| Abstract : | Στα ιατρικά εργαστήρια ο Στατιστικός Έλεγχος Ποιότητας διαδραματίζει έναν εξαιρετικά σημαντικό ρόλο στο να πιστοποιηθεί η εγκυρότητα των αποτελεσμάτων των εξετάσεων των ασθενών. Τυπικά, η καθημερινή ρουτίνα στα εργαστήρια αυτά, περιλαμβάνει την αξιολόγηση διαφόρων διεργασιών, οι οποίες αποτελούν μετρήσεις διαφορετικών χαρακτηριστικών σε δείγματα ανθρώπων, μέσω της χρήσης δειγμάτων ελέγχου (control samples). Σκοπός της παρούσας διατριβής είναι να προτείνει μια πιο γενική προσέγγιση, η οποία θα λαμβάνει υπόψη την πολυμεταβλητή φύση των δεδομένων και θα χρησιμοποιεί μεθόδους που θα έχουν καλύτερες επιδόσεις συγκριτικά με την ταυτόχρονη χρήση των μονοδιάστατων και μονομεταβλητών στατιστικών μεθόδων του ελέγχου ποιότητας, που χρησιμοποιούνται ως σήμερα για τον σκοπό αυτό, διατηρώντας, ταυτόχρονα, το συνολικό ποσοστό ψευδούς συναγερμού σε χαμηλό, προκαθορισμένο επίπεδο. Παράλληλα, στο τέλος της διατριβής θα παρουσιαστούν κάποιες μέθοδοι και γραφήματα, τα οποία αποτελούν μία σύνοψη και παράλληλη απεικόνιση εκατοντάδων ή ακόμα και χιλιάδων διαδικασιών, όταν αυτές μελετώνται αναδρομικά, με κυριότερο στόχο τον εντοπισμό των πιο ανησυχητικών διαδικασιών ή πιο συγκεκριμένα των διαδικασιών με την μεγαλύτερη αστάθεια, που είναι και αυτές που απαιτούν περισσότερη προσοχή.
In medical laboratories the statistical process control plays a major role in certifying the validity of the reported patient results. Typically, in the daily routine various processes, each measuring a different characteristic in human samples, are evaluated using control samples. The objective of this thesis is to propose a general approach that will take into account the multivariate aspect of the data and derive methods that will have better performance compared to the simultaneous use of the standard univariate statistical process control and monitoring methods that are currently used for this purpose, while keeping the overall false alarm rate at a predetermined low level. Finally, some visualization methods of summarizing hundreds or even thousands of processes will be presented, in order to detect the processes of highest concern in one graph, from a retrospective point of view.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.