| 数据类型 | 说明 | 示例项目 |
|---|---|---|
| 血常规 | 每日检测量大的基础项目 | WBC, RBC, HGB, PLT |
| 生化检测 | 稳定性较好的常规项目 | GLU, ALT, AST, CREA |
| 凝血功能 | 临床意义重要的项目 | PT, APTT, FIB |
# Python数据预处理示例
import pandas as pd
import numpy as np
def preprocess_pbrtqc_data(raw_data):
# 剔除异常值
cleaned_data = raw_data[
(raw_data['value'] > raw_data['lower_limit']) &
(raw_data['value'] < raw_data['upper_limit'])
]
# 按时间排序
cleaned_data = cleaned_data.sort_values('test_time')
# 患者特征标准化
cleaned_data['age_group'] = pd.cut(cleaned_data['age'],
bins=[0,18,40,65,100])
return cleaned_data
# EWMA算法Python实现
def ewma_control_chart(data, lambda_param=0.2):
z = [data[0]]
for i in range(1, len(data)):
z.append(lambda_param * data[i] + (1-lambda_param) * z[i-1])
return z
# 计算控制限
def calculate_control_limits(data, sigma=3):
mean = np.mean(data)
std = np.std(data)
return {
'upper': mean + sigma * std,
'lower': mean - sigma * std,
'mean': mean
}
| 参数 | 优化方法 | 推荐值范围 | 影响因素 |
|---|---|---|---|
| 窗口大小(n) | 网格搜索 | 20-60 | 检测项目稳定性 |
| 加权系数(λ) | 交叉验证 | 0.1-0.3 | 数据波动性 |
| 控制限(σ) | ROC分析 | 2.5-3.5 | 临床风险容忍度 |
# 参数优化示例
from sklearn.model_selection import GridSearchCV
param_grid = {
'window_size': [20, 30, 40, 50, 60],
'lambda_param': [0.1, 0.15, 0.2, 0.25, 0.3]
}
def evaluate_params(params, data):
# 实现评估逻辑
pass
grid_search = GridSearchCV(
estimator=evaluate_params,
param_grid=param_grid,
cv=5
)
grid_search.fit(training_data)
| 指标 | 计算公式 | 目标值 |
|---|---|---|
| 误差检出率 | 真阳性/(真阳性+假阴性) | >85% |
| 假阳性率 | 假阳性/(假阳性+真阴性) | <5% |
| 平均预警时间 | ∑(误差发现时间)/n | <24小时 |