배경
전통적 내부정도관리(internal quality control, IQC)는 정도관리물질의 비교환성 및 낮은 점검 빈도로 인해 검사실 운영 중 발생하는 로트 교체, 보정 불안정, 장 비 성능 변화와 같은 변동을 실시간으로 탐지하는 데 한계가 있다. 환자 기반 실 시간 정도관리(patient-based real-time quality control, PBRTQC)는 환자 결과 를 직접 활용하여 이를 보완할 수 있으나, 그 성능은 검사 항목별 분포 특성과 환자군 구성에 크게 좌우된다. 본 연구는 다기관 일반화학검사 자료를 이용하여 검사 결과 분포 지표와 PBRTQC 성능 지표 간의 상관관계를 정량화하여 PBRTQC 의 적용 가능성과 성능을 예측할 수 있는 근거를 마련하고자 하였다.
방법
연구 대상은 울산대학교병원(2023.10.01 ~ 2024.09.30)의 일반화학 27 개 항목 과 서울아산병원(2023.01.01 ~ 2023.12.31)의 9 개 항목이며, 서울아산병원 자료 는 외래/건강검진과 병동/응급실 환자군으로 구분하여 분석하였다. 자료는 시계 열 순으로 3:1 비율로 학습과 테스트 세트로 분할하고, 필요 시 절삭과 Box– Cox 변환을 적용하였다. PBRTQC 알고리즘은 moving average, moving median, exponentially weighted moving average (EWMA), Harrell–Davis 50th percentile estimator, moving rate 의 다섯 가지를 대상으로 하였다. 편향 시나리오는 고정 비례 편향(fixed proportional bias, FPB)과 생물학적 변이에 기반한 검사항목 특 이적 비례 편향(analyte-specific proportional bias, ASPB; desirable specification for bias (DSB)의 5 배수 및 3 배수)으로 구성하였다. 각 알고리즘은 블록 크기와 절삭 한계 등을 그리드 탐색하여 목표 오경보율(false alarm rate, FAR) 0.1%를 기준으로 평가하였다. 각 편향 포인트에서의 오류 탐지까지 필요한 환자 수의 중앙값(median number of patients until error detection, MNPed)의 합을 ΣMNPed 로 정의하였다. 최적 프로토콜은 달성 FAR 이 허용 범위 0.15% 이내인 조합 중 ΣMNPed 가 최소인 조합을 선정하였고, 학습 세트에서 산출된 제어한계를 테스트 세트에 적용하여 평가하였다. 성능 평가 지표로 ΣMNPed 와 FAR 를 산출하였다. 세 데이터 세트(울산대학교병원(UUH), 서울아산병원 외래/ 건강검진(AMC-외래/건강검진), 서울아산병원 병동/응급실(AMC-병동/응급실))에 서 검사항목 별 분포 지표(RNS, 왜도, 첨도) 및 DSB 와 PBRTQC 성능 지표 (ΣMNPed (FPB), ΣMNPed (ASPB×5), ΣMNPed (ASPB×3)) 간의 연관성은 Spearman 상관분석으로 평가하였다. UUH 자료에서는 학습 및 테스트 세트 간 달성 FAR 차이(ΔFAR)와 중앙값 차이의 절댓값(|ΔMedian|)의 관계, 그리고 sigma metric 과 성능 지표의 간의 분포 양상을 추가로 분석하였다.
결과
총 15,134,294 건(UUH 5,290,295 건, AMC-외래/건강검진 5,653,907 건, AMC- 병동/응급실 4,190,092 건)의 검사결과를 분석하였다. 최적 알고리즘으로는 EWMA 가 가장 높은 빈도로 선정되었으나, 일부 항목에서는 환자군에 따라 최적 프로토콜이 상이하였다. 테스트 세트에서 FAR 은 대체로 목표치 0.1%에 근접했으나, 일부 항목 및 환자군에서는 목표치를 벗어나는 사례가 관찰되었다. 최적 블록 크기는 항목과 집단에 따라 달랐으며, UUH 자료의 FPB 시나리오에서 RNS 가 최적 블록 크기와 유의한 양의 상관을 보여, 변동성이 큰 항목일수록 큰 블록 이 선택되는 경향을 나타냈다. UUH 자료의 상관분석 결과, RNS는 DSB와 세 집 단 모두에서 강한 양의 상관(ρ=0.933–0.983)을 보였다. FPB 시나리오의 성능 지 표인 ΣMNPed (FPB)는 RNS 와 높은 양의 상관(ρ=0.877–0.950)을 나타낸 반면, ASPB 시나리오의 ΣMNPed (ASPB×5)와 ΣMNPed (ASPB×3)는 DSB 및 RNS 와 음의 상관을 보였다(ASPB×5: DSB ρ=−0.756, RNS ρ=−0.622; ASPB×3: DSB ρ=−0.682, RNS ρ=−0.556). 이 음의 상관은 UUH 자료에서 통계적으로 유 의한 반면, AMC의 두 환자군에서는 음의 방향성은 유지되었으나 유의하지는 않았다. 학습-테스트 간 안정성 평가에서 UUH 의 |ΔMedian|과 ΔFAR 사이에 유 의한 양의 상관(ρ=0.448, P=0.019)이 관찰되어, 분포 중심 변화가 클수록 FAR 변동도 커지는 경향을 확인하였다. Sigma metric 과 ΣMNPed 산점도를 분석한 결과, ‘낮은 sigma metric, 낮은 ΣMNPed 영역’에 포함되는 항목 구성이 FPB 시 나리오(Na, Cl, total CO2 등)와 ASPB ×5 시나리오(Mg, ALP, lipase 등)에서 상이 하였다.
고찰
본 연구에서 RNS 와 DSB 가 PBRTQC 성능과 가장 강한 상관성을 보였다. FPB 시나리오에서는 분포 지표가 커질수록 오류 탐지가 지연되는 경향이 뚜렷하여, RNS 가 높은 항목에 일괄적인 설계를 적용할 경우 탐지 지연 및 FAR 불안정성 이 발생할 수 있음을 시사한다. 반면 ASPB 시나리오에서는 RNS와의 상관이 FPB 시나리오에 비해 상대적으로 약해지고 DSB 의 영향이 더 커지는 양상이 관찰되어, 항목별 DSB 를 기반으로 기대 성능을 탐색적으로 가늠할 수 있음을 확 인하였다. 또한 |ΔMedian|와 ΔFAR 사이의 양의 상관관계는, 학습 세트의 제어 한계를 테스트 세트에 고정 적용 시 분포 중심의 변화가 FAR 에 미치는 영향을 정량적으로 보여준다. Sigma metric 과 ΣMNPed 관계 분석에서 ‘전통적 IQC 의 오류 검출성능이 낮고 PBRTQC 의 성능이 상대적으로 우수한 영역’인 제 3 사분 면에 위치하는 항목 구성이 시나리오에 따라 달라진 것은, 품질 관리 목표를 FPB 로 둘지, ASPB 로 둘지 설정하는 것이 PBRTQC 우선순위 결정에 중요하게 작용함을 의미한다.
결론
두 기관의 대규모 일반화학 자료를 기반으로, 검사 항목의 분포 지표와 DSB 가 PBRTQC 성능을 가늠하는 핵심 요인임을 확인하였다. FPB 시나리오에서는, RNS 가 낮은 항목의 성능이 좋을 가능성이 큰 반면, RNS 가 큰 항목에서는 추가적인 성능 개선을 위한 조치가 필요하다. 반면 ASPB 시나리오에서는 항목별 DSB 를 바탕으로 기대 성능을 예측할 수 있음을 확인하였다. 또한 동일 항목이라도 외래 /건강검진과 병동/응급실처럼 환자군 구성에 따라 최적 프로토콜이 달라질 수 있 어, PBRTQC 의 효과적인 운용을 위해서는 일괄 설계보다는 검사 항목의 분포 특성과 DSB, 관리 목표 및 환자군 환경을 종합적으로 고려한 맞춤형 설계와 검증이 필수적이다.

• 국문요약 I
• 표 및 그림 목차 V
• 약어 설명 VII
• 서론 1
• 연구 대상 및 방법 4
• 1. 환자군 및 검사 항목 선택 4
• 2. 자료의 분포와 특성 확인 5
• 3. 데이터 전처리 및 변환 5
• 4. 시뮬레이션 데이터셋 구축 6
• 5. PBRTQC 프로토콜 최적화 8
• 6. 성능 검증 및 최적 프로토콜 선정 12
• 7. 성능평가 결과와 검사 항목별 분포 지표간 상관성 분석 계획 12
• 8. 데이터 분석 13
• 결과 15
• 1. 검사 항목의 기술통계적 특성 15
• 2. PBRTQC 프로토콜 최적화 및 성능 평가 21
• 3. 성능평가 결과와 검사 항목별 분포 지표 간 상관성 분석 35
• 4. 학습 세트와 테스트 세트 간 분포 변화와 FAR 의 상관성 분석 44
• 5. SIGMA METRIC 기반 PBRTQC 적용 우선순위의 탐색적 분류 46
• 고찰 48
• 결론 54
• 참고문헌 55
• 영문 요약 58
• 부록 61
• 표 및 그림 목차
• TABLE 1. DESCRIPTIVE STATISTICS FOR ALL ANALYTES IN THE TRAINING AND TEST SETS. UUH DATASET 17
• TABLE 2. DESCRIPTIVE STATISTICS FOR ALL ANALYTES IN THE TRAINING AND TEST SETS. AMC OUTPATIENT AND HEALTH CHECK-UP DATASET 19
• TABLE 3. DESCRIPTIVE STATISTICS FOR ALL ANALYTES IN THE TRAINING AND TEST SETS. AMC INPATIENT AND EMERGENCY DATASET 20
• TABLE 4. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE ULSAN UNIVERSITY HOSPITAL DATASET UNDER SCENARIO 1 (FPB) 24
• TABLE 5. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE ULSAN UNIVERSITY HOSPITAL DATASET UNDER SCENARIO 2 (ASPB×5) 26
• TABLE 6. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE ULSAN UNIVERSITY HOSPITAL DATASET UNDER SCENARIO 3 (ASPB×3) 28
• TABLE 7. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE OUTPATIENT AND HEALTH CHECK-UP DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 1 (FPB) 30
• TABLE 8. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE OUTPATIENT AND HEALTH CHECK-UP DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 2 (ASPB×5) 30
• TABLE 9. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE OUTPATIENT AND HEALTH CHECK-UP DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 3 (ASPB×3) 31
• TABLE 10. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE INPATIENT AND EMERGENCY DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 1 (FPB) 32
• TABLE 11. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE INPATIENT AND EMERGENCY DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 2 (ASPB×5) 32
• TABLE 12. OPTIMAL PBRTQC PROTOCOL COMBINATIONS FOR EACH ANALYTE IN THE INPATIENT AND EMERGENCY DATASET FROM ASAN MEDICAL CENTER UNDER SCENARIO 3 (ASPB×3) 33
• TABLE 13. SPEARMAN’S Ρ BETWEEN ANALYTE DESCRIPTORS AND PBRTQC PERFORMANCE METRICS ACROSS THREE DATASETS 38
• TABLE 14. SPEARMAN’S Ρ AMONG ANALYTE DESCRIPTORS ACROSS THREE DATASETS 39
• TABLE 15. SPEARMAN’S Ρ FOR THE ULSAN UNIVERSITY HOSPITAL DATASET USING THE MOVING AVERAGE (MA) ALGORITHM ONLY 40
• FIGURE 1. CONSTRUCTION OF “VIRTUAL DAYS” BY RANDOM SAMPLING 7
• FIGURE 2. SCHEMATIC ILLUSTRATION OF THE THREE OPTIMIZATION CRITERIA USED TO SELECT PATIENT-BASED REAL-TIME QUALITY CONTROL PROTOCOLS 11
• FIGURE 3. WORKFLOW FOR PBRTQC DESIGN, OPTIMIZATION, AND PERFORMANCE VALIDATION 14
• FIGURE 4. RELATIONSHIP BETWEEN DATA DISPERSION (RNS) AND OPTIMAL BLOCK SIZE ACROSS THREE OPTIMIZATION CRITERIA 34
• FIGURE 5. CORRELATIONS BETWEEN DISTRIBUTIONAL DESCRIPTORS AND PBRTQC PERFORMANCE ACROSS THREE TEST DATASETS 43
• FIGURE 6. RELATIONSHIP BETWEEN THE ABSOLUTE DIFFERENCE IN MEDIAN VALUES (
• ΔMEDIAN
• ) AND THE DIFFERENCE IN FALSE ALARM RATES (ΔFAR) IN THE ULSAN UNIVERSITY HOSPITAL (UUH) TEST SET UNDER SCENARIO 1 (FPB) 45
• FIGURE 7. SCATTER PLOTS ILLUSTRATING THE RELATIONSHIP BETWEEN SIGMA METRICS AND PBRTQC PERFORMANCE (ΣMNPED) UNDER DIFFERENT OPTIMIZATION CRITERIA 47