و برای TEa دیگر غیرقابل قبول باشد.

اثر انتخاب TEa بر Sigma Metrics

فرض کنید CV = 2% و Bias = 2% است. اگر TEa = 10% باشد:

اما اگر TEa = 6% باشد:

یعنی فقط با تغییر منبع TEa، سیگما از 4 به 2 تغییر کرده است. بنابراین بدون ذکر منبع TEa، عدد سیگما قابل قضاوت نیست.

خطای تصادفی یا Random Error

خطای تصادفی (Random Error) خطایی است که جهت ثابت ندارد و باعث پراکندگی نتایج می‌شود. این خطا معمولاً خودش را با افزایش CV، نقاط پراکنده در نمودار لوی-جنینگ و نقض قوانین خاصی از وستگارد نشان می‌دهد.

مثال‌های خطای تصادفی شامل حباب در مسیر نمونه یا معرف، خطای لحظه‌ای پیپتاژ، آلودگی تصادفی cuvette، نوسان کوتاه‌مدت دمای دستگاه، مخلوط نشدن کامل نمونه، خطای اتفاقی اپراتور، ناپایداری لحظه‌ای probe و گرفتگی گذرای مسیر مایع است.

فرض کنید نتایج QC برای یک کنترل گلوکز در چند روز چنین است: 101، 99، 100، 102، 98، 117، 100. عدد 117 ناگهان از بقیه فاصله دارد. اگر تکرار QC طبیعی شود، احتمال خطای تصادفی مطرح است. البته نباید بدون بررسی، نتیجه را فقط «اتفاقی» فرض کرد.

خطای سیستماتیک یا Systematic Error

خطای سیستماتیک خطایی است که جهت‌دار و پایدار است. یعنی نتایج آزمایشگاه به‌طور مداوم بالاتر یا پایین‌تر از مقدار هدف قرار می‌گیرند.

مثال‌های خطای سیستماتیک شامل کالیبراسیون اشتباه، تغییر lot معرف، خراب شدن کالیبراتور، خطای ثابت در آماده‌سازی کنترل، تغییر حساسیت معرف، دمای نامناسب انکوباسیون، خطای ثابت اپراتور، مشکل نرم‌افزاری در فاکتور محاسباتی، drift تدریجی دستگاه و تغییر در کیفیت آب مصرفی دستگاه است.

اگر کنترل ALT در هفته‌های قبل حول Mean = 40 بوده ولی بعد از تعویض lot معرف، نتایج به‌طور مداوم حول 46 قرار گرفته است، احتمال خطای سیستماتیک یا shift وجود دارد. در این حالت ممکن است همه نقاط هنوز داخل ±2SD باشند، اما رفتار سیستم تغییر کرده است.

خطای کل آزمایشگاهی

خطای کل آزمایشگاهی ترکیبی از خطای تصادفی و خطای سیستماتیک است. در مدل ساده تحلیلی، خطای کل از دو جزء مهم تشکیل می‌شود: Imprecision یا عدم دقت که با CV نشان داده می‌شود و Bias یا انحراف سیستماتیک از مقدار هدف.

فرمول سیگما نیز دقیقاً بر همین منطق استوار است. ابتدا از خطای مجاز، مقدار Bias را کم می‌کنیم. هرچه از TEa باقی بماند، فضایی است که روش برای پراکندگی تصادفی یا CV دارد.

اگر TEa = 10% باشد و Bias = 8% باشد، فقط 2% برای CV باقی می‌ماند. بنابراین حتی اگر CV خیلی خوب هم باشد، روش ممکن است Sigma پایینی داشته باشد. اما اگر TEa = 10% و Bias = 1% باشد، 9% برای CV باقی می‌ماند.

عدم قطعیت اندازه‌گیری در ارتباط با Sigma Metrics

عدم قطعیت اندازه‌گیری (Measurement Uncertainty) یعنی نتیجه گزارش‌شده یک تست با چه دامنه‌ای از اطمینان همراه است. به زبان ساده، هیچ اندازه‌گیری آزمایشگاهی کاملاً مطلق و بدون عدم قطعیت نیست.

مثلاً وقتی آزمایشگاه گلوکز را 100 mg/dL گزارش می‌کند، در واقع این عدد می‌تواند با مقداری عدم قطعیت همراه باشد. این عدم قطعیت از عوامل مختلفی مثل دستگاه، معرف، کالیبراسیون، کنترل، اپراتور و شرایط محیطی ناشی می‌شود.

سیگما متریک و عدم قطعیت اندازه‌گیری به هم مرتبط هستند، اما یکی نیستند. عدم قطعیت بیشتر برای بیان دامنه اطمینان نتیجه استفاده می‌شود، اما سیگما متریک بیشتر برای طراحی QC و ارزیابی عملکرد تحلیلی روش کاربرد دارد.

تفاوت IQC، EQA/PT و Validation/Verification

کنترل کیفیت داخلی یا IQC یعنی آزمایشگاه با استفاده از مواد کنترل، عملکرد روزانه یا دوره‌ای روش را بررسی می‌کند. IQC بیشتر برای شناسایی خطاهای روزمره، drift، shift، خطای تصادفی و خطای سیستماتیک در حین کار استفاده می‌شود.

ارزیابی خارجی کیفیت یا EQA و آزمون مهارت‌آزمایی (Proficiency Testing; PT) یعنی نمونه‌ای از خارج آزمایشگاه ارسال می‌شود و نتیجه آزمایشگاه با مقدار هدف یا سایر آزمایشگاه‌ها مقایسه می‌شود. EQA برای ارزیابی Bias و مقایسه عملکرد آزمایشگاه با دیگران بسیار مهم است.

اعتبارسنجی (Validation) یعنی اثبات اینکه یک روش جدید یا تغییر اساسی در روش، برای کاربرد مورد نظر مناسب است. تأیید عملکرد (Verification) یعنی آزمایشگاه تأیید کند روش آماده‌شده توسط سازنده، در شرایط واقعی همان آزمایشگاه نیز عملکرد قابل قبول دارد.

فرمول محاسبه سیگما متریک در آزمایشگاه

فرمول اصلی محاسبه سیگما متریک در آزمایشگاه چنین است:

هر سه جزء باید با یک واحد بیان شوند. معمولاً از درصد استفاده می‌شود. اگر TEa به درصد، Bias به درصد و CV به درصد باشد، خروجی فرمول یک عدد بدون واحد است که همان Sigma است.

مثال ساده محاسبه Sigma Metrics

فرض کنید برای تست ALT داریم: TEa = 20%، Bias = 5% و CV = 3%. بنابراین:

تفسیر: عملکرد ALT در این مثال بسیار خوب است.

مثال با Bias بالا

فرض کنید برای همان تست TEa = 20%، Bias = 14% و CV = 3% باشد. بنابراین:

تفسیر: با وجود CV نسبتاً خوب، Bias بالا باعث شده Sigma پایین شود. در این حالت افزایش تعداد کنترل‌ها مشکل اصلی را حل نمی‌کند. باید علت Bias بررسی شود.

مثال با CV بالا

فرض کنید TEa = 20%، Bias = 2% و CV = 9% باشد. بنابراین:

تفسیر: Bias خوب است، اما CV بسیار بالاست. مشکل اصلی دقت روش است. باید ناپایداری کنترل، دستگاه، معرف، اپراتور یا شرایط محیطی بررسی شود.

مثال با TEa سخت‌گیرانه

فرض کنید Bias = 2% و CV = 2% است. اگر TEa = 10% باشد:

اما اگر TEa = 6% باشد:

تفسیر: عملکرد فنی روش تغییر نکرده، اما چون معیار پذیرش سخت‌گیرانه‌تر شده، Sigma پایین آمده است. بنابراین عدد سیگما همیشه باید همراه با منبع TEa گزارش شود.

مثال‌های عددی کامل برای محاسبه سیگما متریک در آزمایشگاه

مثال کامل برای گلوکز

فرض کنیم آزمایشگاه برای تست گلوکز می‌خواهد Sigma Metrics را محاسبه کند.

مرحله اول محاسبه CV است:

مرحله دوم محاسبه Bias است:

مرحله سوم محاسبه Sigma است:

Sigma برابر 3.5 یعنی عملکرد گلوکز مرزی است. این تست در وضعیت فاجعه‌بار نیست، اما عالی هم نیست. برای چنین تستی، استفاده از حداقل QC و قوانین ساده ممکن است کافی نباشد. آزمایشگاه باید دو سطح کنترل را منظم اجرا کند، نمودار لوی-جنینگ را از نظر trend و shift بررسی کند، قوانین چندگانه وستگارد را به کار ببرد، Bias را در EQA بعدی پیگیری کند، CV را در ماه‌های بعد مقایسه کند و اگر Sigma کاهش یافت، CAPA تعریف کند.

مثال کامل برای PT در آزمایشگاه انعقاد

فرض کنیم آزمایشگاه برای زمان پروترومبین (Prothrombin Time; PT) در سطح کنترل غیرطبیعی داده‌های زیر را دارد:

Sigma برابر 2.2 یعنی عملکرد PT در این سطح کنترل ضعیف است. این وضعیت در آزمایشگاه انعقاد مهم است، چون PT و نسبت نرمال‌شده بین‌المللی (International Normalized Ratio; INR) می‌توانند روی تصمیم‌های درمانی، پایش وارفارین، ارزیابی خونریزی و بررسی عملکرد مسیر خارجی انعقاد اثر بگذارند.

در این حالت، فقط افزایش تعداد QC کافی نیست. باید وضعیت کالیبراسیون کوآگولومتر، lot معرف PT، ISI معرف، شرایط نگهداری معرف، پایداری کنترل، نسبت خون به سدیم سیترات، زمان سانتریفیوژ، پلاسمای فاقد پلاکت کافی یا ناکافی، زمان نگهداری نمونه قبل از انجام تست، دمای انجام آزمایش، سرویس دستگاه و خطای اپراتور بررسی شود.

مثال کامل برای ALT در بیوشیمی و تفسیر Sigma Metrics

فرض کنیم آزمایشگاه برای ALT داده‌های زیر را دارد: Mean کنترل = 80 U/L، SD = 2.4 U/L، CV = 3%، Bias = 2% و TEa = 20%.

Sigma برابر 6 یعنی عملکرد ALT عالی است. این روش از نظر تحلیلی فاصله ایمن خوبی با حد خطای مجاز دارد. برای چنین تستی، برنامه QC می‌تواند منطقی‌تر و ساده‌تر باشد. البته این به معنی حذف QC نیست.

اقدام مناسب شامل ادامه QC روتین، استفاده از قوانین ساده‌تر مانند 1-3s در کنار پایش trend، بررسی ماهانه Sigma و بازبینی مجدد پس از تعویض lot معرف یا کالیبراتور است.

تفسیر عدد سیگما متریک در آزمایشگاه

عدد سیگما باید به زبان تصمیم آزمایشگاهی ترجمه شود. صرفاً نوشتن Sigma = 3.5 یا Sigma = 6 کافی نیست. آزمایشگاه باید بداند این عدد چه پیام فنی و مدیریتی دارد.

ارتباط سیگما متریک در آزمایشگاه با قوانین وستگارد

قوانین وستگارد (Westgard Rules) مجموعه‌ای از قوانین آماری برای تفسیر نتایج QC هستند. این قوانین روی نمودار لوی-جنینگ اعمال می‌شوند و به شناسایی خطای تصادفی و سیستماتیک کمک می‌کنند.

سیگما متریک کمک می‌کند آزمایشگاه بداند برای هر تست چه قوانین وستگاردی مناسب‌تر است. تست‌های با سیگمای بالا ممکن است با قوانین ساده‌تر و دفعات کنترل کمتر پایش شوند. تست‌های با سیگمای پایین نیاز به قوانین چندگانه، تعداد کنترل بیشتر، دفعات کنترل بیشتر و پایش دقیق‌تر دارند. استفاده یکسان از قوانین QC برای همه تست‌ها همیشه منطقی نیست.

قانون 1-2s در QC آزمایشگاه

قانون 1-2s زمانی رخ می‌دهد که یک نتیجه QC از محدوده ±2SD خارج شود. مثلاً اگر Mean کنترل 100 و SD برابر 2 باشد، محدوده ±2SD برابر 96 تا 104 است. اگر QC برابر 105 شود، قانون 1-2s رخ داده است. این قانون معمولاً قانون هشدار است، نه الزاماً رد قطعی run. باید بررسی شود آیا قوانین دیگر هم نقض شده‌اند یا نه. این قانون می‌تواند هم به خطای تصادفی و هم شروع خطای سیستماتیک حساس باشد.

قانون 1-3s در کنترل کیفیت داخلی

قانون 1-3s وقتی رخ می‌دهد که یک نتیجه QC از محدوده ±3SD خارج شود. اگر Mean برابر 100 و SD برابر 2 باشد، محدوده ±3SD برابر 94 تا 106 است. اگر QC برابر 107 شود، قانون 1-3s نقض شده است. این قانون معمولاً نشانه خطای جدی است و run باید رد شود. بیشتر به خطای تصادفی حساس است، اما در برخی موارد می‌تواند نشانه خطای سیستماتیک شدید نیز باشد.

قانون 2-2s و خطای سیستماتیک

قانون 2-2s زمانی رخ می‌دهد که دو نتیجه متوالی QC در یک سمت Mean از محدوده ±2SD عبور کنند. مثلاً روز اول QC برابر +2.3SD و روز دوم QC برابر +2.5SD باشد. این حالت معمولاً نشان‌دهنده خطای سیستماتیک است. ممکن است کالیبراسیون تغییر کرده باشد، lot معرف عوض شده باشد یا کنترل دچار مشکل شده باشد.

قانون R-4s و خطای تصادفی

قانون R-4s زمانی رخ می‌دهد که اختلاف بین دو سطح کنترل در یک run بیش از 4SD باشد. مثلاً کنترل سطح پایین -2.2SD و کنترل سطح بالا +2.1SD باشد. اختلاف تقریبی 4.3SD است. این قانون بیشتر نشانه خطای تصادفی است. مثلاً ممکن است در یکی از کنترل‌ها خطای پیپتاژ، حباب، آلودگی یا مشکل لحظه‌ای رخ داده باشد.

قانون 4-1s، 10x، 7T و 7x

قانون 4-1s وقتی رخ می‌دهد که چهار نتیجه متوالی در یک سمت Mean از محدوده ±1SD عبور کنند. این الگو معمولاً نشانه shift کوچک ولی پایدار است و بیشتر به خطای سیستماتیک حساس است. قانون 10x وقتی رخ می‌دهد که 10 نتیجه متوالی در یک سمت Mean قرار بگیرند، حتی اگر داخل ±2SD باشند. این حالت معمولاً نشانه Bias یا shift است.

قانون 7T یا Trend زمانی رخ می‌دهد که 7 نتیجه متوالی روند افزایشی یا کاهشی داشته باشند. این الگو می‌تواند نشانه drift باشد؛ مثلاً کاهش پایداری معرف، تغییر تدریجی دمای دستگاه یا مشکل در سیستم اندازه‌گیری. قانون 7x زمانی رخ می‌دهد که 7 نتیجه متوالی در یک سمت Mean باشند و بیشتر با خطای سیستماتیک، تغییر lot، کالیبراسیون یا تغییر شرایط دستگاه مرتبط است.

انتخاب قانون QC بر اساس سیگما متریک

ارتباط سیگما متریک با نمودار لوی جنینگ در آزمایشگاه

نمودار لوی-جنینگ (Levey-Jennings Chart) نموداری است که نتایج QC را در طول زمان نشان می‌دهد. محور افقی زمان یا شماره run است و محور عمودی مقدار QC را نسبت به Mean و خطوط ±1SD، ±2SD و ±3SD نشان می‌دهد.

نمودار لوی-جنینگ رفتار روزانه یا دوره‌ای QC را نشان می‌دهد؛ مثل خروج ناگهانی QC از محدوده، پراکندگی زیاد نتایج، shift، trend، نقض قوانین وستگارد و پایداری یا ناپایداری روزانه روش. اما سیگما متریک کیفیت کلی عملکرد تحلیلی تست را عددی می‌کند.

به عبارت ساده، نمودار لوی-جنینگ می‌گوید امروز و این هفته چه اتفاقی برای QC افتاده است. سیگما متریک می‌گوید این تست به‌طور کلی چقدر توانمند و قابل اعتماد است. ترکیب این دو ابزار، تصمیم‌گیری آزمایشگاه را بسیار دقیق‌تر می‌کند.

مثلاً ممکن است نمودار لوی-جنینگ یک تست در ماه اخیر خیلی بد به نظر نرسد، اما وقتی Sigma محاسبه می‌شود، عدد 2.5 به دست آید. این یعنی روش ذاتاً حاشیه ایمنی کمی دارد و حتی خطاهای کوچک می‌توانند نتیجه بیمار را تحت تأثیر قرار دهند. برعکس، ممکن است تستی Sigma بالای 6 داشته باشد، اما یک روز QC از 3SD خارج شود. در این حالت باید همان خطای روزانه بررسی شود، اما عملکرد کلی روش همچنان قوی است.

نمودارهای پیشنهادی برای مقاله سیگما متریک در آزمایشگاه

نمودار سطح‌بندی سیگما

این نمودار می‌تواند به‌صورت ستونی یا رنگی طراحی شود. در محور افقی نام تست‌ها و در محور عمودی عدد Sigma قرار می‌گیرد. رنگ سبز تیره برای Sigma ≥6، سبز روشن برای 5 تا 6، آبی برای 4 تا 5، زرد یا نارنجی برای 3 تا 4 و قرمز برای کمتر از 3 مناسب است. داده لازم شامل نام تست، Sigma هر تست، سطح کنترل و دوره زمانی است.

نمودار مقایسه Sigma تست‌های مختلف

برای تست‌هایی مانند Glucose، Urea، Creatinine، ALT، PT، aPTT و پارامترهای CBC می‌توان نمودار مقایسه‌ای رسم کرد. این نمودار برای جلسات کمیته کیفیت بسیار کاربردی است، چون عملکرد تست‌ها را کنار هم نشان می‌دهد.

نمودار لوی-جنینگ همراه با قوانین وستگارد

در این نمودار نقاط QC روی خطوط Mean، ±1SD، ±2SD و ±3SD قرار می‌گیرند. سپس مواردی مانند 1-3s، 2-2s، R-4s، 7T و 10x روی نمودار علامت‌گذاری می‌شوند. داده لازم شامل نتایج روزانه QC، Mean، SD، تاریخ و سطح کنترل است.

نمودار تصمیم‌گیری QC بر اساس Sigma

این نمودار بهتر است به شکل فلوچارت باشد: Sigma ≥6 یعنی QC ساده‌تر و پایش ماهانه؛ Sigma 4 تا 6 یعنی قوانین چندگانه منتخب و پایش منظم؛ Sigma 3 تا 4 یعنی افزایش دفعات QC و بررسی Bias/CV؛ Sigma کمتر از 3 یعنی CAPA، بررسی روش و محدود کردن گزارش‌دهی در صورت نیاز.

نمودار Method Decision Chart یا OPSpecs Chart

نمودار تصمیم‌گیری روش (Method Decision Chart) و نمودار مشخصات عملیاتی فرایند (Operational Process Specifications Chart; OPSpecs Chart) برای ارزیابی رابطه بین Bias، CV و TEa استفاده می‌شوند. این نمودارها نشان می‌دهند آیا عملکرد روش با کیفیت مورد نیاز سازگار است یا نه. در کاربرد عملی، آزمایشگاه با دانستن TEa، Bias و CV می‌تواند نقطه عملکرد روش را روی نمودار قرار دهد و ببیند آیا روش در ناحیه قابل قبول قرار دارد یا نیاز به QC سخت‌گیرانه‌تر یا اصلاح روش دارد.

منابع TEa در محاسبه سیگما متریک آزمایشگاه

انتخاب TEa یکی از حساس‌ترین بخش‌های محاسبه Sigma Metrics است. اگر برای یک تست چند TEa متفاوت وجود داشته باشد، سیگمای محاسبه‌شده نیز متفاوت خواهد شد. بنابراین آزمایشگاه باید منبع TEa را شفاف، مستند و ثابت انتخاب کند.

فرض کنید برای تست کراتینین CV = 3% و Bias = 4% است. اگر TEa = 15% باشد، Sigma برابر می‌شود با:

اما اگر TEa = 10% باشد:

پس یک روش با داده‌های یکسان، بسته به منبع TEa، می‌تواند از «مرزی» به «ضعیف» تغییر طبقه بدهد. بنابراین در گزارش ماهانه Sigma باید حتماً نوشته شود TEa از کدام منبع انتخاب شده است.

کاربردهای عملی سیگما متریک در آزمایشگاه

سیگما متریک در آزمایشگاه زمانی ارزشمند است که به تصمیم عملی منجر شود. این شاخص می‌تواند برای انتخاب تعداد کنترل‌ها، انتخاب قوانین وستگارد، تعیین دفعات QC، شناسایی تست‌های پرریسک، اولویت‌بندی اقدامات اصلاحی، مقایسه عملکرد دستگاه‌ها و کیت‌ها، ارزیابی عملکرد قبل و بعد از تعویض کیت یا کالیبراتور، پایش ماهانه کیفیت تست‌ها، مستندسازی برای اعتباربخشی و طراحی کنترل کیفیت مبتنی بر ریسک استفاده شود.

انتخاب تعداد کنترل‌ها بر اساس Sigma Metrics

برای تست‌هایی با Sigma بالا، ممکن است دو سطح کنترل در زمان‌های مشخص کافی باشد. اما برای تست‌هایی با Sigma پایین، باید تعداد کنترل‌ها یا دفعات کنترل بیشتر شود. مثلاً Glucose با Sigma = 6.2 ممکن است با QC روتین کنترل شود، اما PT با Sigma = 2.2 نیاز به QC بیشتر، بررسی روش و CAPA دارد.

مقایسه دستگاه‌ها، کیت‌ها و روش‌ها

اگر آزمایشگاه یک تست را روی دو دستگاه انجام می‌دهد، می‌تواند Sigma هر دستگاه را مقایسه کند. برای مثال اگر Glucose روی دستگاه A سیگمای 6.1 و روی دستگاه B سیگمای 4.2 داشته باشد، هر دو قابل استفاده‌اند اما دستگاه A عملکرد تحلیلی بهتری نشان می‌دهد. اگر Creatinine روی دستگاه A سیگمای 3.8 و روی دستگاه B سیگمای 2.7 داشته باشد، دستگاه B برای کراتینین نیازمند بررسی دقیق‌تر است.

بررسی اثر تغییر lot معرف

بعد از تعویض lot معرف، ممکن است Bias تغییر کند. محاسبه Sigma قبل و بعد از تعویض lot می‌تواند اثر تغییر را نشان دهد. مثلاً اگر lot قبلی CV = 2%، Bias = 2% و TEa = 10% داشته باشد، Sigma برابر 4 است. اگر lot جدید با همان CV، Bias = 6% داشته باشد، Sigma به 2 کاهش می‌یابد. در این حالت lot جدید باعث افت جدی Sigma شده است.

اشتباهات رایج در استفاده از سیگما متریک در آزمایشگاه

استفاده نادرست از سیگما متریک می‌تواند خطرناک باشد، چون به آزمایشگاه حس امنیت کاذب می‌دهد. رایج‌ترین خطاها شامل محاسبه Sigma با داده کم، حذف غیرعلمی outlier، نادیده گرفتن Bias، استفاده از TEa آسان‌گیرانه، یکسان گرفتن سطح نرمال و پاتولوژیک، استفاده از Sigma بدون اقدام عملی و استفاده از یک قانون QC ثابت برای همه تست‌ها است.

محاسبه Sigma با داده کم

استفاده از 5 یا 10 داده QC برای محاسبه CV قابل اعتماد نیست. داده باید کافی و نماینده باشد. اگر دوره بررسی خیلی کوتاه باشد، CV ممکن است کمتر یا بیشتر از واقعیت دیده شود.

حذف غیرعلمی outlier

اگر داده‌های بد را بدون مستندات حذف کنیم، CV مصنوعی پایین می‌آید و Sigma غیرواقعی بالا می‌رود. Outlier باید بررسی، مستندسازی و بر اساس SOP مدیریت شود.

نادیده گرفتن Bias در محاسبه سیگما

بعضی آزمایشگاه‌ها فقط TEa/CV را حساب می‌کنند و Bias را صفر فرض می‌کنند. این کار معمولاً باعث خوش‌بینی کاذب می‌شود. Bias باید از EQA/PT، مقدار هدف معتبر یا مقایسه روش تخمین زده شود.

استفاده از Sigma بدون اقدام عملی

اگر Sigma محاسبه شود ولی قوانین QC، CAPA، بررسی Bias، بازنگری SOP یا پایش ماهانه تغییر نکند، عملاً ارزشی ایجاد نشده است.

محدودیت‌های سیگما متریک در آزمایشگاه

سیگما متریک ابزار قدرتمندی است، اما کامل نیست. عدد Sigma شدیداً به TEa وابسته است. اگر CV و Bias نادرست باشند، Sigma هم نادرست خواهد بود. برای تست‌های کیفی، نیمه‌کمی یا تفسیری، محاسبه Sigma به شکل کلاسیک همیشه مناسب نیست.

همچنین سیگما متریک بیشتر عملکرد تحلیلی را نشان می‌دهد و خطاهایی مثل نمونه‌گیری اشتباه، همولیز، تأخیر در ارسال نمونه یا خطای ثبت را مستقیماً نشان نمی‌دهد. بنابراین سیگما جایگزین شاخص‌های کیفیت پیش‌تحلیلی و پس‌تحلیلی نیست.

سیگما فقط یک عدد است. تفسیر آن باید توسط فردی انجام شود که روش، دستگاه، QC، EQA و اهمیت بالینی تست را می‌شناسد.

سیگما متریک در آزمایشگاه انعقاد و هماتولوژی

سیگما متریک در PT، aPTT و INR

در تست‌های انعقادی مانند PT، زمان نسبی ترومبوپلاستین فعال‌شده (Activated Partial Thromboplastin Time; aPTT) و INR، Sigma می‌تواند بسیار مفید باشد، اما این تست‌ها به عوامل پیش‌تحلیلی بسیار حساس هستند.

عوامل مؤثر شامل نسبت خون به سیترات، هماتوکریت بالا، زمان سانتریفیوژ، سرعت سانتریفیوژ، باقی ماندن پلاکت در پلاسما، زمان نگهداری پلاسما، دمای نگهداری نمونه، حساسیت معرف، lot معرف، ISI در PT/INR، کالیبراسیون دستگاه و کیفیت کنترل هستند.

اگر PT Sigma پایین دارد، نباید فقط دستگاه را مقصر دانست. ممکن است مشکل از مرحله نمونه‌گیری یا آماده‌سازی پلاسما باشد.

سیگما متریک در Fibrinogen

در فیبرینوژن (Fibrinogen)، CV ممکن است تحت تأثیر کیفیت پلاسما، روش Clauss، کالیبراسیون، رقت نمونه و حساسیت معرف قرار گیرد. Bias نیز می‌تواند از EQA یا مقایسه با روش دیگر تخمین زده شود.

سیگما متریک در CBC Parameters

در شمارش کامل خون (Complete Blood Count; CBC)، پارامترهایی مانند هموگلوبین (Hemoglobin; Hb)، شمارش گلبول سفید (White Blood Cell Count; WBC)، شمارش گلبول قرمز (Red Blood Cell Count; RBC)، هماتوکریت (Hematocrit; Hct)، حجم متوسط گلبول قرمز (Mean Corpuscular Volume; MCV) و شمارش پلاکت (Platelet Count; PLT) را می‌توان از نظر Sigma بررسی کرد.

در CBC، پارامترهایی مانند Hb، WBC، RBC و MCV معمولاً پایدارتر هستند، اما PLT به‌ویژه در محدوده پایین می‌تواند چالش‌برانگیز باشد.

در این مثال، عملکرد کلی CBC خوب به نظر می‌رسد، اما PLT در سطح پایین مشکل دارد. این نکته از نظر بالینی مهم است، چون پلاکت پایین در تصمیم‌گیری‌های خونریزی، انتقال پلاکت و پیگیری بیماران هماتولوژی اهمیت دارد.

سیگما متریک در آزمایشگاه بیوشیمی

در بیوشیمی، Sigma Metrics برای تست‌های روتین بسیار کاربردی است. تست‌هایی مانند Glucose، Creatinine، Urea، ALT، AST، ALP، Bilirubin، Electrolytes و Albumin را می‌توان بر اساس TEa، CV و Bias از نظر عملکرد تحلیلی مقایسه کرد.

در این جدول، Glucose و ALT عملکرد عالی دارند. اما Sodium با Sigma = 1.7 پرریسک است. چون سدیم از نظر بالینی بسیار مهم است، باید سریع بررسی شود. حتی اگر QC روزانه گاهی قبول شود، عملکرد کلی روش قابل دفاع نیست.

اقدامات برای Sodium شامل بررسی کالیبراسیون ISE، بررسی کیفیت محلول‌های الکترولیت، بررسی drift دستگاه، بررسی کیفیت آب، بررسی مقایسه با دستگاه دیگر، بررسی EQA و افزایش QC تا زمان اصلاح مشکل است.

اقدامات اصلاحی بر اساس سطح سیگما متریک

وقتی Sigma پایین است، ابتدا باید مشخص کنیم مشکل از کجاست. اگر CV بالا و Bias کم باشد، مشکل اصلی Precision ضعیف است. اگر Bias بالا و CV خوب باشد، مشکل اصلی Accuracy ضعیف‌تر است. اگر هم CV بالا باشد و هم Bias بالا، مشکل جدی‌تر است و باید CAPA کامل تعریف شود.

حالت اول: CV بالا، Bias کم

فرض کنید TEa = 10%، Bias = 1% و CV = 5% است. در این حالت Sigma برابر 1.8 است. مشکل اصلی Precision ضعیف است. اقدامات شامل بررسی پایداری کنترل، آماده‌سازی کنترل، پیپتاژ، probe، دمای دستگاه، سرویس دستگاه، mixing و آموزش اپراتور است.

حالت دوم: Bias بالا، CV خوب

فرض کنید TEa = 10%، Bias = 7% و CV = 1% است. در این حالت Sigma برابر 3 است. مشکل اصلی Accuracy ضعیف‌تر است. اقدامات شامل بررسی کالیبراسیون، مقدار هدف EQA، peer group، lot معرف، مقایسه با دستگاه دیگر، کالیبراتور و فاکتورهای محاسباتی است.

حالت سوم: هم CV بالا، هم Bias بالا

فرض کنید TEa = 10%، Bias = 5% و CV = 4% است. در این حالت Sigma برابر 1.25 است. مشکل جدی است. باید CAPA کامل تعریف شود و تا زمان اصلاح، گزارش نتایج پرریسک با احتیاط انجام شود.

قالب گزارش ماهانه سیگما متریک در آزمایشگاه

گزارش ماهانه Sigma Metrics باید هم برای کارشناس QC قابل استفاده باشد و هم برای مسئول فنی و مدیر کیفیت قابل تصمیم‌گیری. در این گزارش باید نام تست، دستگاه یا روش، سطح کنترل، Mean، SD، CV%، Bias%، TEa%، منبع TEa، Sigma، سطح عملکرد، قانون QC پیشنهادی، اقدام اصلاحی یا پیشگیرانه، مسئول پیگیری و تاریخ بازبینی مشخص باشد.

مثال از تفسیر مدیریتی سیگما متریک در آزمایشگاه

فرض کنیم آزمایشگاهی 20 تست را بررسی کرده و نتیجه زیر به دست آمده است: 6 تست Sigma ≥6، 4 تست Sigma بین 5 تا 6، 5 تست Sigma بین 4 تا 5، 3 تست Sigma بین 3 تا 4 و 2 تست Sigma کمتر از 3 دارند. دو تست با Sigma کمتر از 3 عبارت‌اند از Sodium و PT abnormal control.

مسئول فنی نباید فقط بگوید «از این به بعد کنترل بیشتری بزنید». این پاسخ کافی نیست. باید برای هر تست علت‌یابی انجام شود.

برای Sodium احتمال‌هایی مانند مشکل کالیبراسیون ISE، drift الکترود، محلول الکترولیت نامناسب، خطای نگهداری reagent، Bias در EQA، مشکل کیفیت آب و اختلاف روش با peer group مطرح است. CAPA باید شامل بررسی کالیبراسیون، مقایسه با دستگاه دیگر، بررسی EQA، کنترل روزانه بیشتر و بازبینی بعد از اصلاح باشد.

برای PT احتمال‌هایی مانند حساسیت lot معرف، مشکل ISI، کنترل ناپایدار، سانتریفیوژ نامناسب، پلاسمای دارای پلاکت زیاد، نسبت خون به سیترات، نگهداری نامناسب نمونه و سرویس کوآگولومتر مطرح است. CAPA باید هم مرحله تحلیلی و هم پیش‌تحلیلی را بررسی کند.

ارتباط سیگما متریک با CAPA و مدیریت ریسک آزمایشگاه

اقدام اصلاحی و پیشگیرانه (Corrective and Preventive Action; CAPA) زمانی ارزش دارد که بر اساس داده واقعی تعریف شود. Sigma Metrics یکی از بهترین داده‌ها برای ورود به CAPA است.

در CAPA، Sigma می‌تواند برای شناسایی مشکل، تحلیل علت، اقدام اصلاحی، اقدام پیشگیرانه و ارزیابی اثربخشی استفاده شود. Sigma پایین نشان‌دهنده ریسک است. CV و Bias مشخص می‌کنند مشکل از دقت است یا صحت. بر اساس علت، کالیبراسیون، معرف، دستگاه یا اپراتور بررسی می‌شود. بعد از اقدام اصلاحی، Sigma دوباره محاسبه می‌شود تا اثربخشی CAPA مشخص شود.

مثلاً قبل از CAPA، Sigma PT برابر 2.2 است. اقدامات شامل تعویض lot کنترل، بررسی سانتریفیوژ، کالیبراسیون مجدد، آموزش نمونه‌گیری سیتراته و بازبینی SOP انجام می‌شود. بعد از یک ماه، CV از 5% به 3% کاهش می‌یابد و Bias از 4% به 2% می‌رسد. اگر TEa = 15% باشد:

نتیجه: CAPA مؤثر بوده است.

مقالات مرتبط دیگر برای تکمیل دانش کنترل کیفیت آزمایشگاه

برخی مقالات زیر به‌صورت مستقیم در متن استفاده شدند و برخی دیگر برای تکمیل مسیر آموزشی کنترل کیفیت آزمایشگاه مفید هستند.

نتیجه‌گیری؛ ارزش واقعی سیگما متریک در کنترل کیفیت آزمایشگاه

سیگما متریک ابزاری قدرتمند برای تبدیل داده‌های کنترل کیفیت آزمایشگاه به تصمیم فنی، مدیریتی و مبتنی بر ریسک است. این شاخص به آزمایشگاه کمک می‌کند بفهمد کدام تست‌ها عملکرد عالی دارند، کدام تست‌ها قابل قبول‌اند، کدام تست‌ها مرزی هستند و کدام تست‌ها نیاز به اقدام اصلاحی دارند.

اما سیگما متریک زمانی ارزش واقعی دارد که آزمایشگاه بر اساس آن عمل کند. محاسبه Sigma بدون اصلاح QC Strategy، بدون بررسی CV و Bias، بدون انتخاب TEa معتبر، بدون CAPA و بدون پایش ماهانه، فقط یک عدد زیبا در گزارش کیفیت است.

برای استفاده درست از Sigma Metrics باید TEa معتبر و مستند انتخاب شود، CV از داده‌های پایدار و واقعی IQC محاسبه شود، Bias از منبع معتبر مثل EQA/PT یا مقایسه روش تخمین زده شود، Sigma برای هر سطح کنترل جداگانه محاسبه شود، قوانین وستگارد بر اساس Sigma انتخاب شوند، تست‌های با Sigma پایین وارد CAPA و مدیریت ریسک شوند و اثر اقدامات اصلاحی با محاسبه مجدد Sigma بررسی شود.

در نهایت، سیگما متریک جایگزین دانش مسئول فنی، تجربه کارشناس QC و شناخت روش آزمایشگاهی نیست. این ابزار کمک می‌کند تصمیم‌های آزمایشگاه عددی، مستند، قابل دفاع و قابل پایش شوند.

سوالات رایج درباره سیگما متریک در آزمایشگاه

منابع معتبر برای مطالعه بیشتر

1. CLSI C24؛ Statistical Quality Control for Quantitative Measurement Procedures
2. Westgard QC؛ منابع آموزشی قوانین وستگارد، Sigma Metrics و QC Planning
3. Westgard OPSpecs Charts؛ ارتباط بین کیفیت مورد نیاز، Bias، CV و QC Procedure
4. EFLM Biological Variation Database
5. CLIA / CMS؛ Clinical Laboratory Improvement Amendments
6. 42 CFR Part 493؛ Laboratory Requirements
7. Evaluation of Sigma Metrics and Westgard Rule Selection in Clinical Laboratory
8. Parvin CA؛ نکات مرتبط با CLSI C24 و کنترل کیفیت آماری آزمایشگاه