محاسبه بایاس در آزمایشگاه؛ آموزش کامل فرمول Bias، خطای مجاز و توتال ارور

محاسبه بایاس در آزمایشگاه (Bias Calculation in Laboratory) یکی از حیاتی‌ترین ستون‌های کنترل کیفیت تحلیلی است که میزان خطای سیستماتیک، انحراف پایدار و فاصله میانگین نتایج یک تست از مقدار واقعی یا هدف را تعیین می‌کند. ارزیابی دقیق درصد بایاس به همراه ضریب تغییرات (CV%)، امکان محاسبه خطای کل (Total Error) و شاخص سیگما متریک را فراهم کرده و از گزارش نتایج نادرست بالینی و به خطر افتادن ایمنی بیماران جلوگیری می‌نماید.

جهت عضویت در کانال آموزشی در تلگرام به لینک زیر مراجعه کنید:

https://t.me/Heamostica

🚀 عضویت در کانال تلگرام هموستیکا

فهرست مطالب مقاله (دسترسی سریع)

• ۱. مقدمه و اهمیت کنترل کیفیت مدرن
• ۲. بایاس در آزمایشگاه چیست؟ (Systematic Error)
• ۳. تفاوت بایاس با خطای تصا‌دفی و CV چیست؟
• ۴. چرا محاسبه بایاس در آزمایشگاه مهم است؟
• ۵. فرمول محاسبه Bias در آزمایشگاه به همراه مثال عددی
• ۶. فرمول محاسبه درصد بایاس (Bias%)
• ۷. بررسی مفاهیم بایاس مثبت و بایاس منفی
• ۸. روش‌های چهارگانه محاسبه بایاس در آزمایشگاه
• ۹. دستورالعمل تعیین خطای مجاز در آزمایشگاه (TEa)
• ۱۰. فرمول محاسبه توتال ارور (Total Error) در آزمایشگاه
• ۱۱. ارتباط بایاس با شاخص شش سیگما متریک (Sigma Metrics)
• ۱۲. جدول خلاصه فرمول‌های محاسباتی کنترل کیفیت
• ۱۳. مثال جامع و گام‌به‌گام برای آنالیت ALT
• ۱۴. منابع شایع و علل اصلی ایجاد بایاس
• ۱۵. زمان‌های طلایی محاسبه و ارزیابی Bias
• ۱۶. تفسیر بالینی و استانداردهای بایاس مجاز
• ۱۷. تمایز اصطلاحات Bias، Inaccuracy و Systematic Error
• ۱۸. نقش کنترل کیفی داخلی (IQC) و قوانین وستگارد
• ۱۹. خطاهای رایج در حین فرآیند محاسبه بایاس
• ۲۰. اقدامات اصلاحی در صورت فراتر رفتن خطای سیستماتیک
• ۲۱. راهنمای فرمول‌نویسی محاسبه بایاس در اکسل
• ۲۲. جدول آماده نمونه ثبت و پایش ماهیانه پارامترها
• ۲۳. بخش سوالات متداول و تخصصی (FAQ)
• ۲۴. مراجع و منابع علمی مرجع معتبر

مقدمه

محاسبه بایاس در آزمایشگاه یکی از مهم‌ترین بخش‌های کنترل کیفیت، اعتبارسنجی روش‌ها و ارزیابی عملکرد دستگاه‌ها و کیت‌های آزمایشگاهی است. بسیاری از آزمایشگاه‌ها فقط به نتایج کنترل کیفی روزانه، نمودار لوی جنینگ و قوانین وستگارد توجه می‌کنند؛ اما اگر بایاس یک تست به‌درستی محاسبه نشود، ممکن است نتایج آزمایش از نظر تکرارپذیری خوب به‌نظر برسند، ولی از مقدار واقعی بیمار فاصله داشته باشند.

به زبان ساده، ممکن است دستگاه هر روز عددهای نزدیک به هم بدهد، اما همه آن عددها کمی بالاتر یا پایین‌تر از مقدار واقعی باشند. این همان خطای سیستماتیک یا Bias است. به همین دلیل، در کنترل کیفیت حرفه‌ای آزمایشگاه، فقط بررسی CV کافی نیست و باید بایاس، خطای مجاز، توتال ارور و در نهایت سیگما متریک نیز محاسبه شوند.

در این مقاله، مفهوم بایاس در آزمایشگاه، فرمول محاسبه Bias، روش محاسبه درصد بایاس، فرمول محاسبه توتال ارور، دستورالعمل تعیین خطای مجاز در آزمایشگاه و کاربرد بایاس در سیگما متریک را به زبان ساده و کاربردی بررسی می‌کنیم.

مطالعه بیشتر در همین زمینه:

پیش از عمیق شدن در محاسبات ریاضی بایاس، پیشنهاد می‌کنیم مقاله جامع زیر را درباره انواع خطاهای آزمایشگاهی و تفاوت‌های بنیادین آن‌ها مطالعه کنید:

🔗 مطالعه مقاله خطای تصادفی و سیستماتیک در آزمایشگاه؛ تفاوت‌ها و روش تشخیص

بایاس در آزمایشگاه چیست؟

بایاس در آزمایشگاه به اختلاف سیستماتیک بین میانگین نتایج به‌دست‌آمده از یک روش آزمایشگاهی و مقدار واقعی، مقدار هدف یا مقدار مرجع گفته می‌شود.

اگر یک تست آزمایشگاهی به‌طور مداوم عددی بالاتر یا پایین‌تر از مقدار واقعی گزارش کند، آن تست دارای بایاس است. بایاس برخلاف خطای تصادفی (Random Error)، جهت مشخص دارد. یعنی معمولاً نتیجه را به‌صورت مداوم به یک سمت منحرف می‌کند؛ یا بالاتر از مقدار واقعی، یا پایین‌تر از مقدار واقعی.

برای مثال، اگر مقدار واقعی گلوکز یک نمونه 100 mg/dL باشد، اما دستگاه آزمایشگاه در چند بار اندازه‌گیری میانگین 106 mg/dL را نشان دهد، بایاس تست برابر با +6 mg/dL است. اگر میانگین نتایج 94 mg/dL باشد، بایاس برابر با -6 mg/dL خواهد بود.

بنابراین، بایاس نشان می‌دهد که روش آزمایشگاهی از نظر صحت یا Trueness چقدر به مقدار واقعی نزدیک است.

تفاوت بایاس با خطای تصادفی و CV چیست؟

یکی از اشتباهات رایج در آزمایشگاه‌ها این است که بایاس، CV، دقت و صحت به جای یکدیگر استفاده می‌شوند. این مفاهیم به هم مرتبط هستند، اما یکسان نیستند.

CV یا ضریب تغییرات (Coefficient of Variation)، میزان پراکندگی نتایج را نشان می‌دهد. اگر CV پایین باشد، یعنی نتایج یک تست تکرارپذیری خوبی دارند. اما CV پایین الزاماً به معنی صحیح بودن نتیجه نیست.

بایاس نشان‌دهنده فاصله میانگین نتایج از مقدار هدف است. بنابراین بایاس بیشتر با صحت یا Accuracy/Trueness مرتبط است، در حالی که CV بیشتر با Precision یا تکرارپذیری ارتباط دارد.

به زبان ساده:

• CV نشان می‌دهد نتایج چقدر به هم نزدیک هستند.
• Bias نشان می‌دهد نتایج چقدر به مقدار واقعی نزدیک هستند.
• Total Error نشان می‌دهد مجموع اثر بایاس و عدم‌دقت چقدر است.

برای درک بهتر، فرض کنید یک دستگاه همیشه عدد گلوکز را حدود ۱۰ واحد بالاتر از مقدار واقعی نشان می‌دهد، اما این کار را با تکرارپذیری بسیار خوب انجام می‌دهد. در این حالت CV پایین است، اما بایاس بالاست. بنابراین روش از نظر Precision خوب است، ولی از نظر Accuracy مشکل دارد.

چرا محاسبه بایاس در آزمایشگاه مهم است؟

محاسبه بایاس فقط یک کار آماری نیست. بایاس مستقیماً با ایمنی بیمار، تصمیم‌گیری بالینی، اعتبار آزمایشگاه و کیفیت نتایج ارتباط دارد.

اگر بایاس یک تست زیاد باشد، ممکن است نتیجه بیمار در محدوده طبیعی یا غیرطبیعی اشتباه طبقه‌بندی شود. برای مثال، بایاس مثبت در تست‌هایی مثل گلوکز، کراتینین، PT، INR، TSH یا الکترولیت‌ها می‌تواند باعث تفسیر اشتباه وضعیت بیمار شود.

محاسبه بایاس در موارد زیر اهمیت زیادی دارد:

• اعتبارسنجی یا Verification روش جدید
• مقایسه دو دستگاه یا دو کیت
• بررسی عملکرد دستگاه پس از نصب
• بررسی تغییر Lot کیت یا کالیبراتور
• ارزیابی نتایج کنترل کیفی خارجی یا EQA
• محاسبه Total Error
• محاسبه Sigma Metrics
• تعیین مناسب بودن روش برای استفاده بالینی
• شناسایی خطاهای سیستماتیک در آزمایشگاه
• طراحی برنامه کنترل کیفی مبتنی بر ریسک

بنابراین، آزمایشگاهی که فقط QC روزانه را ثبت می‌کند اما بایاس را محاسبه نمی‌کند، تصویر کاملی از عملکرد واقعی تست‌های خود ندارد.

مطلب پیشنهادی برای مستندسازی کنترل کیفیت:

برای درک چگونگی یکپارچه‌سازی مفاهیم پایه‌ای خطا و دقت با سیستم‌های آماری، مقاله جامع زیر را از دست ندهید:

🔗 مطالعه مقاله مفاهیم پایه کنترل کیفی آزمایشگاه؛ از خطا تا وستگارد

فرمول محاسبه Bias در آزمایشگاه

ساده‌ترین فرمول محاسبه بایاس به صورت زیر است:

یعنی:

اگر مقدار به‌دست‌آمده مثبت باشد، یعنی تست به‌طور میانگین بالاتر از مقدار هدف گزارش می‌شود. اگر مقدار منفی باشد، یعنی تست به‌طور میانگین پایین‌تر از مقدار هدف گزارش می‌شود.

مثال محاسبه Bias

فرض کنید مقدار هدف برای یک نمونه کنترل گلوکز برابر با 100 mg/dL است. آزمایشگاه این نمونه را چند بار اندازه‌گیری کرده و میانگین نتایج برابر با 104 mg/dL شده است.

در این حالت:

Bias = 104 – 100 = +4 mg/dL
یعنی روش آزمایشگاهی به‌طور میانگین 4 mg/dL بالاتر از مقدار هدف گزارش می‌کند.

اگر میانگین نتایج 96 mg/dL بود:

Bias = 96 – 100 = -4 mg/dL
یعنی روش آزمایشگاهی به‌طور میانگین 4 mg/dL پایین‌تر از مقدار هدف گزارش می‌کند.

فرمول محاسبه درصد بایاس یا Bias%

در بسیاری از موارد، مخصوصاً برای مقایسه تست‌های مختلف، بهتر است بایاس به‌صورت درصد بیان شود. فرمول محاسبه درصد بایاس به شکل زیر است:

یا به زبان ساده:

مثال محاسبه Bias%

فرض کنید مقدار هدف کلسترول برابر با 200 mg/dL است و میانگین نتایج آزمایشگاه برابر با 210 mg/dL به‌دست آمده است.

Bias% = [(210 – 200) / 200] × 100 = 5%
یعنی تست کلسترول در این آزمایشگاه دارای بایاس مثبت ۵ درصد است.

اگر میانگین نتایج 190 mg/dL باشد:

Bias% = [(190 – 200) / 200] × 100 = -5%
یعنی تست دارای بایاس منفی ۵ درصد است.

در محاسبات مربوط به Total Error و Sigma Metrics معمولاً از قدر مطلق Bias استفاده می‌شود، چون هدف این است که میزان انحراف از مقدار هدف مشخص شود، نه جهت آن.

بایاس مثبت و بایاس منفی یعنی چه؟

بایاس مثبت یعنی نتیجه آزمایش به‌طور سیستماتیک بالاتر از مقدار واقعی یا مقدار هدف گزارش می‌شود.

بایاس منفی یعنی نتیجه آزمایش به‌طور سیستماتیک پایین‌تر از مقدار واقعی یا مقدار هدف گزارش می‌شود.

برای مثال:

• اگر مقدار واقعی کراتینین 1.0 mg/dL باشد و دستگاه به‌طور میانگین 1.1 mg/dL گزارش کند، بایاس مثبت وجود دارد.
• اگر مقدار واقعی کراتینین 1.0 mg/dL باشد و دستگاه به‌طور میانگین 0.9 mg/dL گزارش کند، بایاس منفی وجود دارد.

از نظر بالینی، هر دو نوع بایاس مهم هستند. در بعضی تست‌ها بایاس مثبت خطرناک‌تر است و در بعضی تست‌ها بایاس منفی. برای مثال، در تست‌هایی که تصمیم درمانی بر اساس Cut-off انجام می‌شود، حتی یک بایاس کوچک هم می‌تواند باعث جابه‌جایی نتیجه از محدوده طبیعی به غیرطبیعی یا برعکس شود.

روش‌های محاسبه بایاس در آزمایشگاه

برای محاسبه بایاس در آزمایشگاه چند روش عملی وجود دارد. انتخاب روش مناسب بستگی به نوع تست، امکانات آزمایشگاه، دسترسی به مواد مرجع، برنامه کنترل کیفی خارجی و هدف ارزیابی دارد.

۱. محاسبه بایاس با استفاده از ماده مرجع یا کنترل با مقدار مشخص

در این روش، آزمایشگاه از یک نمونه کنترل یا ماده مرجع استفاده می‌کند که مقدار هدف آن مشخص است. نمونه چند بار آزمایش می‌شود و میانگین نتایج آزمایشگاه با مقدار هدف مقایسه می‌شود.

این روش برای بررسی اولیه عملکرد دستگاه و کیت بسیار مفید است، اما باید توجه داشت که همه مواد کنترل، رفتار کاملاً مشابه نمونه بیمار ندارند. بنابراین اگر ماده کنترل Matrix متفاوتی داشته باشد، ممکن است بایاس محاسبه‌شده دقیقاً معادل بایاس در نمونه‌های واقعی بیماران نباشد.

۲. محاسبه بایاس با استفاده از کنترل کیفی خارجی یا EQA

در برنامه‌های کنترل کیفی خارجی، یک نمونه ناشناخته برای چند آزمایشگاه ارسال می‌شود و نتیجه هر آزمایشگاه با مقدار هدف یا میانگین گروه مقایسه می‌شود. اختلاف نتیجه آزمایشگاه با مقدار هدف می‌تواند برای تخمین بایاس استفاده شود.

فرمول ساده در این حالت چنین است:

Bias% = [(Your result – Target value) / Target value] × 100
در این روش باید دقت کرد که مقدار هدف چگونه تعیین شده است. اگر مقدار هدف بر اساس Reference Method تعیین شده باشد، اعتبار بالاتری دارد. اگر مقدار هدف بر اساس Peer Group Mean باشد، نتیجه بیشتر نشان‌دهنده اختلاف آزمایشگاه با گروه مشابه است، نه الزاماً اختلاف با مقدار واقعی مطلق.

۳. محاسبه بایاس با استفاده از مقایسه روش‌ها

یکی از روش‌های مهم و استاندارد برای ارزیابی بایاس، مقایسه روش جدید با یک روش مرجع، روش قبلی یا دستگاه مقایسه‌ای است. در این حالت، تعدادی نمونه بیمار با هر دو روش آزمایش می‌شوند و اختلاف نتایج بررسی می‌شود.

فرمول ساده برای هر نمونه:

Difference = New method result – Comparative method result
سپس میانگین اختلاف‌ها محاسبه می‌شود:

Average Bias = Sum of differences / Number of samples
اگر اختلاف‌ها به‌صورت درصدی بیان شوند:

Bias% = [(New method result – Comparative method result) / Comparative method result] × 100
این روش مخصوصاً هنگام نصب دستگاه جدید، تغییر روش، تغییر کیت یا اعتبارسنجی روش بسیار کاربردی است.

۴. محاسبه بایاس در Medical Decision Level

در بعضی تست‌ها، بایاس باید در سطح تصمیم‌گیری پزشکی (Medical Decision Level) بررسی شود. منظور از Medical Decision Level محدوده‌ای است که در آن نتیجه آزمایش روی تصمیم پزشک اثر مهم دارد.

برای مثال:

• گلوکز در محدوده تشخیص دیابت
• HbA1c در محدوده تشخیص یا پایش دیابت
• کراتینین در محدوده تصمیم‌گیری درباره عملکرد کلیه
• INR در محدوده تنظیم دوز داروهای ضدانعقاد
• TSH در محدوده تشخیص کم‌کاری یا پرکاری تیروئید

در این موارد، میانگین کلی بایاس ممکن است کافی نباشد. باید بررسی شود که روش در محدوده‌های حساس بالینی چه مقدار بایاس دارد.

دستورالعمل تعیین خطای مجاز در آزمایشگاه

خطای مجاز در آزمایشگاه یا Allowable Total Error که به اختصار TEa گفته می‌شود، بیشترین خطایی است که برای یک تست قابل قبول در نظر گرفته می‌شود، بدون اینکه نتیجه از نظر بالینی غیرقابل اعتماد شود.

به زبان ساده، TEa مشخص می‌کند که مجموع خطای سیستماتیک و خطای تصادفی تا چه حد قابل قبول است.

برای تعیین خطای مجاز در آزمایشگاه، چند منبع مختلف وجود دارد:

۱. منابع مبتنی بر تغییرات بیولوژیک

در این روش، خطای مجاز بر اساس Biological Variation تعیین می‌شود. یعنی بررسی می‌شود که یک آنالیت به‌طور طبیعی در بدن فرد و بین افراد مختلف چقدر تغییر می‌کند. سپس بر اساس این تغییرات، اهداف کیفی برای Bias، CV و Total Error تعریف می‌شود.

این روش از نظر علمی بسیار ارزشمند است، اما برای همه تست‌ها به‌راحتی قابل استفاده نیست و نیازمند دسترسی به بانک‌های اطلاعاتی معتبر تغییرات بیولوژیک است.

۲. منابع قانونی و اعتباربخشی

در بعضی کشورها، سازمان‌های اعتباربخشی یا نهادهای قانونی برای هر تست، خطای مجاز مشخصی تعیین کرده‌اند. برای مثال، CLIA در آمریکا برای بسیاری از تست‌ها معیارهای قابل قبول تعریف کرده است.

در آزمایشگاه‌های ایران نیز بهتر است خطای مجاز بر اساس الزامات اعتباربخشی، دستورالعمل‌های وزارت بهداشت، برنامه‌های EQA، منابع علمی معتبر و ماهیت بالینی تست انتخاب شود.

۳. منابع مبتنی بر وضعیت بالینی بیمار

در بعضی تست‌ها، خطای مجاز باید بر اساس اثر نتیجه روی تصمیم درمانی تعیین شود. هرچه تست از نظر بالینی حساس‌تر باشد، خطای مجاز باید سخت‌گیرانه‌تر انتخاب شود.

برای مثال، خطای قابل قبول در تست‌هایی مثل INR، پتاسیم، کلسیم، تروپونین یا قند خون در محدوده تصمیم‌گیری بالینی باید با دقت بیشتری بررسی شود.

۴. منابع تولیدکننده یا Manufacturer

گاهی شرکت سازنده کیت یا دستگاه، محدوده عملکرد قابل قبول را اعلام می‌کند. این اطلاعات می‌تواند مفید باشد، اما نباید تنها معیار آزمایشگاه باشد. چون هدف تولیدکننده الزاماً با نیاز بالینی و استانداردهای اعتباربخشی یکسان نیست.

فرمول محاسبه توتال ارور در آزمایشگاه

توتال ارور (Total Analytical Error) ترکیبی از بایاس و عدم‌دقت روش است. به عبارت دیگر، توتال ارور نشان می‌دهد که نتیجه نهایی تست تحت تأثیر خطای سیستماتیک و خطای تصادفی چقدر ممکن است از مقدار واقعی فاصله بگیرد.

فرمول رایج محاسبه توتال ارور به شکل زیر است:

در بعضی منابع آموزشی و کاربردی، مخصوصاً برای ساده‌سازی در کنترل کیفیت، از فرمول زیر نیز استفاده می‌شود:

در این فرمول:

• Bias% نشان‌دهنده خطای سیستماتیک است.
• CV% نشان‌دهنده عدم‌دقت یا پراکندگی نتایج است.
• عدد 1.65 یا 2 برای پوشش اثر خطای تصادفی در محاسبه خطای کل استفاده می‌شود.

مثال محاسبه Total Error

فرض کنید برای تست گلوکز:

• Bias% = 3%
• CV% = 2%

اگر از فرمول 1.65 استفاده کنیم:

TE = 3 + 1.65 × 2 = 3 + 3.3 = 6.3%
اگر خطای مجاز یا TEa برای گلوکز 10% باشد، این روش از نظر Total Error قابل قبول است، چون Total Error محاسبه‌شده کمتر از TEa است.

اما اگر TEa برابر 5% باشد، این روش قابل قبول نیست، چون Total Error از خطای مجاز بیشتر شده است.

ارتباط بایاس با سیگما متریک در آزمایشگاه

سیگما متریک (Sigma Metric) یکی از کاربردی‌ترین شاخص‌ها برای ارزیابی کیفیت عملکرد تست‌های آزمایشگاهی است. برای محاسبه سیگما متریک، به سه عدد نیاز داریم:

۱. TEa یا خطای کل مجاز

۲. Bias%

۳. CV%

فرمول رایج سیگما متریک به شکل زیر است:

این فرمول نشان می‌دهد که بعد از کم کردن سهم خطای سیستماتیک از خطای مجاز، چه مقدار فضا برای خطای تصادفی باقی می‌ماند.

مثال محاسبه سیگما با بایاس

فرض کنید برای یک تست:

• TEa = 10%
• Bias = 2%
• CV = 2%

در این حالت:

Sigma = (10 – 2) / 2 = 4
یعنی عملکرد این تست در سطح ۴ سیگما قرار دارد.

اما اگر بایاس به 6% افزایش پیدا کند:

Sigma = (10 – 6) / 2 = 2
در این حالت، با وجود ثابت بودن CV، کیفیت تست به‌شدت افت کرده است. این مثال نشان می‌دهد که بایاس بالا می‌تواند سیگما متریک را کاهش دهد و باعث شود آزمایشگاه نیاز به کنترل کیفی سخت‌گیرانه‌تر داشته باشد.

برنامه ریزی پیشرفته سیگما متریک:

برای یادگیری چگونگی تغییر فرکانس قوانین کنترلی بر اساس عدد سیگما متریک محاسبه‌شده، مقاله زیر را بررسی نمایید:

🔗 مطالعه مقاله سیگما متریک در آزمایشگاه؛ از مفاهیم پایه تا کاربرد عملی

جدول ساده محاسبه Bias، Total Error و Sigma Metrics

مثال کامل محاسبه بایاس در آزمایشگاه

فرض کنید آزمایشگاه می‌خواهد عملکرد تست ALT را بررسی کند. مقدار هدف نمونه کنترل برابر با 50 U/L است. آزمایشگاه این نمونه را 10 بار اندازه‌گیری کرده و نتایج زیر را به‌دست آورده است:

49، 51، 52، 50، 53، 51، 52، 50، 51، 53
میانگین نتایج برابر با 51.2 U/L است.

• مرحله اول: محاسبه Bias

  Bias = 51.2 – 50 = +1.2 U/L

• مرحله دوم: محاسبه Bias%

  Bias% = (1.2 / 50) × 100 = 2.4%

• مرحله سوم: محاسبه CV%

  فرض کنید SD این داده‌ها برابر با 1.32 باشد.

  CV% = (1.32 / 51.2) × 100 = 2.58%

• مرحله چهارم: محاسبه Total Error

  TE = |2.4| + 1.65 × 2.58 = 2.4 + 4.26 = 6.66%

• مرحله پنجم: مقایسه با خطای مجاز

  اگر TEa برای ALT برابر با 20% در نظر گرفته شود، Total Error این روش قابل قبول است.

• مرحله ششم: محاسبه Sigma Metrics

  Sigma = (20 – 2.4) / 2.58 = 6.82

این نتیجه نشان می‌دهد که عملکرد تحلیلی تست ALT در این مثال بسیار خوب است.

منابع شایع ایجاد بایاس در آزمایشگاه

بایاس ممکن است از عوامل مختلفی ایجاد شود. مهم‌ترین منابع بایاس عبارت‌اند از:

• ۱. مشکل در کالیبراسیون: کالیبراسیون اشتباه یا استفاده از کالیبراتور نامناسب یکی از شایع‌ترین علل بایاس است. اگر کالیبراسیون به‌درستی انجام نشود، کل نتایج بیماران ممکن است به یک سمت منحرف شوند.
• ۲. تغییر Lot کیت یا معرف: تغییر Lot کیت، معرف یا کالیبراتور می‌تواند باعث ایجاد اختلاف سیستماتیک شود. به همین دلیل، هنگام تغییر Lot باید مقایسه Lot جدید و قبلی انجام شود.
• ۳. تفاوت بین دستگاه‌ها: دو دستگاه حتی از یک برند مشابه ممکن است نتایج یکسانی ندهند. این موضوع مخصوصاً در آزمایشگاه‌هایی که چند دستگاه برای یک تست دارند اهمیت زیادی دارد.
• ۴. خطای اپراتور: خطا در آماده‌سازی نمونه، پیپتاژ، رقیق‌سازی، زمان‌بندی، انتخاب برنامه دستگاه یا نحوه نگهداری معرف‌ها می‌تواند باعث ایجاد بایاس شود.
• ۵. مشکل در ماده کنترل: گاهی مشکل از خود ماده کنترل است. اگر ماده کنترل ناپایدار باشد یا Matrix آن با نمونه بیمار تفاوت زیادی داشته باشد، ممکن است بایاس واقعی روش را به‌درستی نشان ندهند.
• ۶. اثر Matrix: اثر Matrix زمانی رخ می‌دهد که نمونه کنترل، نمونه EQA یا ماده مرجع از نظر ترکیب با نمونه واقعی بیمار متفاوت باشد و همین تفاوت باعث ایجاد اختلاف در نتیجه شود.
• ۷. تداخلات آزمایشگاهی: همولیز، لیپمی، ایکتر، داروها، آنتی‌بادی‌ها و سایر عوامل مداخله‌گر می‌توانند باعث بایاس مثبت یا منفی در بعضی تست‌ها شوند.

چه زمانی باید Bias را در آزمایشگاه محاسبه کنیم؟

محاسبه بایاس نباید فقط یک‌بار انجام شود. آزمایشگاه باید در شرایط مهم و حساس، Bias را ارزیابی کند.

موارد مهم شامل:

• هنگام راه‌اندازی دستگاه جدید
• هنگام ورود کیت جدید
• هنگام تغییر Lot کیت یا کالیبراتور
• هنگام تغییر روش آزمایش
• هنگام مقایسه دو دستگاه
• هنگام مشاهده Shift در نمودار لوی جنینگ
• هنگام دریافت نتیجه نامطلوب در EQA
• هنگام افزایش شکایت پزشکان از نتایج
• هنگام تغییرات غیرمنتظره در میانگین نتایج بیماران
• هنگام محاسبه دوره‌ای Sigma Metrics

بنابراین، محاسبه بایاس باید بخشی از برنامه مدیریت کیفیت آزمایشگاه باشد، نه فقط یک محاسبه آموزشی.

تفسیر نتیجه Bias در آزمایشگاه

بعد از محاسبه بایاس، سؤال مهم این است که آیا این مقدار قابل قبول است یا نه. پاسخ به این سؤال فقط با نگاه کردن به عدد Bias مشخص نمی‌شود. باید Bias با معیار قابل قبول مقایسه شود.

برای تفسیر Bias باید به موارد زیر توجه کرد:

• مقدار Bias چقدر است؟
• Bias مثبت است یا منفی؟
• درصد Bias چقدر است؟
• TEa تست چقدر است؟
• CV تست چقدر است؟
• Total Error از TEa کمتر است یا بیشتر؟
• تست از نظر بالینی چقدر حساس است؟
• آیا Bias در محدوده تصمیم‌گیری پزشکی رخ داده است؟
• آیا Bias پایدار است یا جدیداً ایجاد شده است؟
• آیا در EQA نیز همین Bias دیده می‌شود؟

یک بایاس کوچک در تستی با خطای مجاز وسیع ممکن است قابل قبول باشد، اما همان مقدار بایاس در تستی با محدوده تصمیم‌گیری حساس ممکن است غیرقابل قبول باشد.

بایاس قابل قبول چقدر است؟

بایاس قابل قبول عدد ثابتی برای همه تست‌ها نیست. هر تست باید بر اساس خطای مجاز، تغییرات بیولوژیک، اهمیت بالینی و الزامات اعتباربخشی ارزیابی شود.

برای مثال، بایاس قابل قبول برای سدیم، پتاسیم، کلسیم، گلوکز، HbA1c، INR و تروپونین نمی‌تواند یکسان باشد. هرکدام از این تست‌ها کاربرد بالینی متفاوتی دارند و خطای قابل قبول متفاوتی نیاز دارند.

به‌طور کلی، بایاس زمانی قابل قبول است که:

• از معیار Bias مجاز کمتر باشد.
• باعث عبور Total Error از TEa نشود.
• باعث افت شدید Sigma Metrics نشود.
• در محدوده تصمیم‌گیری بالینی خطرناک نباشد.
• در بررسی‌های EQA و مقایسه روش‌ها تأیید شود.

تفاوت Bias، Inaccuracy و Systematic Error

در متون آزمایشگاهی، اصطلاحات Bias، Inaccuracy و Systematic Error گاهی نزدیک به هم استفاده می‌شوند، اما بهتر است تفاوت آن‌ها مشخص باشد.

Bias مقدار عددی یا درصدی انحراف میانگین نتایج از مقدار هدف است.

Systematic Error به نوع خطایی گفته می‌شود که به‌صورت جهت‌دار و تکرارشونده رخ می‌دهد.

Inaccuracy مفهوم کلی‌تری است و نشان می‌دهد نتیجه تا چه حد از مقدار واقعی فاصله دارد.

در عمل، Bias یکی از مهم‌ترین شاخص‌های عددی برای ارزیابی خطای سیستماتیک است.

آیا می‌توان Bias را با کنترل کیفی داخلی روزانه تشخیص داد؟

کنترل کیفی داخلی می‌تواند بعضی از خطاهای سیستماتیک را نشان دهد، مخصوصاً اگر نمودار لوی جنینگ دچار Shift یا Trend شود. قوانین وستگارد مانند 2-2s، 4-1s و 10x می‌توانند به شناسایی خطاهای سیستماتیک کمک کنند.

اما کنترل کیفی داخلی به‌تنهایی همیشه برای محاسبه دقیق Bias کافی نیست. چون مقدار هدف کنترل ممکن است وابسته به روش، دستگاه، Lot یا شرکت سازنده باشد. برای محاسبه دقیق‌تر Bias، بهتر است از EQA، مقایسه روش‌ها، نمونه‌های بیمار یا مواد مرجع معتبر استفاده شود.

بنابراین، QC روزانه برای پایش مداوم عملکرد مفید است، اما برای ارزیابی کامل Bias باید از روش‌های تکمیلی استفاده شود.

ارتباط بایاس با نمودار لوی جنینگ و قوانین وستگارد

در نمودار لوی جنینگ، بایاس معمولاً به شکل Shift یا جابه‌جایی پایدار نقاط کنترل به یک سمت میانگین دیده می‌شود. اگر نتایج کنترل به‌طور مداوم بالاتر یا پایین‌تر از میانگین قرار بگیرند، احتمال وجود خطای سیستماتیک مطرح می‌شود.

برای مثال:

• قانون 2-2s می‌تواند نشانه خطای سیستماتیک باشد.
• قانون 4-1s می‌تواند نشانه Shift کوچک اما پایدار باشد.
• قانون 10x معمولاً نشانه انحراف سیستماتیک طولانی‌مدت است.

البته باید توجه کرد که مشاهده Shift در نمودار کنترل، نشانه احتمالی بایاس است، اما محاسبه Bias نیاز به مقایسه با مقدار هدف، مقدار مرجع یا روش مقایسه‌ای دارد.

تفسیر تخصصی نمودارهای لوی جنینگ:

برای تسلط کامل بر پیاده سازی قوانین وستگارد و رسم نمودارهای کنترلی، مقالات زیر را دنبال کنید:

🔗 مطالعه راهنمای قوانین وستگارد و کنترل کیفیت داخلی
🔗 مطالعه مقاله نمودار لوی جنینگ چیست؟ آموزش رسم و تفسیر
🔗 آموزش جامع رسم نمودار لوی جنینگ در محیط اکسل

خطاهای رایج در محاسبه بایاس

در محاسبه بایاس چند اشتباه رایج وجود دارد که می‌تواند نتیجه ارزیابی را گمراه‌کننده کند.

• ۱. استفاده از فقط یک نتیجه برای محاسبه Bias: بایاس باید بر اساس میانگین چند نتیجه محاسبه شود. استفاده از یک نتیجه منفرد می‌تواند تحت تأثیر خطای تصادفی قرار بگیرد.
• ۲. نادیده گرفتن درصد Bias: گاهی Bias عددی کوچک به‌نظر می‌رسد، اما از نظر درصدی مهم است. برای مثال، اختلاف 1 واحد در تستی با مقدار هدف 5 بسیار مهم‌تر از اختلاف 1 واحد در تستی با مقدار هدف 500 است.
• ۳. مقایسه با مقدار هدف نامعتبر: اگر مقدار هدف قابل اعتماد نباشد، Bias محاسبه‌شده نیز قابل اعتماد نخواهد بود.
• ۴. استفاده از Peer Group بدون توجه به روش: در EQA باید توجه شود که Peer Group واقعاً شامل دستگاه‌ها و روش‌های مشابه باشد. مقایسه با گروه نامناسب می‌تواند Bias کاذب ایجاد کند.
• ۵. بی‌توجهی به Medical Decision Level: ممکن است میانگین کلی Bias قابل قبول باشد، اما در محدوده تصمیم‌گیری پزشکی Bias قابل توجه وجود داشته باشد.
• ۶. استفاده از TEa نامناسب: اگر خطای مجاز اشتباه انتخاب شود، تفسیر Bias، Total Error و Sigma Metrics نیز اشتباه خواهد شد.

اقدام اصلاحی در صورت بالا بودن Bias

اگر Bias یک تست بیش از حد قابل قبول باشد، نباید فقط عدد آن ثبت شود. آزمایشگاه باید علت را بررسی و اقدام اصلاحی انجام دهد.

اقدامات پیشنهادی شامل:

• بررسی صحت کالیبراسیون
• تکرار کالیبراسیون در صورت نیاز
• بررسی تاریخ انقضا و شرایط نگهداری کیت
• بررسی Lot جدید معرف و کالیبراتور
• بررسی عملکرد دستگاه
• بررسی خطاهای اپراتوری
• بررسی نمونه کنترل یا ماده مرجع
• مقایسه با دستگاه یا روش دیگر
• بررسی نتایج EQA

محاسبه بایاس در اکسل

برای محاسبه Bias در اکسل می‌توان از فرمول‌های ساده استفاده کرد.

فرض کنید:

• مقدار هدف در سلول B2 قرار دارد.
• میانگین نتایج آزمایشگاه در سلول C2 قرار دارد.

فرمول Bias عددی:

=C2-B2

فرمول Bias درصدی:

=((C2-B2)/B2)*100

اگر بخواهید قدر مطلق Bias% را محاسبه کنید:

=ABS(((C2-B2)/B2)*100)

برای محاسبه Total Error:

=ABS(Bias%)+(1.65*CV%)

برای محاسبه Sigma Metrics:

=(TEa%-ABS(Bias%))/CV%

استفاده از اکسل برای محاسبه Bias، Total Error و Sigma Metrics بسیار کاربردی است، اما باید مراقب باشید که واحدها، درصدها و منابع TEa به‌درستی وارد شده باشند.

نمونه جدول آماده برای ثبت Bias در آزمایشگاه

این جدول به آزمایشگاه کمک می‌کند فقط عدد Bias را ثبت نکند، بلکه اثر آن را روی Total Error و Sigma Metrics نیز ببیند.

جمع‌بندی

محاسبه بایاس در آزمایشگاه یکی از پایه‌های اصلی کنترل کیفیت تحلیلی است. بایاس نشان می‌دهد که میانگین نتایج یک تست تا چه حد از مقدار واقعی، مقدار هدف یا روش مقایسه‌ای فاصله دارد. برخلاف CV که پراکندگی نتایج را نشان می‌دهد، Bias خطای سیستماتیک را مشخص می‌کند.

برای ارزیابی درست عملکرد یک تست، باید Bias، CV، Total Error، TEa و Sigma Metrics در کنار هم بررسی شوند. اگر Bias بالا باشد، حتی یک تست با تکرارپذیری خوب نیز می‌تواند از نظر بالینی خطرناک باشد.

بنابراین، آزمایشگاه‌های تشخیص طبی باید محاسبه Bias را در اعتبارسنجی روش‌ها، تغییر Lot، مقایسه دستگاه‌ها، بررسی EQA و طراحی برنامه کنترل کیفیت مبتنی بر ریسک به‌صورت منظم انجام دهند. هدف نهایی این محاسبات، فقط گرفتن عدد نیست؛ هدف اصلی، پیشگیری از گزارش نتایج اشتباه و افزایش ایمنی بیمار است.

سوالات رایج درباره محاسبه بایاس در آزمایشگاه

منابع معتبر علمی جهت مطالعه بیشتر:

• Westgard Quality Management – CLIA Allowable Analytical Errors
• Clinical and Laboratory Standards Institute (CLSI) Official Guidelines
• International Federation of Clinical Chemistry and Laboratory Medicine (IFCC)

سایر مقالات تخصصی کنترل کیفیت هموستیکا