Bài báo khoa học Tập 67 Số CĐ14-HNKH Hội Hóa sinh Y học Việt Nam 19/09/2026

ĐÁNH GIÁ ĐỘ TIN CẬY CỦA BỘ PHẬN KIỂM TRA MẪU TỰ ĐỘNG TRÊN HỆ THỐNG COBAS 8100 TRONG NHẬN DIỆN TAN MÁU, TĂNG BILIRUBIN MÁU VÀ ĐỤC MẪU DO LIPID

Đào Huyền Quyên, Nguyễn Thị Mai Phương
DOI: 10.52163/yhc.v67iCD14.6488
0 Lượt xem
0 Lượt tải xuống
Tóm tắt

Mục tiêu: Đánh giá độ tin cậy của bộ phận kiểm tra mẫu tự động trên hệ thống cobas 8100 trong nhận diện tan máu, tăng bilirubin máu và đục mẫu do lipid.

Phương pháp nghiên cứu: Mô tả cắt ngang trên 334 mẫu trên hệ thống cobas 8100; mỗi mẫu được bộ phận kiểm tra mẫu tự động tiến hành phân loại màu bằng hình ảnh, và được định lượng ba chỉ số huyết thanh H, I và L (tiêu chuẩn tham chiếu). Tính độ nhạy, độ đặc hiệu, giá trị dự báo, tỷ số khả dĩ và Kappa ở ba bộ ngưỡng.

Kết quả: Với tan máu, độ đặc hiệu và giá trị dự báo dương đều đạt 100%, độ nhạy tăng từ 45,2% ở H ≥ 20 lên 100% ở H ≥ 80. Với đục mẫu do lipid, 29,0% mẫu bị cảnh báo nhưng chỉ số L không khác nhóm không cảnh báo (p = 0,317); độ nhạy 50,0% ở L ≥ 30 và 64,3% ở L ≥ 50. Với tăng bilirubin máu, độ nhạy chỉ 2,5%. Cảnh báo bất kỳ ở ngưỡng nhà sản xuất đạt độ nhạy 84,2%, giá trị dự báo âm 98,6%, tỷ số khả dĩ âm 0,23 và bỏ sót 3/334 mẫu; đồng thuận toàn cục 67,1% với Kappa = 0,194.

Kết luận: Phân loại mẫu bằng hình ảnh rất đặc hiệu với tan máu và phát hiện toàn bộ mẫu tan máu ở ngưỡng gây ảnh hưởng kết quả, nhưng chưa đủ tin cậy với tăng bilirubin máu và đục mẫu do lipid.

Tài liệu tham khảo
[1]
1. Nordin N., Ab Rahim S.N., Wan Omar W.F.A. và cộng sự. Preanalytical errors in clinical laboratory testing at a glance: source and control measures. Cureus. 2024;16(3):e57243. doi:10.7759/cureus.57243. Google Scholar
[2]
2. Simundic A.M., Baird G., Cadamuro J. và cộng sự. Managing hemolyzed samples in clinical laboratories. Critical Reviews in Clinical Laboratory Sciences. 2020;57(1):1-21. doi:10.1080/10408363.2019.1664391. Google Scholar
[3]
3. Getahun T., Kebede A., Alemu S. và cộng sự. Evaluation of visual serum indices measurements and potential false result risks in routine clinical chemistry tests. eJIFCC. 2019;30(3):276-287. Google Scholar
[4]
4. Farrell C.J.L., Carter A.C. Serum indices: managing assay interference. Annals of Clinical Biochemistry. 2016;53(5):527-538. doi:10.1177/0004563216643557. Google Scholar
[5]
5. Roche Diagnostics. Serum Index Gen.2 - Hướng dẫn sử dụng thuốc thử cobas c 701/702, phiên bản V4.0. Mannheim: Roche Diagnostics GmbH; 2014. Google Scholar
[6]
6. Roche Diagnostics. cobas 8100 automated workflow series - Operator’s Manual, phiên bản 2.9.3: Sample Check Module. Mannheim: Roche Diagnostics GmbH; 2016. Google Scholar
[7]
7. Man D., Wang H., Zhang X. và cộng sự. Research on the development of image-based Deep Learning model for serum quality recognition. Clinical Chemistry and Laboratory Medicine. 2025;63(7):e179-e183. doi:10.1515/cclm-2024-1219. Google Scholar
[8]
8. Yang C., Li D., Sun D. và cộng sự. A deep learning-based system for assessment of serum quality using sample images. Clinica Chimica Acta. 2022;531:254-260. doi:10.1016/j.cca.2022.04.010. Google Scholar
[9]
9. Lippi G., Cadamuro J., Danese E. và cộng sự. Internal quality assurance of HIL indices on Roche Cobas c702. PLoS ONE. 2018;13(7):e0200088. doi:10.1371/journal.pone.0200088. Google Scholar
[10]
10. Wang H., Wang H., Zhang J. và cộng sự. Using machine learning to develop an autoverification system in a clinical biochemistry laboratory. Clinical Chemistry and Laboratory Medicine. 2021;59(5):883-891. doi:10.1515/cclm-2020-0716. Google Scholar