Understanding PT statistics

Význam tématu

Proficiency testing (PT) je klíčovým nástrojem zajišťování kvality v laboratořích, poskytuje nezávislé porovnání výsledků mezi laboratořemi a pomáhá odhalit systematické chyby i nesoulad v metodách. Porozumění statistickým parametrům v PT zprávě — zejména odhadu polohy (location), rozptylu (dispersion) a standardní nejistotě polohy — je nezbytné pro korektní interpretaci výsledků a pro informované rozhodování při výběru a hodnocení PT schémat.

Cíle a přehled dokumentu

Cílem přehledu je vysvětlit, jaké statistiky PT poskytovatelé obvykle uvádějí, jak je interpretovat a jaké jsou hlavní silné a slabé stránky běžných odhadů polohy a rozptylu. Dokument shrnuje doporučení ISO 13528 a klíčové body z Eurachem guideline pro účastníky kvantitativních PT schémat.

Použitá metodika

PT statistiky obecně popisují dvě základní vlastnosti dat: polohu (střední hodnotu) a rozptyl (šířku rozložení). Používané odhady polohy zahrnují aritmetický průměr, medián a robustní metody (např. Algorithm A, Hampel estimator). Odhady rozptylu zahrnují klasické směrodatné odchylky a robustní alternativy jako MADe (scaled median absolute deviation), nIQR (normalized interquartile range), robustní standardní odchylky založené na Algorithm A nebo Qn/Q metody. ISO 13528 doporučuje použití robustních odhadů při přítomnosti odlehlých hodnot nebo nesymetrie dat. Standardní nejistota polohy se pro aritmetický průměr počítá jako s/sqrt(p), kde s je klasická směrodatná odchylka a p počet výsledků; pro robustní odhady se podle ISO 13528 obvykle používá konzervativní faktor 1,25: u = 1,25 * s*/sqrt(p), kde s* je robustní odhad rozptylu.

Hlavní výsledky a diskuse

- Polohu lze odhadovat různými způsoby; volba ovlivní citlivost na odlehlé hodnoty a na vícevrcholová rozložení. Aritmetický průměr je efektivní pro normální data, ale citlivý na odlehlé hodnoty. Robustní odhady (medián, Algorithm A, Hampel) odolávají odlehlým hodnotám lépe.

- Rozptyl lze hodnotit klasickou směrodatnou odchylkou nebo robustními metrikami (MADe, nIQR, Qn). Robustní metody jsou vhodné, pokud jsou v datech odlehlé výsledky nebo když symetrie nelze předpokládat. Některé konverzní faktory (např. přepočet MAD na MADe nebo IQR na nIQR) předpokládají normální rozložení a mohou proto zkreslovat, pokud k tomuto předpokladu nedochází.

- U malých souborů dat jsou všechny odhady polohy i rozptylu méně spolehlivé; interpretace by měla být opatrná a reportovaná nejistota větší.

- Významný rozdíl mezi odhadnutou polohou skupiny a externím referenčním hodnotám může indikovat bias v analytických postupech používaných účastníky; PT poskytovatel může také reportovat oddělené odhady polohy pro různé analytické metody.

Přínosy a praktické využití metody

- Pomoc účastníkům PT vybrat vhodné schéma: výběr PT schématu by měl zohlednit použité statistické metody poskytovatele (robustní vs. klasické), zejména pokud jsou očekávány odlehlé výsledky nebo heterogenní analytické postupy.
- Informace o tom, jak byl stanoven x_pt (assigned value), u(x_pt) a σ_pt, umožňují laboratorním specialistům správně vyhodnotit svoji výkonnost a identifikovat systematické odchylky.
- Robustní statistiky snižují vliv individuálních odlehlých výsledků na hodnocení a jsou často vhodnější pro reálná interlaboratorní data, kde může docházet k chybám nebo rozdílným metodikám.
- Reportovaná standardní nejistota polohy pomáhá rozhodnout, zda se odhad polohy statisticky liší od referenční hodnoty nebo od individuálních výsledků.

Budoucí trendy a možnosti využití

- Standardizace transparentního reportingu: zvýšené požadavky na PT poskytovatele, aby jasně uváděli, jak byly odhady polohy a rozptylu získány a jaké konverzní faktory byly použity.
- Rozšíření robustních a adaptivních statistických metod v PT analýzách, včetně algoritmů lépe odolných vůči vícevrcholovým rozložením a heterogenitě dat.
- Aplikace bayesovských přístupů a modelů vícerozměrné robustní analýzy pro lepší kvantifikaci nejistot a pro zahrnutí externích informací (např. historických dat nebo referenčních materiálů).
- Využití strojového učení a algoritmů pro detekci a třídění odlehlých výsledků a pro automatizované rozdělení dat podle použitých metod, což umožní přesnější odhady polohy pro homogenní skupiny metod.
- Digitalizace a transparentní datová rozhraní (API) pro snadnější auditovatelnost výpočtů a automatizované reportování σ_pt a u(x_pt).

Závěr

Správné porozumění statistickým parametrům v PT zprávě je nezbytné pro validní interpretaci porovnání výsledků mezi laboratořemi. Volba mezi klasickými a robustními odhady závisí na povaze dat (přítomnost odlehlých hodnot, symetrie, počet výsledků) a na cílech hodnocení. Transparentní informace o způsobu stanovení assigned value, příslušné nejistotě a štandardní odchylce pro hodnocení výkonnosti umožňují účastníkům učinit podložené závěry o validitě jejich metod a o možných zdrojích biasu.

Reference

1. Brookman B., Mann I. (eds.): Eurachem Guide: Selection, Use and Interpretation of Proficiency Testing (PT) Schemes, 3rd ed., 2021.
2. Eurachem leaflet: Understanding PT performance assessment.
3. ISO 13528:2022 - Statistical methods for use in proficiency testing by interlaboratory comparison.