مفاهیم، طراحی، مدل‌ها و منطق تصمیم؛ از مبانی تا عدم‌قطعیت و محدودیت استنتاج.
۶ فصلمبانی و سؤال مطالعه
آزمون مقایسه روش‌ها چیست؟
وقتی یک آزمایشگاه دستگاه، سامانه یا روش اندازه‌گیری جدیدی را وارد کار می‌کند، صرف اینکه دستگاه جدید کنترل کیفیت خوبی داشته باشد کافی نیست.
برای مثال، اگر دستگاه فعلی گلوکز یک بیمار را 100 mg/dL و دستگاه جدید 108 mg/dL گزارش کند، اختلاف +8 mg/dL است؛ اما یک نمونه برای قضاوت کافی نیست.
باید مجموعه مناسبی از نمونه‌های بیمار در نقاط مختلف محدوده اندازه‌گیری بررسی شود تا مشخص شود اختلاف دو روش چقدر است، آیا اختلاف در تمام غلظت‌ها یکسان است، آیا با افزایش غلظت بیشتر می‌شود، آیا در نقاط تصمیم بالینی مهم است و آیا میزان اختلاف با معیار پذیرش آزمایشگاه سازگار است.
این راهنمای آموزشی LabQcMed به شما کمک می‌کند سؤال مطالعه، کیفیت داده و محدودیت نتیجه را به هم مرتبط کنید. اطلاعات کتاب‌شناختی منابع برای مطالعه بیشتر در انتهای صفحه آمده است.
یک نکته اصطلاح‌شناسی مهم: اختلاف یا سوگیری؟
در بسیاری از آزمایشگاه‌ها اصطلاح سوگیری (Bias) برای اختلاف دستگاه جدید و قدیمی استفاده می‌شود، اما از نظر دقیق اندازه‌شناسی این همیشه صحیح نیست.
اگر روش مورد بررسی با یک Reference Measurement Procedure یا مقدار مرجع مناسب مقایسه شود، اصطلاح Bias معنای قوی‌تری دارد. اگر Analyzer B فقط با Analyzer A مقایسه شود و Analyzer A نیز یک روش روتین باشد، A الزاماً «حقیقت» نیست. در این حالت آنچه مستقیماً مشاهده می‌کنیم Method Difference است.
روش مقایسه‌ای باید تا حد امکان از نظر کیفیت تحلیلی، عدم‌قطعیت، تداخل‌ها، واحد و ردیابی‌پذیری برای هدف مطالعه مناسب باشد.
هدف آزمون چیست و چه چیزی را ثابت نمی‌کند؟
هدف اصلی مقایسه روش‌ها ارزیابی اختلاف سیستماتیک بین دو روش اندازه‌گیری است. قبول شدن این مطالعه به‌تنهایی ثابت نمی‌کند که روش جدید از تمام جنبه‌ها مناسب است.
ویژگی‌هایی مانند دقت، خطی بودن، محدوده اندازه‌گیری، توانایی آشکارسازی، تداخل، فاصله مرجع و وضعیت کالیبراسیون ممکن است به مطالعات جداگانه نیاز داشته باشند. انتخاب مطالعه مکمل را بر اساس کاربرد روش و شواهد موجود انجام دهید.
چه زمانی باید مقایسه روش‌ها انجام شود؟
موارد متداول عبارت‌اند از:
- ورود یک دستگاه جدید
- جایگزینی روش اندازه‌گیری موجود
- ورود یک روش جدید برای همان کمیت
- بررسی اختلاف سیستم جدید و سیستم فعلی
- بررسی برخی تغییرات مهم روش اندازه‌گیری
- یا در طراحی‌های مناسب، مقایسه انواع نمونه یا شرایط مشخص
اگر هدف بررسی قابل مقایسه بودن چند دستگاه در یک شبکه درمانی است، دامنه، زمان‌بندی و شرایط آن مطالعه را جداگانه تعریف کنید؛ نتیجه یک مقایسه محدود را به همه دستگاه‌ها تعمیم ندهید.
روش مقایسه‌ای را چگونه انتخاب کنیم؟
روش مقایسه‌ای (Comparative Measurement Procedure) باید برای هدف مطالعه مناسب باشد. ترجیحاً باید عملکرد تحلیلی قابل قبول و مستند داشته باشد، تحت QC باشد، کالیبراسیون معتبر داشته باشد، عدم‌قطعیت آن متناسب با هدف مطالعه باشد، تداخل مهم شناخته‌شده‌ای که مقایسه را مخدوش کند نداشته باشد، واحد سازگار داشته باشد و ردیابی‌پذیری آن مشخص باشد.
اشتباه رایج
«دستگاه قدیمی ماست، پس حتماً مرجع صحیح است.» خیر. دستگاه فعلی ممکن است خودش دارای Bias باشد. نتیجه را متناسب با ماهیت Comparator تفسیر کنید.
چرا همبستگی کافی نیست؟
اگر Y=2X باشد، correlation می‌تواند r=1 باشد، ولی نتایج دو روش واضحاً برابر نیستند. Bland و Altman نیز نشان دادند استفاده از correlation برای قضاوت درباره agreement می‌تواند گمراه‌کننده باشد.
R² هم معیار قبول یا رد نیست
R²=0.999 به معنی «دو روش با هم توافق دارند» نیست. ممکن است رابطه بسیار خطی باشد ولی Constant Difference، Proportional Difference یا هر دو وجود داشته باشند.
R² اطلاعات تکمیلی است و نباید معیار اصلی Pass/Fail باشد.
برای مطالعه بیشتر: CLSI EP09 · Third corrected edition · Bland & Altman (1986) · Statistical methods for assessing agreement
طراحی و شواهد کافی
قبل از شروع، طرح مطالعه بنویسید
مقایسه روش‌ها نباید با این جمله شروع شود: «چند نمونه پیدا کنیم و ببینیم نتیجه چه می‌شود.»
پیش از اولین اندازه‌گیری باید مشخص باشد:
آزمون | کمیت مورد اندازه‌گیری
روش مورد بررسی | دستگاه، روش و در صورت لزوم معرف
روش مقایسه‌ای | دستگاه و روش
نوع نمونه | سرم، پلاسما، خون کامل و...
واحد | واحد مشترک یا تبدیل معتبر
محدوده مطالعه | پایین‌ترین تا بالاترین غلظت موردنظر
نقاط تصمیم بالینی | مقدار، واحد و منبع
تعداد نمونه | تعداد نمونه‌های مستقل
تکرار اندازه‌گیری | در صورت نیاز
معیار پذیرش | قبل از دیدن نتایج
روش آماری | برنامه تحلیل
داده پرت | نحوه بررسی و مدیریت
وضعیت QC | برای هر دو سیستم
وضعیت کالیبراسیون | برای هر دو سیستم
شرایط نمونه | زمان، دما، پایداری و...
اصل طلایی
معیار پذیرش را قبل از دیدن نتیجه نهایی تعیین کنید.
انتخاب یا تغییر حد پذیرش بعد از مشاهده نتایج برای اینکه مطالعه «قبول» شود، طراحی علمی مناسبی نیست.
برای مطالعه خود چند نمونه برنامه‌ریزی کنیم؟
در ورک‌اسپیس فعلی، مسیر معرفی روش در آزمایشگاه حداقل ۴۰ نمونه مستقل جفت‌شده و مسیرهای سازنده حداقل ۱۰۰ نمونه دارند؛ در مقایسه شرایط یک روش معتبر، تعداد طبق پروتکل تعیین می‌شود. این اعداد گیت طراحی نرم‌افزارند و محاسبه عمومی حجم نمونه برای همه مطالعات نیستند.
کفایت واقعی به پوشش بازه، تعداد نمونه نزدیک نقاط تصمیم، پراکندگی و دقت مورد نیاز برای نتیجه بستگی دارد. تکرار بیشتر روی یک نمونه جای نمونه مستقل را نمی‌گیرد. مطالعه محلی یا پایلوت برای آموزش و برنامه‌ریزی است و به‌تنهایی مجوز نتیجه نهایی نیست.
نمونه مستقل با تعداد اندازه‌گیری فرق دارد
اگر 10 نمونه بیمار دارید و هر نمونه را 4 مرتبه اندازه‌گیری می‌کنید، تعداد اندازه‌گیری‌ها زیاد است اما هنوز فقط 10 نمونه مستقل بیمار دارید.
Replicate می‌تواند خطای تصادفی را بهتر تخمین بزند، ولی تنوع ماتریکس و ویژگی‌های بیماران مستقل را ایجاد نمی‌کند. بنابراین تعداد نمونه مستقل و تعداد کل اندازه‌گیری‌ها را جداگانه بخوانید و ثبت کنید.
آیا تعداد بیشتر همیشه بهتر است؟
نه، اگر نمونه‌ها بد انتخاب شده باشند. ممکن است 80 نمونه داشته باشید ولی 65 نمونه در یک بخش باریک از محدوده متمرکز باشند. مطالعه‌ای با تعداد کمتر اما پوشش هدفمند پایین، میانه، بالا و Decision Pointها می‌تواند برای Intended Use اطلاعات بیشتری بدهد.
تعداد نمونه و توزیع نمونه هر دو باید ارزیابی شوند.
نمونه‌ها چگونه باید در محدوده توزیع شوند؟
نمونه‌ها نباید فقط در محدوده طبیعی متمرکز شوند. به‌طور کلی باید غلظت‌های پایین، میانی و بالا را پوشش دهند و به‌خصوص اطراف نقاط مهم تصمیم‌گیری بالینی داده واقعی وجود داشته باشد.
تقسیم مساوی نمونه‌ها بین تمام قسمت‌ها الزام علمی ثابتی نیست؛ هدف توزیع هدفمند و بالینی است.
مثال آموزشی: اگر محدوده 10–200 mg/dL و یک Decision Point در 100 mg/dL باشد، طراحی می‌تواند نمونه‌هایی در پایین، اطراف 80–120، میانه و نزدیک انتهای بالا داشته باشد. اعداد این تقسیم‌بندی صرفاً مثال آموزشی تألیفی LabQcMed هستند و معیار عمومی انتخاب نمونه نیستند.
آیا پوشش Min و Max کافی است؟
خیر. دو نمونه در 10 و 200 از نظر ریاضی دو انتهای بازه را لمس می‌کنند، ولی درباره قسمت‌های بین آن‌ها تقریباً اطلاعاتی نداریم.
کفایت محدوده باید شامل حداقل و حداکثر واقعی، تراکم نقاط، شکاف‌های بزرگ، Decision Pointها و تمرکز بیش از حد در یک بخش باشد.
نقطه تصمیم‌گیری بالینی چیست؟
Clinical Decision Point غلظتی است که نتیجه آزمون در حوالی آن می‌تواند یک تصمیم پزشکی را تغییر دهد؛ مانند تشخیص، شروع یا تغییر درمان، طبقه‌بندی خطر، اقدام فوری یا بررسی تکمیلی.
نقطه تصمیم بالینی با محدوده مرجع یکی نیست
Reference Interval معمولاً توزیع نتایج در یک جمعیت مرجع تعریف‌شده را توصیف می‌کند، در حالی که Clinical Decision Limit برای یک تصمیم پزشکی مشخص تعریف شده است.
یک عدد ممکن است Reference Limit باشد ولی Clinical Decision Limit نباشد و برعکس. سامانه نباید انتهای محدوده مرجع را خودکار «نقطه تصمیم» فرض کند.
نقاط تصمیم بالینی را از کجا پیدا کنیم؟
منابع مناسب می‌توانند شامل راهنماهای معتبر بالینی، انجمن‌های تخصصی، استانداردها، راهنماهای رسمی ملی یا بین‌المللی، IFU در کاربرد مناسب یا منابع معتبر دیگر باشند.
برای هر نقطه باید حداقل ثبت شود:
مقدار + واحد + کاربرد + جمعیت + منبع + نسخه/تاریخ منبع
فقط ذخیره یک عدد کافی نیست.
اگر چند نقطه تصمیم داریم چه کنیم؟
برخی آزمون‌ها یک نقطه مهم دارند و بعضی چند نقطه؛ مانند Screening Cutoff، Diagnostic Decision Limit، Therapeutic Threshold یا Action/Critical Limit. نقاط مرتبط با کاربرد واقعی روش در آزمایشگاه باید در طراحی لحاظ شوند.
تحلیل نباید فقط به یک slope و intercept کلی محدود شود؛ Difference/Bias در غلظت‌های منتخب باید جدا ارزیابی شود.
اطراف نقطه تصمیم نمونه واقعی جمع کنید
اگر Decision Point برابر 100 mg/dL است، نمونه‌هایی مثل 92، 96، 101، 104 و 111 برای بررسی رفتار دو روش در این ناحیه بسیار مفیدتر از این هستند که نزدیک‌ترین نمونه‌ها 40 و 230 باشند.
هدف این است که زیر حد + نزدیک حد + بالای حد نمایندگی مناسبی داشته باشند.
چرا دو طرف حد مهم است؟
اگر حد تصمیم 100 باشد، اختلاف دو روش ممکن است بیمار را از یک سمت حد به سمت دیگر منتقل کند. این مفهوم را می‌توان Clinical Reclassification نامید.
حتی اختلاف عددی ظاهراً کوچک ممکن است در یک نقطه حساس از نظر بالینی مهم باشد.
مراقب برون‌یابی باشید
اگر نمونه‌های واقعی مطالعه بین 20 تا 180 باشند ولی Decision Point برابر 250 باشد، معادله رگرسیون می‌تواند عددی برای 250 تولید کند؛ اما این برآورد Extrapolation است و شواهد واقعی مطالعه آن ناحیه را پوشش نداده‌اند.
نقاط مهم تصمیم تا حد امکان باید داخل Observed Study Interval باشند و هر نتیجه مبتنی بر برون‌یابی باید آشکارا در گزارش مشخص شود.
چه نمونه‌ای مناسب است؟
برای مطالعه‌ای که قرار است به گزارش بیماران تعمیم یابد، نمونه بیمار اهمیت دارد: تنوع واقعی ماتریکس و ویژگی‌های نمونه می‌تواند اختلاف‌هایی را آشکار کند که در یک ماده یکسان دیده نمی‌شوند. مواد QC معمولاً جایگزین کامل نمونه بیمار برای Method Comparison نیستند.
استفاده از نمونه‌های مصنوعی، مخلوط‌شده یا دستکاری‌شده
در برخی شرایط دسترسی به نمونه بیمار در غلظت‌های خاص دشوار است و ممکن است از Pool، نمونه رقیق‌شده یا Surrogate استفاده شود. هر چه ماده از نمونه واقعی بیمار فاصله بگیرد، احتمال Matrix Effect و محدودیت تعمیم بیشتر می‌شود.
اگر نمونه دستکاری‌شده استفاده می‌شود، نوع نمونه + نحوه تهیه + دلیل استفاده + محدودیت باید ثبت شود.
بخش پیشرفته: محدود شدن دامنه چه اثری دارد؟
Regression و correlation به توزیع X وابسته‌اند. اگر داده فقط قسمت کوچکی از محدوده واقعی را پوشش دهد، تخمین رابطه می‌تواند بی‌ثبات‌تر، کم‌قابلیت‌تر برای تعمیم و ناتوان‌تر در آشکار کردن برخی الگوهای اختلاف باشد.
کیفیت و گستره داده‌های ورودی می‌توانند به اندازه انتخاب مدل آماری مهم باشند.
نوع مطالعه را از سؤال آزمایشگاه انتخاب کنید
اگر قرار است روش جدیدی وارد گزارش بیماران شود، باید رابطه آن با روش مقایسه‌ای را در محدوده استفاده واقعی بررسی کنید. مشخصات هر دو روش، نمونه‌های مستقل، نقاط تصمیم و معیار پذیرش را پیش از اندازه‌گیری ثبت کنید.
اگر روش از قبل معتبر است و فقط دو وضعیت مشخص آن را مقایسه می‌کنید، دقیقاً بنویسید چه چیزی تغییر کرده و چه چیزی ثابت مانده است؛ برای مثال وضعیت نمونه یا شرایط تعریف‌شده اندازه‌گیری. نتیجه این مقایسه را به اعتبارسنجی کامل یک روش جدید تعمیم ندهید.
مطالعه سازنده دامنه ادعای متفاوتی دارد و نباید با مطالعه معرفی روش در یک آزمایشگاه اشتباه شود. در آغاز ورک‌اسپیس مسیر مناسب را انتخاب کنید و تعداد نمونه پیشنهادی، محدوده و الزامات همان مسیر را بازبینی کنید.
برای مطالعه بیشتر: CLSI EP09 · Third corrected edition
اختلاف‌ها و خواندن نمودار
اولین نمودار: نمودار پراکندگی
در Scatter Plot معمولاً X = Comparator و Y = Candidate است. خط Y=X خط برابری یا هویت است.
این نمودار کمک می‌کند Outlier، پوشش محدوده، Nonlinearity، تجمع داده و اختلاف‌های بزرگ را ببینید.
نمودار اختلاف چیست؟
برای هر نمونه Difference = Candidate − Comparator محاسبه می‌شود. اگر اختلاف‌ها نزدیک صفر باشند توافق بهتر است؛ اگر بیشتر اختلاف‌ها مثبت باشند Candidate تمایل به گزارش بیشتر دارد؛ و اگر اندازه اختلاف با concentration افزایش یابد احتمال اختلاف نسبی یا تغییر ساختار واریانس وجود دارد.
اختلاف مطلق یا اختلاف درصدی؟
دو شکل متداول:
Difference = Y − X
Difference% = ((Y − X) / X) × 100
در غلظت‌های بسیار پایین، درصد ممکن است رفتار نامناسبی داشته باشد. نوع نمایش باید با رفتار روش و معیار پذیرش هماهنگ باشد.
نمودار بلاند–آلتمن
در شکل کلاسیک Bland–Altman، Difference = Y − X و محور افقی معمولاً Mean = (X + Y) / 2 است. این نمودار برای بررسی الگوی اختلاف و، در شرایط مناسب، Mean Difference و Limits of Agreement مفید است.
هر Difference Plot الزاماً Bland–Altman نیست؛ محور افقی و شکل نمودار باید متناسب با سؤال و مدل تحلیل انتخاب شود.
حدود توافق چیست؟
در شکل کلاسیک Bland–Altman و در صورت مناسب بودن فرض‌ها، Mean Difference ± 1.96 × SD(difference) حدودی را نشان می‌دهد که انتظار می‌رود بخش عمده اختلاف‌های فردی در آن قرار گیرند.
Limits of Agreement آماری الزاماً Clinical Acceptance Limits نیستند و نباید این دو را با هم اشتباه کرد.
سوگیری ثابت چیست؟
اگر تقریباً Y = X + 5 باشد، روش مورد بررسی تقریباً در همه غلظت‌ها پنج واحد بیشتر گزارش می‌کند. این الگو با Constant Bias/Difference سازگار است.
سوگیری نسبی چیست؟
اگر تقریباً Y = 1.10X باشد، با افزایش X اختلاف مطلق نیز افزایش پیدا می‌کند. این الگو با Proportional Bias/Difference سازگار است.
هر دو می‌توانند هم‌زمان وجود داشته باشند
مثلاً Y = 3 + 1.08X شامل یک جزء ثابت و یک جزء نسبی است. به همین دلیل گزارش فقط Mean Bias ممکن است گمراه‌کننده باشد.
چرا میانگین اختلاف ممکن است مشکل را پنهان کند؟
ممکن است در پایین محدوده +8%، در میانه 0% و در بالا −8% اختلاف داشته باشیم و Mean نزدیک صفر شود. بنابراین Difference/Bias versus concentration باید بررسی شود.
انحراف معیار ثابت یا CV ثابت؟
دو الگوی ساده عبارت‌اند از Constant SD و Constant CV. اگر CV تقریباً ثابت باشد، SD با concentration متناسب افزایش می‌یابد. این تفاوت بر انتخاب مدل و نحوه نمایش Difference اثر دارد.
ناهمسانی واریانس چیست؟
وقتی پراکندگی اختلاف‌ها در کل محدوده ثابت نباشد با Heteroscedasticity مواجهیم. نشانه ساده می‌تواند شکل قیفی در Difference/Residual Plot باشد.
در این حالت Percentage Difference، Transformation یا Weighted Regression ممکن است نیاز به بررسی داشته باشند.
باقیماندهها را بررسی کنید
Residual اختلاف بین نتیجه مشاهده‌شده و مقدار پیش‌بینی‌شده توسط مدل است. Residual Plot می‌تواند نامناسب بودن مدل خطی، تغییر variance با concentration، نقاط اثرگذار یا ساختار پنهان را نشان دهد.
یک خط Regression زیبا لزوماً تصویر کامل را نشان نمی‌دهد.
چهار الگویی که باید روی نمودار بشناسید
الگوی 1: توافق مناسب — نقاط نزدیک identity line، Difference Plot بدون الگوی مهم و Decision-point results قابل قبول.
الگوی 2: اختلاف ثابت — Difference تقریباً در کل محدوده ثابت است.
الگوی 3: اختلاف نسبی — Difference با concentration افزایش یا کاهش می‌یابد.
الگوی 4: الگوی پیچیده — خمیدگی، تغییر رفتار در بالا، دو خوشه یا variance بسیار متفاوت. در این حالت Regression خطی ساده ممکن است کافی نباشد.
نمودار چه پرسش‌هایی درباره مدل ایجاد می‌کند؟
نمودار را ابتدا برای شناخت داده بخوانید، نه برای انتخاب خطی که نتیجه دلخواه می‌دهد.
- خمیدگی یا دو خوشه: آیا یک رابطه خطی برای تمام نمونه‌ها قابل دفاع است؟ ابتدا علت نمونه‌ای یا روشی را بررسی کنید.
- پراکندگی بیشتر در غلظت‌های بالا: آیا واریانس با غلظت تغییر می‌کند؟ مدل وزنی فقط وقتی مفید است که مبنای وزن‌ها قابل توجیه باشد.
- چند اختلاف بسیار بزرگ: هویت نمونه، واحد، زمان اجرا و خطاهای مستند را بررسی کنید. علامت آماری به‌تنهایی مجوز حذف نیست.
- الگوی باقیمانده پس از برازش: اگر الگوی منظم باقی مانده است، فرض‌های مدل و دامنه ادعای آن را بازبینی کنید.
ضریب همبستگی بالا هیچ‌یک از این پرسش‌ها را پاسخ نمی‌دهد. انتخاب نهایی مدل باید با داده دقت، ساختار خطا و برنامه تحلیل سازگار و مستند باشد.
فرمول‌ها و قرارداد علامت
در همه محاسبات زیر X روش مقایسه‌ای و Y روش مورد ارزیابی است. علامت مثبت یعنی روش مورد ارزیابی عدد بالاتری می‌دهد. واحد اختلاف مطلق، همان واحد نتیجه است. علامت و مخرج درصد را در گزارش ثابت نگه دارید.
برای زوج X=100 و Y=108، اختلاف مطلق ۸ واحد و درصد نسبت به X برابر ۸٪ است؛ اما درصد نسبت به میانگین زوج برابر ۷٫۶۹٪ می‌شود. این دو درصد قابل جایگزینی نیستند. اگر مخرج صفر باشد، درصد تعریف نمی‌شود؛ صفر را با یک عدد کوچک دلخواه جایگزین نکنید.
dᵢ = Yᵢ − Xᵢmᵢ = (Xᵢ + Yᵢ) / 2pᵢ = 100 × (Yᵢ − Xᵢ) / Xᵢ (Xᵢ ≠ 0)pᵢ,mean = 100 × (Yᵢ − Xᵢ) / mᵢ (mᵢ ≠ 0)برای مطالعه بیشتر: Bland & Altman (1986) · Statistical methods for assessing agreement
مدل‌ها و فرض‌های آماری
رگرسیون خطی معمولی همیشه مناسب نیست
Ordinary Least Squares در شکل کلاسیک خود فرض‌هایی درباره X و ساختار خطا دارد. در Method Comparison هر دو روش می‌توانند خطای اندازه‌گیری داشته باشند.
وقتی Comparator نیز measurement error قابل توجه دارد، استفاده مکانیکی از OLS می‌تواند نامناسب باشد و Errors-in-Variables methods مانند Deming ممکن است مناسب‌تر باشند.
رگرسیون دمینگ چیست؟
Deming Regression خطای اندازه‌گیری هر دو متغیر را در مدل لحاظ می‌کند. معادله کلی Y = a + bX است که a = Intercept و b = Slope است. Deming یکی از مدل‌های مهم در مقایسه روش‌های آزمایشگاهی است، اما انتخاب آن باید با ساختار خطا سازگار باشد.
نسبت واریانس خطا در Deming
Deming به اطلاعاتی درباره نسبت خطاهای تصادفی دو روش نیاز دارد. این پارامتر نباید دلخواه 1 انتخاب شود.
اگر شواهد نشان دهند Precision دو روش مشابه است، فرض نسبت نزدیک 1 ممکن است توجیه‌پذیر باشد؛ بهتر است در صورت امکان از Precision Study، Precision Profile، Replicates معتبر، داده سازنده یا SOP مستند استفاده شود.
در گزارش ثبت کنید:
Variance ratio = مقدار
Source = Precision study / current-study replicates / manufacturer / SOP / explicit assumption
در این راهنما و فیلد ورک‌اسپیس، λ = واریانس خطای روش مورد ارزیابی ÷ واریانس خطای روش مقایسه‌ای است. منظور، واریانس خطای اندازه‌گیری است؛ نسبت واریانس غلظت‌های بیماران نیست. اگر نرم‌افزار دیگری قرارداد معکوس دارد، عدد را بدون بررسی منتقل نکنید.
اگر نسبت واریانس را نمی‌دانیم چه کنیم؟
نرم‌افزار نباید بدون هشدار یک عدد فرضی را authoritative نشان دهد. اگر equal-error-variance assumption استفاده می‌شود، باید در گزارش و محدودیت‌های مطالعه ثبت شود و کاربر توجیه آن را مستند کند.
Deming وزنی چه زمانی مطرح می‌شود؟
اگر پراکندگی نتایج با concentration افزایش یابد، مدل constant variance ممکن است داده را خوب توصیف نکند. در این شرایط Weighted/Relative Deming می‌تواند مناسب‌تر باشد.
انتخاب باید بر اساس نمودار داده، Precision Profile، Residuals و فرض‌های مدل انجام شود.
رگرسیون پسینگ–بابلوک
Passing–Bablok یک روش مقاوم و غیرپارامتری برای Method Comparison است و می‌تواند Slope/Intercept و CI ارائه کند. اما این مدل نیز پیش‌فرض مناسب برای همه داده‌ها نیست و باید با ساختار داده سازگار باشد.
مقاوم بودن به معنی بی‌نیازی از فرض نیست: خطی بودن رابطه، استقلال نمونه‌ها و سازگاری ساختار خطا همچنان باید بررسی شود. الگوریتم کامل شامل قواعد مرتب‌سازی شیب‌های جفتی است و صرفاً گرفتن میانه ساده همه شیب‌ها، در هر پیاده‌سازی، معادل Passing–Bablok نیست.
چگونه بین مدل‌ها انتخاب کنیم؟
راهنمای ساده:
- OLS: وقتی فرض‌های آن برای سؤال مطالعه قابل دفاع باشند.
- Deming: وقتی هر دو روش خطای اندازه‌گیری دارند و ساختار خطا قابل مدل‌سازی است.
- Weighted Deming: وقتی variance با magnitude تغییر می‌کند و مدل وزنی مناسب‌تر است.
- Passing–Bablok: در شرایط مناسب برای یک روش مقاوم‌تر و با فرض‌های متفاوت.
مدل را فقط به دلیل موجود بودن آن در فهرست انتخاب نکنید. دلیل انتخاب و، در صورت تغییر پیشنهاد اولیه، توجیه تغییر را در برنامه تحلیل ثبت کنید.
بخش پیشرفته: Precision و Method Comparison به هم مرتبط‌اند
اگر یکی از روش‌ها imprecision بالایی داشته باشد Scatter بیشتر، CI وسیع‌تر، تخمین Difference/Bias کم‌دقت‌تر و انتخاب Deming تحت تأثیر قرار می‌گیرد.
داده دقت هر دو روش را همراه با مقایسه روش‌ها بررسی کنید؛ اگر شواهد دقت کافی نیست، آن را در مطالعه مناسب تکمیل کنید.
برنامه تحلیل را پیش از محاسبه کامل کنید
چه چیزی می‌خواهید بدانید؟ برای توصیف رابطه خطی، شیب و عرض از مبدأ مفیدند؛ برای تصمیم آزمایشگاهی، اندازه اختلاف در غلظت‌های مهم و عدم‌قطعیت آن را هم لازم دارید. حدود توافق نتایج منفرد سؤال دیگری را پاسخ می‌دهند.
چه خطاهایی باید در مدل دیده شوند؟ اگر هر دو روش خطای اندازه‌گیری دارند، فرض بی‌خطا بودن روش مقایسه‌ای را بدون توجیه به کار نبرید. در مدل دمینگ، نسبت واریانس خطا و منبع آن را ثبت کنید. اگر دقت با غلظت تغییر می‌کند، شواهد کافی برای مدل‌سازی این تغییر لازم است.
خروجی را چگونه بررسی می‌کنید؟ خط برازش را کنار داده خام و باقیماندهها ببینید. برای هر برآورد، روش محاسبه فاصله اطمینان و فرض‌های آن روشن باشد. انتخاب روش مقاوم، نیاز به بررسی داده مشکوک را حذف نمی‌کند.
چه زمانی تصمیم را متوقف می‌کنید؟ اگر داده لازم برای مدل موجود نیست یا فرض مهم آن برقرار نیست، محدودیت را مستند کنید و برای تکمیل شواهد برنامه بدهید. تغییر مکرر مدل برای گرفتن نتیجه قبول، برنامه تحلیل قابل دفاعی نیست.
از ساختار خطا به مدل
جدول زیر نقشه آموزشی انتخاب مدل است. هیچ ردیفی جای ارزیابی فرض‌ها و پروتکل را نمی‌گیرد؛ توصیه خودکار نرم‌افزار نیز باید با شواهد مطالعه خوانده شود.
| وضعیت | گزینه قابل بررسی | شواهد لازم |
|---|---|---|
| خطای X قابل چشم‌پوشی | OLS یا WLS | توجیه خطای ناچیز X؛ بررسی واریانس و باقیمانده |
| خطا در هر دو محور؛ SD تقریباً ثابت | Deming با SD ثابت | نسبت واریانس خطا و رابطه خطی |
| خطا در هر دو محور؛ CV تقریباً ثابت | Deming نسبی / CV ثابت | داده مثبت مناسب و شواهد Precision |
| پروفایل دقت وابسته به غلظت | Deming وزنی یا مبتنی بر پروفایل | پروفایل معتبر هر دو روش؛ تعریف وزن‌ها |
| رابطه خطی با نیاز به رویکرد مقاوم | Passing–Bablok | استقلال، خطی بودن و سازگاری ساختار خطا |
| رابطه خطی قابل دفاع نیست | تحلیل اختلاف و بررسی بیشتر | محدود کردن استنتاج به شواهد مشاهده‌شده |
در داده‌های نزدیک صفر، فرض CV ثابت و تبدیل لگاریتمی ممکن است نامناسب باشد. لگاریتم برای مقدار صفر یا منفی تعریف نمی‌شود. تبدیل مقیاس، معنای اختلاف و معیار پذیرش را هم تغییر می‌دهد و باید پیشاپیش توجیه شود.
محاسبه Deming با SD ثابت
این فرمول برای نسخه کلاسیک خطی با نسبت واریانس خطای معلوم و ثابت است؛ به Deming وزنی تعمیم مستقیم داده نمی‌شود. ابتدا هر نمونه را طبق طرح خلاصه کنید، میانگین X و Y را بگیرید و مجموع‌های مرکزی Sxx، Syy و Sxy را محاسبه کنید. سپس شیب b و عرض از مبدأ a به دست می‌آیند.
λ در این فرمول برابر واریانس خطای Y تقسیم بر واریانس خطای X است. اگر Sxy صفر یا نزدیک صفر باشد یا دامنه X کافی نباشد، این محاسبه عددی مبنای قابل اتکایی برای نتیجه نیست. شواهد دقت باید با نتیجه منفرد یا میانگین تکرارها، هر کدام که واقعاً تحلیل شده، هماهنگ باشد.
λ = σ²(error Y) / σ²(error X)Sxx = Σ(Xᵢ − X̄)²Syy = Σ(Yᵢ − Ȳ)²Sxy = Σ(Xᵢ − X̄)(Yᵢ − Ȳ)D = Syy − λ × Sxxb = [D + √(D² + 4λ × Sxy²)] / (2 × Sxy)a = Ȳ − bX̄برای مطالعه بیشتر: Linnet (1998) · Misspecified analytical error ratio · Passing & Bablok (1983) · A new biometrical procedure · NIST Dataplot · Passing–Bablok fit · NIST/SEMATECH · Weighted least squares
محاسبات و عدم‌قطعیت
شیب چگونه تفسیر می‌شود؟
در Y = a + bX اگر b=1 باشد از نظر point estimate جزء نسبی ایده‌آل است. اگر b=1.10 باشد، Candidate با افزایش concentration تمایل به نتایج بالاتر دارد.
Slope point estimate به‌تنهایی کافی نیست؛ Confidence Interval نیز لازم است.
عرض از مبدأ چگونه تفسیر می‌شود؟
اگر a=0 باشد جزء ثابت ایده‌آل است. اگر a=+4 باشد یک constant component محتمل است، اما اهمیت واقعی +4 به واحد و concentration بستگی دارد.
فاصله اطمینان چرا مهم است؟
دو مطالعه ممکن است هر دو Slope=1.05 داشته باشند ولی یکی CI بسیار وسیع و دیگری CI باریک داشته باشد. Point estimate یکسان است، اما میزان uncertainty متفاوت است.
گزارش حرفه‌ای باید در صورت پشتیبانی تحلیل شامل Slope + 95% CI، Intercept + 95% CI، Difference/Bias + 95% CI و Difference/Bias at Decision Point + 95% CI باشد.
فقط بررسی اینکه CI شامل 1 یا 0 می‌شود کافی نیست
Statistical Significance با Clinical Significance یکی نیست. یک اختلاف ممکن است از نظر آماری معنی‌دار نباشد ولی از نظر بالینی مهم باشد؛ یا با n زیاد اختلافی بسیار کوچک معنی‌دار شود ولی اهمیت بالینی نداشته باشد.
قضاوت نهایی باید با معیار عملکرد تحلیلی/بالینی از پیش تعیین‌شده انجام شود.
سوگیری/اختلاف را در نقاط تصمیم بالینی محاسبه کنید
اگر Regression برابر Y = 1.05X + 2 و Decision Point برابر X=100 باشد، Y پیش‌بینی‌شده 107 و Difference برابر +7 یا +7% است.
این مقدار باید با معیار پذیرش همان آزمون و همان concentration مقایسه شود. اگر Comparator یک routine method است، اصطلاح Method Difference معمولاً دقیق‌تر از Bias است.
مثال: چرا یک برآورد کوچک هنوز می‌تواند نامشخص باشد؟
مثال آموزشی تألیفی LabQcMed — اعداد این مثال ساختگی‌اند و از مجموعه‌داده ناشر یا بیمار واقعی گرفته نشده‌اند.
فرض کنید در یک غلظت تصمیم، اختلاف روش جدید نسبت به روش مقایسه‌ای ۱٫۸ واحد برآورد شده و فاصله اطمینان ۹۵٪ آن از −۰٫۴ تا +۴٫۰ واحد است. آزمایشگاه پیش از اجرا، حد قابل قبول را −۳ تا +۳ واحد تعیین کرده است.
برآورد ۱٫۸ داخل حد قرار دارد، اما بخشی از فاصله اطمینان از +۳ فراتر می‌رود. بنابراین داده فعلی با اختلافی بزرگ‌تر از حد پذیرش نیز سازگار است و قبول قطعی صرفاً از روی ۱٫۸ توجیه نمی‌شود. علت گستردگی فاصله، کفایت نمونه‌ها و فرض‌های تحلیل باید بازبینی شود.
وجود صفر در فاصله اطمینان، سؤال «آیا اختلاف از صفر قابل تشخیص است؟» را مطرح می‌کند. سؤال پذیرش آزمایشگاه متفاوت است: «آیا اندازه اختلاف، با توجه به عدم‌قطعیت آن، در حد قابل قبول قرار می‌گیرد؟» فاصله اطمینان نیز محدوده ۹۵٪ نتایج تک‌تک بیماران نیست.
این مثال یک تمرین تفسیر است. نتیجه واقعی باید مطابق پروتکل مصوب و همراه با کفایت طراحی، پوشش نقاط تصمیم و محدودیت‌های مدل بررسی شود.
سه بازه با سه معنای متفاوت
فاصله اطمینان میانگین اختلاف، عدم‌قطعیت برآورد یک پارامتر را بیان می‌کند. حدود توافق، پراکندگی اختلاف‌های فردی را توصیف می‌کنند. فاصله پیش‌بینی نیز برای یک مشاهده آینده است و علاوه بر عدم‌قطعیت پارامترها، پراکندگی مشاهده را در نظر می‌گیرد. این سه بازه را به جای یکدیگر وارد جدول پذیرش نکنید.
برای اختلاف‌های مستقل با توزیع مناسب و میانگین مشترک، فرمول t زیر کاربرد دارد. اگر اختلاف با غلظت تغییر کند، یک میانگین کلی به سؤال موضعی پاسخ نمی‌دهد. حدود توافق کلاسیک نیز به مدل مناسب اختلاف‌ها و پراکندگی تقریباً ثابت نیاز دارند.
در تفسیر فراوانی‌گرا، روش ساخت فاصله ۹۵٪ در تکرارهای فرضی بلندمدت حدود ۹۵٪ پارامتر واقعی را پوشش می‌دهد؛ این به معنی احتمال ۹۵٪ برای یک مقدار ثابت در همین فاصله مشاهده‌شده نیست.
d̄ = Σdᵢ / nsᵈ = √[Σ(dᵢ − d̄)² / (n − 1)]CI(mean difference) = d̄ ± t(0.975, n−1) × sᵈ / √nClassical LoA = d̄ ± 1.96 × sᵈعدم‌قطعیت اختلاف در یک غلظت
در غلظت c، اختلاف برآوردشده از مدل برابر a+(b−1)c است. شیب و عرض از مبدأ مستقل از هم نیستند؛ بنابراین جایگذاری جداگانه پایین‌ترین و بالاترین حدود CI آن‌ها معمولاً فاصله معتبر برای اختلاف نمی‌سازد. فرمول واریانس زیر نشان می‌دهد کوواریانس هم لازم است.
یک راه آموزشی، بازنمونه‌گیری Bootstrap در سطح نمونه مستقل است: ردیف‌های کامل X و Y و تکرارهای متعلق به همان نمونه را با هم انتخاب کنید؛ مدل را دوباره برازش کنید؛ اختلاف در c را در هر بار محاسبه کنید؛ سپس بازه مناسب را از توزیع این اختلاف‌ها بسازید. جدا کردن X و Y هنگام بازنمونه‌گیری، طراحی جفتی را از بین می‌برد.
نوع Bootstrap، تعداد بازنمونه‌ها، بذر تصادفی و روش ساخت فاصله باید مشخص باشند. نمونه کم، نقاط نزدیک به هم، تکرار فراوان مقادیر یا بدبرازش بودن مدل می‌تواند فاصله ناپایدار بسازد. فاصله‌های مثال بعدی نقطه‌ای‌اند و پوشش هم‌زمان تمام بازه را تضمین نمی‌کنند.
Ŷ(c) = a + bcΔ(c) = a + (b − 1)cVar[Δ(c)] = Var(a) + c²Var(b) + 2c × Cov(a,b)Δ%(c) = 100 × Δ(c) / c (c ≠ 0)برای مطالعه بیشتر: NIST/SEMATECH · Confidence limits for the mean · Linnet (1998) · Misspecified analytical error ratio
پذیرش و حدود استنتاج
معیار پذیرش از کجا می‌آید؟
یک عدد واحد برای همه آزمون‌ها وجود ندارد. معیار می‌تواند بر اساس نیاز بالینی، Analytical Performance Specifications، Biological Variation در کاربرد مناسب، State of the Art، الزامات قانونی/اعتباربخشی، Manufacturer Claim یا منبع معتبر دیگر تعیین شود.
چارچوب EFLM رویکردهای مبتنی بر پیامد بالینی، Biological Variation و State of the Art را از یکدیگر تفکیک می‌کند.
عدد معیار بدون منبع کافی نیست
در گزارش نباید فقط Allowable Bias = 6.04% نوشته شود. باید مشخص باشد این عدد از کدام مرجع، مدل، نسخه، سطح عملکرد و برای چه واحد/کاربردی آمده است. این موضوع برای بازبینی علمی و Audit ضروری است.
معیار پذیرش ممکن است درصدی نباشد
برای برخی آزمون‌ها معیار درصدی، برای برخی مطلق و برای برخی ترکیبی یا concentration-dependent است. نوع معیار و واحد آن را پیش از اجرا مشخص کنید و در گزارش بررسی کنید که حد مربوط به همان غلظت و همان واحد به کار رفته است.
در گزینه «هر دو» ورک‌اسپیس، معیار مطلق و درصدی جداگانه ارزیابی می‌شوند و پذیرش نیازمند برآورده شدن هر دو است. این گزینه با قانون «هر کدام بزرگ‌تر است» یکسان نیست. قواعد شرطی منبع مرجع نیز باید مطابق شاخه همان غلظت و واحد بررسی شوند.
جدول هر نقطه تصمیم را چگونه بخوانیم؟
هر سطر باید غلظت تصمیم، اختلاف برآوردشده، فاصله اطمینان، واحد، حد پذیرش و نتیجه همان نقطه را کنار هم نشان دهد. میانگین کلی، جای ارزیابی نقاط تصمیم را نمی‌گیرد.
مثال آموزشی تألیفی LabQcMed: همه اعداد زیر ساختگی‌اند و معیار عمومی آزمایشگاهی نیستند. فرض کنید طراحی و مدل معتبرند و پروتکل، مقایسه فاصله اطمینان ۹۵٪ با حد از پیش تعیین‌شده را خواسته است.
| غلظت تصمیم | اختلاف برآوردشده | فاصله اطمینان اختلاف | حد پذیرش در همان واحد | برداشت |
|---|---|---|---|---|
| 40 | +1.2 | +0.4 تا +2.0 | −3 تا +3 | فاصله کامل داخل حد است |
| 100 | +4.0 | +2.0 تا +6.0 | −3 تا +3 | همپوشانی با مرز؛ تصمیم قطعی پشتیبانی نمی‌شود |
| 200 | +7.0 | +5.0 تا +9.0 | −4 تا +4 | فاصله کامل بیرون حد است |
در این مثال فاصله اطمینان مربوط به اختلاف برآوردشده در غلظت منتخب است؛ آن را با حدود توافق نتایج منفرد یا فاصله پیش‌بینی اشتباه نگیرید.
نتیجه نهایی فقط PASS یا FAIL نیست
PASS: طراحی کافی بوده و معیارهای اصلی پذیرش برآورده شده‌اند.
PASS WITH LIMITATIONS: نتیجه برای Intended Use تعریف‌شده قابل قبول است، ولی محدودیت مهم و مستندی وجود دارد.
INCONCLUSIVE: شواهد برای تصمیم نهایی کافی نیست؛ مانند نمونه کم، پوشش نامناسب، نبود داده نزدیک Decision Point، CI بسیار وسیع، مدل نامطمئن یا مشکل حل‌نشده داده.
FAIL: مطالعه از نظر طراحی معتبر است ولی Difference/Bias از معیار پذیرش فراتر می‌رود.
مطالعه ناکافی را نباید به اشتباه FAIL روش اعلام کرد.
چه زمانی نتیجه ممکن است «قبول با محدودیت» باشد؟
مثلاً Measuring Interval ادعایی 10–500 است، تمام Decision Pointهای استفاده‌شده آزمایشگاه زیر 300 هستند و مطالعه 10–320 را خوب پوشش داده ولی بالاتر از 320 داده کمی دارد. نتیجه ممکن است برای محدوده محدودتر قابل قبول باشد.
ادعای نهایی باید به محدوده شواهد واقعی محدود شود.
پیش از تأیید، چه شواهدی را بازبینی کنیم؟
پرونده را در چهار بخش بازبینی کنید:
- طراحی: تعداد نمونه مستقل، توزیع غلظت‌ها و پوشش نقاط تصمیم با برنامه مصوب سازگار باشند.
- اجرا: کنترل کیفی، کالیبراسیون، سلامت نمونه‌ها و ثبت داده خام قابل پیگیری باشند.
- تحلیل: نمودارها، فرض‌های مدل، داده‌های مشکوک، اختلاف در نقاط تصمیم و فاصله اطمینان بررسی شده باشند.
- تصمیم و مستندات: معیار و منبع آن، محدودیت‌ها، علت کنارگذاری داده و تصمیم بازبین روشن باشند.
تأیید بازبین یعنی پرونده به‌درستی بررسی و مستند شده است. این تأیید، نتیجه علمی «نامشخص» یا «نامناسب» را به «قبول» تبدیل نمی‌کند.
از شواهد به تصمیم نهایی برسیم
ابتدا بپرسید آیا داده برای سؤال مطالعه کافی و معتبر است: تعداد نمونه مستقل، پوشش غلظت‌ها، کیفیت اجرا و تناسب مدل باید بررسی شده باشند. کمبود شواهد یا مشکل حل‌نشده را با برچسب «روش نامناسب است» یکی نگیرید؛ در این وضعیت نتیجه می‌تواند نامشخص باشد.
سپس اختلاف برآوردشده و فاصله اطمینان آن را در هر نقطه تصمیم با معیار از پیش تعیین‌شده مقایسه کنید. حد پذیرش را پس از دیدن نتیجه جابه‌جا نکنید. اگر فاصله اطمینان از مرز پذیرش عبور می‌کند، قرار گرفتن برآورد نقطه‌ای داخل حد به‌تنهایی برای قبول قطعی کافی نیست.
در پایان دامنه ادعا را بنویسید: نتیجه فقط برای روش‌ها، نمونه‌ها، شرایط و محدوده‌ای پشتیبانی می‌شود که مطالعه واقعاً پوشش داده است. دلیل محدودیت، اقدام بعدی و مسئول بازبینی را ثبت کنید. برای نمونه، جمع‌آوری داده تکمیلی باید پاسخ به یک کمبود مشخص باشد، نه تکرار مطالعه تا رسیدن به نتیجه مطلوب.
بخش پیشرفته: آیا دو روش «قابل جایگزینی» هستند؟
Interchangeable ادعای قوی‌ای است. یک Method Comparison خوب ممکن است نشان دهد اختلاف برای Intended Use موردنظر قابل قبول است، اما این الزاماً به معنی یکسان بودن تمام بیماران، تمام غلظت‌ها، تمام ماتریکس‌ها و تمام شرایط نیست.
نتیجه باید به محدوده شواهد محدود شود.
سؤال صحیح برای متخصص
متخصص فقط نمی‌پرسد Slope چند است. باید بپرسد:
- آیا طراحی نمونه‌های کافی و مناسب دارد؟
- آیا محدوده بالینی واقعاً پوشش داده شده؟
- آیا Decision Pointها شواهد مستقیم دارند؟
- آیا ساختار خطا با مدل سازگار است؟
- آیا variance ثابت است یا heteroscedastic؟
- آیا Residual Pattern یا influential point وجود دارد؟
- آیا Outlierها بررسی شده‌اند؟
- آیا CI به اندازه کافی محدود است؟
- آیا Difference/Bias در Decision Point داخل APS/criterion قرار دارد؟
- آیا Clinical Reclassification ممکن است؟
- آیا نتیجه interpolation است یا extrapolation؟
- آیا ادعای نهایی متناسب با شواهد است؟
خلاصه نهایی
Method Comparison را نباید به «چند نمونه + Regression + R²» تقلیل داد.
مسیر علمی صحیح:
تعریف سؤال ← انتخاب Comparator مناسب ← تعیین Study Interval ← شناسایی Decision Points ← انتخاب تعداد کافی نمونه‌های مستقل ← توزیع مناسب نمونه‌ها ← تعیین acceptance criterion پیش از مطالعه ← کنترل QC و Calibration ← اجرای paired samples ← raw-data review ← Scatter Plot ← Difference Plot ← انتخاب مدل مناسب ← بررسی variance/residuals ← Outlier investigation ← Difference/Bias + CI ← ارزیابی Decision Points ← مقایسه با criterion ← PASS / PASS WITH LIMITATIONS / INCONCLUSIVE / FAIL ← مستندسازی و تأیید.
مهم‌ترین پیام:
مقایسه روش‌ها آزمون همبستگی نیست. هدف، تعیین اندازه و الگوی اختلاف بین دو روش و قضاوت درباره قابل قبول بودن این اختلاف برای کاربرد بالینی موردنظر است.
نسخه پروتکل و گزارش را قابل پیگیری نگه دارید
در پرونده مطالعه، نام و نسخه پروتکل، منبع معیار پذیرش، برنامه تحلیل و تاریخ بازبینی را ثبت کنید. اگر از یک مرجع علمی استفاده می‌کنید، ویرایش و اصلاحیه مرتبط آن هم مشخص باشد.
گزارش منتشرشده باید به همان داده‌ها، معیارها و تصمیم بازبینی‌شده مربوط باشد. اصلاح بعدی داده یا تغییر روش تحلیل را در نسخه جدید ثبت کنید تا علت تفاوت دو گزارش روشن بماند.
برای ارجاع به EP09c در مطالعات این مسیر، مشخصات نسخه سوم اصلاح‌شده در ژوئن ۲۰۱۸ را با پروتکل مصوب تطبیق دهید. این ارجاع برای شناسایی منبع علمی است و به معنی صدور تأییدیه برای نرم‌افزار نیست.
برای مطالعه بیشتر: CLSI EP09 · Third corrected edition
