با نمرات عملکرد نامطلوب (Z-score>2) بدست آمده از آزمون مهارت چه کنیم؟

آزمون مهارت (PT) در تشخیص مسائل غیرمنتظره در آزمایشگاه شیمی تجزیه آنقدر موثر است که مشارکت در این الگوها (در جایی که در دسترس است) به عنوان یک پیش‌نیاز برای تائید صلاحیت آزمایشگاه در نظر گرفته می‌شود. بعلاوه بر این، به موازات شرکت در الگوهای آزمون مهارت، ارزیابان تائید صلاحیت انتظار دارند یک سیستم مستند از پاسخ‌های مناسب به نتایجی که نشاندهنده عملکرد مناسب است، را مشاهده کنند.

چنین سیستمی باید شامل ویژگی‌های زیر باشد:
·  تعریف معیارهای مناسب برای شروع اقدامات تحقیقی و یا اصلاحی؛
·  تعریف روش‌های تحقیقاتی و اصلاحی مورد استفاده و طرحی برای استقرار آنها؛
·  ثبت نتایج آزمون و نتیجه‌گیری‌های به دست آمده در طول چنین تحقیقاتی؛ و
·  ثبت نتایج بعدی که نشان می‌دهد هرگونه اقدام اصلاحی موثر بوده است.

این مقاله شرح مختصری است از اقداماتی که کارشناسان آزمایشگاه را راهنمایی می کند این نیازها را شناسایی کرده و نشان دهند که این نیازها برآورده شده است. با این حال، به دلیل تنوع در برگزاری الگوهای آزمون مهارت، گاهی درک مفاهیم آماری یک الگو چندان ساده نیست. بنابراین، برای همه افراد ذینفع مهم است که  بدانند دقیقا چگونه یک الگوی خاص سازماندهی شده است.

در این متن صرفا احتمالات اصلی بررسی شده اند. یکی از موضوعات کلیدی، این است که آیا الگوی PT ، معیاری که برای تناسب هدف استفاده میکند، برای الزامات هر آزمایشگاه (شرکت کننده) مناسب است یا خیر؟

تناسب برای هدف Fitness for purpose (FFP)

هدف اصلی آزمون مهارت در آزمونهای شیمی[۱][۲][۳]، فراهم کردن روشی است که آزمایشگاه‌های شرکت‌کننده بتوانند به صورت منظم مناسب بودن نتایج گزارش شده خود را برای هدف مورد نظر ارزیابی کنند. تناسب برای هدف دلالت بر این دارد که عدم قطعیت به اندازه ای کوچک است که میتوان تصمیمات صحیح را بر اساس نتایج تجزیه ای و بدون هزینه های غیر ضروری برای اندازه گیری اتخاذ کرد.[۴]

سطح عدم قطعیت که شامل تناسب برای هدف می شود، موضوعی است که باید قبل از انجام هرگونه آنالیز بین آزمایشگاه و مشتری توافق شود. الگوهای آزمون مهارت شیمیایی معمولاً استانداردی را برای تناسب با هدف تعیین می‌کنند که به طور گسترده در زمینه‌های کاربرد مربوطه قابل اجرا است. با این حال، این استاندارد ممکن است برای کار یک شرکت‌کننده خاص برای یک مشتری خاص مناسب یا نامناسب باشد.

زمانی که یک آزمایشگاه یک سیستم رسمی پاسخگویی به نمرات به دست آمده در هر دوره از یک الگو را تنظیم میکند؛ این عوامل باید در نظر گرفته شون. بنابراین لازم است سه موقعیت رایج را در نظر بگیریم:

1. الگوی PT از یک معیار FFP مناسب استفاده می کند.
2. این الگو از معیار FFP استفاده نمی کند.
3. این الگو از یک معیار FFP نامناسب استفاده می کند.
4. الگوی PT از یک معیار FFP مناسب استفاده می کند.

ساده‌ترین حالت زمانی رخ می‌دهد که الگوی معیار تناسب برای هدف را به عنوان عدم قطعیت استاندارد  σ_p را ارائه کند و از آن برای محاسبه امتیازهای z با استفاده از معادله زیر استفاده می‌کند.

z = ( x – X  ) /σ_p ,

که در آن x نتیجه شرکت‌کننده و X مقدار تخصیص یافته است. در این مورد مهم است که بدانیم مقدار هدف  σ_p  از قبل توسط برگزارکننده الگو تعیین می‌شود تا مفهوم تناسب آن‌ها را برای هدف توصیف کنند: این به هیچ وجه به نتایج به دست آمده توسط شرکت کنندگان بستگی ندارد. مقدار σ_p به گونه ای تعیین می شود که بتوان با آن مانند یک انحراف استاندارد رفتار کرد.

بنابراین، اگر نتیجه شما بی‌طرفانه باشد و به طور نرمال توزیع شده باشد و انحراف استاندارد مرحله به مرحله s معادل با  σ_p باشد، آنگاه امتیازهای z شما زیرمجموعه تصادفی از توزیع نرمال با میانگین صفر و واریانس یک، یعنی z ~ N(0,1) خواهند بود. به طور میانگین، حدود یکی  از بیست امتیاز z خارج از محدوده ۲± قرار می‌گیرند و تنها حدود ۳ از ۱۰۰۰ امتیاز خارج از ۳± قرار می‌گیرند.

با این حال، تعداد کمی از آزمایشگاه‌ها دقیقا این الزامات را برآورده می‌کنند. برای نتایج بی‌طرفانه، اگر انحراف استاندارد مرحله به مرحله  s شرکت‌کننده کمتر از  σ_p باشد، آنگاه تعداد کمتری از نقاط خارج از محدوده‌های مربوطه قرار می‌گیرند. اگر s بزرگتر از  σ_p باشد، آنگاه نسبت بیشتری از نتایج خارج از محدوده‌ها قرار خواهند گرفت. در واقع، بیشتر شرکت‌کنندگان به شرط s <σ_p عمل می‌کنند، اما نتایج آنها شامل یک انحراف با میزان بزرگتر یا کوچکتر هستند. چنین انحرافاتی اغلب بخش اصلی خطای کلی در یک نتیجه را تشکیل می‌دهند و همیشه منجر به افزایش نسبت نتایج خارج از محدوده‌ها می‌شوند.

به عنوان مثال، در یک آزمایشگاه که  s = σ_p است، وجود یک انحراف با بزرگی مساوی  σ_p باعث افزایش حدود هشت برابری نسبت نتایج خارج از محدوده‌های ۳± ، σ_p  می‌شود.

با توجه به این نتایج، ثبت و تفسیر z-scores برای نوع خاصی از آزمون در قالب یک نمودار کنترلی به وضوح موثر است.

طرح PT از معیار تناسب برای هدف استفاده نمی کند

بعضی از طرح‌های آزمون مهارت براساس تناسب برای هدف عمل نمی‌کنند. ارائه دهنده طرح امتیازی را تنها از نتایج شرکت‌کنندگان محاسبه می‌کند (یعنی بدون استفاده از مرجع خارجی مربوط به الزامات واقعی).  در چنین طرحی، ممکن است یک z-score محاسبه شده با استفاده از انحراف استاندارد تخمین زده شده از نتایج شرکت کنندگان (با برخورد مناسب با نقاط پرت) به عنوان مقدار σ_p را انتخاب کنید. این استراتژی تضمین می‌کند که تقریباً  حدود ۹۵% از شرکت‌کنندگان بدون توجه به صحت مورد نیاز، همیشه امتیازی “رضایت‌بخش” (به عبارتی در بازه ±۲) دریافت می‌کنند.

این ممکن است برای شرکت‌کنندگان رضایت‌بخش باشد، اما درباره اینکه نتایج مناسب برای هدف عملی هستند چیزی نمی‌گوید. از طرف دیگر، می‌توان “q-score” را محاسبه کرد، به طور ساده یک خطای نسبی با فرمول q = (x – X) / X همچنین، این امر درباره تناسب برای هدف هم چیزی نمی‌گوید.

اگر طرح آزمون مهارت شما بر این اساس عمل می‌کند، شما باید امتیاز خود را بر اساس تناسب برای هدف محاسبه کنید. این کار را می‌توان به راحتی با استفاده از روش‌هایی که در بخش بعدی توضیح داده شده است، انجام داد.

طرح آزمون مهارت (PT) از یک معیار نامناسب استفاده می‌کند.

بیشتر اوقات یک الگوی آزمون مهارت توانایی برآورده کردن معیار تناسب برای هدف عملی را ندارد. شرکت کننده ممکن است متوجه شود که معیار تناسب برای هدف که توسط ارائه دهنده طرح استفاده می‌شود، مناسب برای برخی از آزمون های خاصی که توسط آزمایشگاه انجام می‌شود، نیست. در واقع، برای یک آزمایشگاه غیرمعمول نیست تعدادی مشتری داشته باشد که آنالیت یکسان را در یک ماده مشخص می‌خواهند، اما هرکدام شرایط عدم قطعیت متفاوتی دارند. اگر چنین اتفاقی رخ دهد، شرکت کننده باید با مشتری یک معیار خاص تناسب برای هدف (σ_f ) را توافق کند و از آن برای محاسبه “zeta-score” استفاده کند که به صورت زیر تعریف می‌شود:

  z = (x – X) / σ_f  در اینجا، x  نتیجه شرکت کننده و X مقدار تخصیص یافته توسط ارائه دهنده طرح است. انحراف استاندارد σ_f  باید مانند مقدار σ  در یک z-score استفاده شود، یعنی باید به شکل یک عدم قطعیت استاندارد که نشان دهنده تناسب توافق شده برای هدف است، باشد. اگر چندین مشتری با الزامات مختلف وجود داشته باشد، ممکن است برای هر نتیجه، چندین امتیاز zeta معتبر وجود داشته باشد.

این امتیازهای zeta را می‌توان به همان روشی که برای z-scores توصیه شده در بالا استفاده کرد، به عبارتی با استفاده از نمودارهای کنترل معمولی. در نتیجه، ممکن است چندین zeta-score معتبر وجود داشته باشد. این zeta-scores را می‌توان دقیقا به روشی که در بالا برای z-scores  توصیه شده است، یعنی با انواع نمودارهای کنترل معمولی مدیریت کرد.

وابستگی به غلظت

از آنجایی که غلظت آنالیت در زمان آزمون برای شرکت‌کننده ناشناخته است، یک معیار تناسب برای هدف، معمولاً باید به عنوان وابسته به غلظت بیان شود. شما فقط باید معیار تناسب برای هدف را به عنوان یک تابعی از  c، غلظت آنالیت، مشخص کنید. به عنوان مثال، شما ممکن است نیاز به انحراف استاندارد نسبی ثابت داشته باشید که به صورت زیر تعریف می‌شود:
σ_f = A_c
که در آن A یک ثابت توافق شده است. می‌توانیم مقدار مناسب  σ_f را با استفاده از مقدار تخصیص یافته توسط ارئه دهنده طرح به عنوان غلظت یعنی (c = X) پیدا کنیم.

یک تابع با جزئیات بیشتر ممکن است به این حقیقت توجه داشته باشد که در غلظتهای کمتراز c_L ممکن است به عدم قطعیت کمتر سخت گیرانه تری نیاز باشد. در این حالت، یک رابطه به شکل زیر ممکن است مناسب‌تر باشد  : σ_f = c_L B + A_c
که در آن B یک ثابت دیگر است. این رابطه تضمین می‌کند که σ_f نمی‌تواند کمتر از c_L B شود، هرچند که غلظت واقعی آنالیت کم باشد. یک گزینه دیگر می‌تواند استفاده از معادله Horwitz باشد:
σ_f = ۰.۰۲c^^۰.۸۴۹۵
یا معادله مشابهی به عنوان تابع تناسب.

لطفاً توجه کنید که در معادله Horwitz ، هر دو c و σ_f به صورت بدون واحد به عنوان کسر جرمی استفاده می‌شوند.

نمودارهای کنترلی

اگر عملکرد یک آزمایشگاه به طور پیوسته برای هدف مناسب باشد، نمره z خارج از محدوده ۳± به ندرت رخ می دهد.

در شرایطی که z>3 بشود، اگر فرض کنیم که در سیستم آزمون یک انحراف جدی رخ داده است، منطقی است. چنین اتفاقی نشان می‌دهد که آزمایشگاه باید نوعی اقدام اصلاحی برای رفع مشکل انجام دهد. دو نمره z متوالی که بین ۲ و ۳ (یا بین -۲ و -۳) قرار می‌گیرند را می‌توان به همین روش تفسیر کرد. در واقع همه قوانین عادی برای تفسیر نمودار شوهارت (مثلاً قوانین وستگارد^۵) را می توانیم به کاربر ببریم. در عمل، یک آزمایشگاه ممکن است بخواهد محدودیت‌های عمل را در نقطه‌ای بین ۲ و ۳ تنظیم کند تا با سطح احتمال انتخابی متوسط مطابقت داشته باشد.

کنترل چارتهای گرافیکی به منظور نظارت و ارزیابی پیوسته عملکرد یک فرآیند یا سیستم به کار می‌روند. در آزمایشگاه، از این نمودارها برای تشخیص و رفع هرگونه انحراف یا تغییر در عملکرد مطلوب استفاده می‌شود.

علاوه بر استفاده از نمودار شوهارت، اغلب مقدار z-scores را برای ارزیابی نشانه‌های وجود انحراف طولانی مدت نیز بررسی می‌کنند، به عنوان مثال این کار را می توان با استفاده از نمودار کیوسام (cusum chart) یا نمودارجی   (J-chart) انجام داد. اگر نمرات z یک شرکت‌کننده تقریباً همیشه الزامات معیار تناسب برای هدف را برآورده می‌کند، ممکن است یک انحراف کوچک مهم نباشد و نیازی به رسم کنترل چارت نباشد.

با این حال، همانطور که در بالا دیدیم، هر درجه از انحراف  می تواند باعث افزایش تعداد نتایجی شود که خارج از محدوده کاری قرار دارند و بنابراین ممکن است ارزش حذف شدن را داشته باشد. شرکت‌کننده‌ای که تصمیم می‌گیرد انحراف را نادیده بگیرد، باید این موضوع را در تحقیقات اولیه ذکر کند. به عبارت دیگر، شرکت‌کننده باید بیان کند که تصمیم در نادیده گرفتن انحراف از قصد و با اساس منطقی است و نه به طور تصادفی.

چگونه به یک z-score که نیاز به اقدام اصلاحی دارد پاسخ دهیم؟

بررسی یک z-score ضعیف ارتباط نزدیکی با کنترل کیفیت داخلی (IQC) دارد.^۵ در شرایط معمول، یک شرکت‌کننده PT روزها یا هفته‌ها پس از انجام آزمون متوجه می‌شود که z-score ضعیف است. با این حال، در زمان آزمون معمول، هر مشکل گسترده ای که بر روی تمامی آزمون ها تأثیر داشته باشد، باید به سرعت توسط روش های کنترل کیفیت داخلی شناسایی شود. علت مشکل باید بلافاصله اصلاح شود.

بنابراین یک z-score غیرمنتظره ی ضعیف نشان می‌دهد که

 (الف) سیستم کنترل کیفیت داخلی ناکارآمد است ، یا

(ب) نمونه‌های PT ، به تنهایی از بین سایر نمونه های آزمون در آنالیز تحت تأثیر یک خطا قرار گرفته است. شرکت کنندگان باید هردوی این احتمالات را در نظر بگیرند.

خطاهایی در سیستم‌های کنترل کیفیت داخلی (IQC)

یکی از خطاهای رایج در سیستم‌های کنترل کیفیت داخلی (IQC) این است که یا به اندازه کافی از مواد کنترل کیفیت داخلی استفاده نمی شود یا مواد کنترل کیفی( IQC material) با مواد آزمون معمولی تطبیق ضعیفی دارند. یک ماده کنترل کیفیت داخلی باید در حد امکان نماینده‌ ای از ماده آزمون معمولی از نظر ماتریس، طبقه بندی، گونه و غلظت آنالیت باشد.

تنها در این صورت است که رفتار ماده کنترل کیفیت داخلی می‌تواند راهنمای مفیدی برای کل آزمون باشد. اگر مواد آزمون در هر یک از این ویژگی‌ها در دسته تعریف شده، به طور قابل ملاحظه‌ای متفاوت باشند، استفاده از بیش از یک ماده کنترل کیفیت داخلی موثر است. به عنوان مثال، اگر غلظت آنالیت به طور قابل توجهی در بین مواد آزمون متغیر باشد (مثلاً بیش از دو مرتبه بزرگی)، دو ماده کنترل کیفیت داخلی متفاوت با غلظت های متفاوت، باید در نظرگرفته شود.

مهمترین امری که باید به آن توجه شود، اجتناب از استفاده از یک محلول استاندارد ساده آنالیت به عنوان محلول کنترل کیفیت داخلی (IQC) به عنوان جایگزینی برای ماده آزمون با ماتریس پیچیده، است. اگر سیستم کنترل کیفیت داخلی (IQC) فقط به دقت بین آزمون‌ها توجه کند و از انحراف در نتیجه میانگین چشم پوشی کند، مشکل دیگری ممکن است ایجاد شود. چنین انحرافی می تواند منجر به ایجاد مشکل شود که آیا این ماده کنترل کیفیت داخلی IQC (و به عنوان مواد PT) مطابقت دارد یا نه؟

بنابراین، مهم است که میانگین نتیجه را با بهترین تخمین ممکن از مقدار واقعی برای ماده کنترل کیفیت داخلی مقایسه کنیم. برای به دست آوردن چنین تخمینی، قابلیت ردیابی به خارج از آزمایشگاه لازم است. قابلیت ردیابی خارجی را می توان به عنوان مثال با استفاده از CRMهایی با ماتریس مشابه، یا با قرار دادن مواد کنترل کیفیت داخلیIQC به دست آورد.

یک ماده آزمون مهارت غیرمعمول

اگر شرکت‌کننده مطمئن باشد که سیستم کنترل کیفیت داخلی (IQC) به طور قطعی بی‌طرفانه است، مشکل در نتیجه ماده آزمون مهارت ممکن است مربوط به آن آنالیت خاص باشد. نتیجه ضعیف می تواند نتیجه یک  اشتباه در رابطه با رفتار ماده آزمون مهارت باشد (به عنوان مثال، وزن یا حجم نادرست ثبت شده). این موضوع به سرعت قابل بررسی است. روش دیگر، شکل غیر منتظره ای از انحراف (مانند یک اثر تداخلی که قبلا مشاهده نشده است یا درصد بازیافت بسیار پایین) ممکن است به طور منحصر به فرد بر ماده آزمون مهارت یا فرآیند اندازه‌گیری تأثیر گذاشته باشد.

نتیجه موقت در این حالت ممکن است این باشد که ماده آزمون مهارت به اندازه کافی متفاوت از ماده آزمون معمولی است تا z-score  را برای کار آنالیزی که انجام می شود غیر قابل اجرا کند.گزینه دیگر این است که روش آزمون و سیستم کنترل کیفیت داخلی نیاز به اصلاح داشته باشند.

تست‌های تشخیصی

یک z-score ضعیف نشان‌دهنده وجود مشکل است، اما قابل تشخیص نیست. بنابراین معمولا برای تعیین منشا یک نتیجه ضعیف به اطلاعات بیشتری نیاز دارید. در مرحله اول، باید سوابق آنالیز حاوی ماده آزمون مهارت را مورد بازبینی قرار دهید. ویژگی‌های زیر را باید جستجو کرد:

 · خطاهای سیستماتیک یا تصادفی در محاسبات؛
 · استفاده از وزن‌ها یا حجم‌های نادرست؛
 · نشانه‌های خارج از کنترل از نمودارهای IQC معمول شما؛
 · بلنک های غیرمعمول ؛
 · درصد بازیافت های ضعیف و غیره.
اگر این اقدامات نتیجه‌ای نداشت، آنگاه نیاز به اندازه‌گیری‌های بیشتر است.

اقدام مشخص این است که ماده PT مورد نظر را در آنالیز‌ بعدی به طور روزمره مجدداً آزمون کنید. اگر مشکل برطرف شود (یعنی نتیجه جدید یک z-score قابل قبول ایجاد می کند) ممکن است مجبور شوید  مشکل اصلی را به یک رویداد تصادفی با علت ناشناخته نسبت دهید. اگر نتیجه ضعیف باقی بماند، نیاز به بررسی گسترده‌تری وجود دارد. می‌توانید با تجزیه و تحلیل یک راند حاوی قلم PT از دورهای قبلی طرح و/یا استفاده از  CRMهای مناسب در صورت در دسترس بودن، مورد بررسی قرار دهید.

اگر نتیجه ضعیف همچنان برای ماده PT مورد بررسی به‌دست آید، اما در نتایج سایر مواد PT و CRM ها وجود نداشته باشد، احتمالاً خطا ناشی از یک ویژگی منحصر به فرد در ماده است، احتمالاً از یک تداخل یا تأثیر ماتریسی غیرمنتظره‌ای ناشی می شود. درچنین مواردی ممکن است مستلزم مطالعات گسترده تری برای شناسایی علت تداخل باشد. علاوه بر این، ممکن است لازم باشد روش تجزیه معمول را برای تطبیق با حضور تداخل‌کننده در مواد آزمون آینده اصلاح کنید. (با این حال، شما ممکن است بدانید که مواد آزمون شما هرگز شامل تداخل‌کننده نخواهد بود و تصمیم بگیرید که z-score نامطلوب برای سیستم تجزیه شما قالب اعمال نیست.)

اگر مشکل در بین نتایج مواد قدیمی آزمون مهارت و CRMها به طور کلی وجود داشته باشد، احتمالاً این خطا در روش آنالیتیک و همچنین یک خطا مربوط به سیستم کنترل کیفیت داخلی (IQC) وجود دارد. در این صورت، هر دو این عوامل نیاز به توجه و بررسی دقیق دارند.

اطلاعات اضافی از نتایج آزمون مولتی آنالیت

بعضی از آزمون‌های مهارت شامل روش‌هایی مانند ICP-AES هستند که می‌توانند به صورت همزمان تعدادی آنالیت را از یک قسمت آزمون و یک تیمارمحلول شیمیایی تعیین کنند. (روش‌های کروماتوگرافی که تعدادی از آنالیت ها را به سرعت تعیین میکنند، می‌توانند در بحث حاضر به عنوان “همزمان” درنظر گرفته شوند.) در برخی موارد، اطلاعات اضافی که تشخیصی هستند، ممکن است از نتایج چند آنالیت در مورد ماده آزمون مهارت بازیابی شود. اگر همه یا بیشتر آنالیت ها نتایج نامطلوبی داشته باشند و تقریبا به همان اندازه تحت تأثیر قرار بگیرند، خطا باید در عملیاتی باشد که تمام فرایند را تحت تأثیر قرار می‌دهد، مانند خطا در توزین قسمت آزمون یا افزودن استاندارد داخلی.

اگر فقط یک آنالیت تحت تأثیر نامطلوب قرار بگیرد، مشکل باید در کالیبراسیون آن آنالیت یا در بعد منحصر به فرد شیمیایی آن آنالیت باشد. اگر یک زیرمجموعه قابل توجهی از آنالیت‌ها تحت تأثیر قرار گرفته باشند، عوامل مشابهی اعمال می‌شوند. به عنوان مثال، در آزمون یک نمونه سنگ با استفاده از ICP-AES، اگر گروهی از عناصر نتایج کمی داشته باشند، باید بررسی کنیم که آیا این اثر می‌تواند به دلیل عدم حل شدن کامل یکی از فازهای معدنی تشکیل‌دهنده سنگ که در آن عناصر مربوطه تجمع کرده‌اند، از طرف دیگر، ممکن است یک تغییر در طیف شیمیایی ناشی از تغییر در عملکرد سیستم نیوبلایزر یا خود پلاسما ، که بر برخی از عناصر تأثیر قرار می‌گذارند، باشد.

یک مقدار تخصیص یافته دارای انحراف

در حالت ایده آل، طرح های آزمون مهارت باید از مقادیر تخصیص یافته قابل ردیابی استفاده کنند. در عمل، بیشتر الگوهای آزمون مهارت از اجماع مشارکت‌کنندگان به عنوان مقدار تخصیص یافته استفاده می‌کنند، زیرا به ندرت گزینه عملی دیگری وجود دارد. با این حال، استفاده از اجماع این احتمال را افزایش می دهد که در میان گروهی از آزمایشگاه‌ ها که عمدتا از یک روش تجزیه جانبدارانه استفاده می کنند، یک اقلیت کوچکی از مشارکت‌ کنندگان از یک روش بدون انحراف استفاده کنند. این زیرمجموعه اقلیت نتایجی را تولید می‌کنند که از اجماع منحرف می‌شود و به طور غیر منصفانه نمره های z “غیر قابل قبول” ایجاد می کنند.

در عمل، چنین اتفاقی غیرمعمول است، اما ناشناخته نیست، به ویژه زمانی که آنالیت‌ها یا مواد آزمون جدید تحت آزمون مهارت قرار میگیرند. به عنوان مثال، اکثریت مشارکت‌کنندگان ممکن است از یک روش استفاده کنند که مستعد تداخلی ناشناخته است، در حالی که اقلیت تداخل را تشخیص داده روشی را توسعه داده اند که بر آن غلبه کند.

بسیاری اوقات مشکل برای مشارکت‌ کنندگان تحت تأثیر به سرعت قابل مشاهده است، زیرا آنها از یک روشی استفاده می‌کنند که مبتنی بر درک عمیق‌ تری از روش‌های شیمیایی نسبت به روشی است که بیشترین تعداد مشارکت‌کنندگان از آن استفاده می‌کنند. اما مشکل برای سایر مشارکت‌ کنندگان یا ارائه‌ دهنده طرح قابل مشاهده نیست.

اگر شرکت ‌کننده ای مشکوک باشد که در این موقعیت قرار دارد، اقدام صحیح، پس از گذراندن مراحل ذکر شده در بالا، ارسال جزئیات شواهد جمع‌آوری شده مبنی بر معیوب بودن مقدار تعیین‌شده  توسط برگزارکننده آزمون مهارت است. برگزار کننده به طور معمول به سوابق روش‌های استفاده شده توسط سایر شرکت‌کنندگان دسترسی خواهد داشت و ممکن است فورا قادر به تأیید شکایت باشد.

از طرف دیگر، برگزارکننده ممکن است یک تحقیق طولانی مدت درمورد مشکل راه‌اندازی کند. امیدواریم که در زمان مناسب اختلاف را برطرف کند. چنین رویدادی نباید به عنوان یک نقض در آزمون مهارت در نظر گرفته شود، بلکه در واقع یکی از مزایای آن است. یعنی یک مشکلی که برای آزمایشگاه‌هایی که به صورت مجزا کار می‌کنند آشکار نشده است، کشف و اصلاح شده است.

نتیجه گیری

مشارکت‌کنندگان باید روشی مستند برای بررسی و برخورد با امتیازهای z “نامطلوب” داشته باشند. این ممکن است بر اساس ملاحظاتی که در بالا مورد بحث قرار گرفت، به شکل یک نمودار جریانی یا درختی تصمیم گیری باشد. تفسیر نتایج باید الزامات آمادگی آزمایشگاه شرکت‌کننده را در نظر بگیرد. بررسی نتایج کنترل کیفی داخلی و تحلیل مجدد مواد آزمون تخصصی برای اقدامات پشتیبانی توصیه می‌شود. با این حال، ما باید بدانیم که  تشخیص دادن هیچ روشی دقیقاً تعریف شده‌ای نمی تواند همه موارد احتمالی را در نظر بگیرد، بنابراین، باید فضایی برای استفاده از داوری حرفه‌ای به صراحت در روش در نظر گرفته شود.

مقاله فوق ترجمه یکی از مقالات سایت Royal Society of Chemistry می باشد که مجموعه ویرا اقدام به ترجمه فارسی آن کرده است و شما می توانید فایل اصلی را در قالب pdf از لینک زیر دانلود فرمایید.

دانلود مقاله اصلی

---

[۱] ISO Guide 43, Proficiency Testing by Interlaboratory Comparisons, ISO, Geneva, 1997.

[۲] M Thompson, R Wood, Pure Appl. Chem., ۱۹۹۳, ۶۵, ۲۱۲۳.

[۳] R E Lawn, M Thompson, R F Walker, Proficiency Testing in Analytical Chemistry, Royal Society of Chemistry, Cambridge, ۱۹۹۷.

[۴] T Fearn, S A Fisher, M Thompson and S L R Ellison, Analyst,۲۰۰۲, ۱۲۷, ۸۱۸-۸۲۴.