Ошибки при построении градуировки
ฝัง
- เผยแพร่เมื่อ 8 ก.ย. 2024
- 👉 Школа завлабов labheadschool.com
Телеграм-канал про развитие карьеры химика: t.me/+Rw4-Dxoa...
Видео о карьере химика:
• Video
Строим градуировочную зависимость в электронных таблицах. Обсуждаем две главные ошибки при построении градуировки, которые приводят к получению недостоверных результатов анализа.
00:11 - Построение градуировки с помощью диаграммы
04:16 - Построение градуировки с помощью функции ЛИНЕЙН
06:16 - Как проверить пригодности градуировки?
07:04 - Главная ошибка при построении градуировки. Обратный расчет.
14:55 - Ошибка при использовании градуировки
#градуировка
![Megan Thee Stallion - Neva Play (feat. RM) [Official Video]](http://i.ytimg.com/vi/TpYTyAaTRts/mqdefault.jpg)
👉 Школа завлабов labheadschool.com
Наконец что-то полезное на ютюбе
Будучи многолетним синтетиком, градуировки для меня были тёмным лесом. Но благодаря видео, разобрался. Автору большое спасибо!!!
Спасибо большое за подробный разбор! В руководствах по валидации методов для исследования фармакокинетики именно этот подход основной при оценке калибровочной кривой. Подставить сигналы от стандартных образцов, найденные значения концентрации поделить на известные и выразить в процентах. Получается коэффициент выявления или восстановления (recovery). Математически это похоже на оценку правильности.
Отдельный вопрос - почему так получается, что вроде бы Р-квадрат отличный и график выглядит красиво, а для малых значений такая большая ошибка. Уверен, что автор это знает - добавлю просто для полноты картины. Это объясняется тем, что между нижней и верхней точками разница - почти в 50 раз. Когда машина подбирает линейную функцию, идея в том, чтобы уменьшить суммарное отклонение каждой точки от линии тренда. И получается, если у нас нижняя точка от линии отклоняется на 0,5 или верхняя на 0,5 - машине без разницы. Но для верхней точки такое отклонение составит 2%, а для нижней - 100%.
Как это решать - есть разные способы, но ни один не идеальный. Иногда помогает логарифмировать концентрацию и сигнал, но в этом примере это не очень помогло. И другие функции (квадратичная и т.д.) - тоже. Грамотный подход - делать взвешивание по 1/Y2 - если коротко, суть в том, что маленьким значениям придаётся более высокий вес при подборе линейной функции. В Екселе это делать сложно (хотя и возможно), но это можно делать в программных оболочках многих приборов. Или можно использовать статистические пакеты - мы используем GraphPad Prism. Очень удобная и наглядная программа, но платная.
Итого, на самом деле, самый надёжный выход такой - не использовать без нужды крайние точки калибровки и проверять recovery не только на валидации, но и при проверке пригодности. И без необходимости не размахивать диапазон калибровки - хотя, это зависит от применения метода. Иногда нужно точно измерить что-то в узком и заранее известном диапазоне (как, например, количественное определение действующего вещества при выходном контроле качества). А иногда, наоборот, диапазон ожидаемых значений широкий, а требования к точности умеренные - скажем, при анализе примесей или при той же фармакокинетике
Александр, спасибо! Ваш опыт хорошо дополняет ролик с основами
Спасибо большое за подробное описание. Если убрать из калибровочного графика самую низкую концентрацию, то относительное расхождение будет в пределах 6 %. Если провести через логарифмическое трансформирование (лог10), то относительное расхождение без самой низкой концентрации будет в пределах 4%. При работе с калибровочным графиком полученным при помощи вэжх-мс мне часто приходилось прибегать к логарифмической трансформации из-за большой разницы концентраций на одном графике (часто от 5 нМ/Л до 1 микроМ/Л то есть разница в 200 раз).
Это очень ценный пример - как повысить точность анализа в реальной ситуации, когда данные уже получены, и только за счет обработки можно увеличить достоверность. Спасибо что поделились опытом.
приходится использовать МНК с весами
Спасибо большое за информацию, долго искала и вот наконец то мы можем построить град.графики любой момент вы супер 👍👍
Спасибо большое
Для посторения градуировок с большим шагом можно применять и коэффициент взвешивания функции. Это часто применяют где разница в точках примерно в 2-3 порядке. На счёт работы в линейном диапазоне согласен, но математически мы можем продолжить график до пересечениия с осью и вычислить концентрацию аналита в образце. И некоторое по хроматографа позволяет это сделать.
Спасибо!
Супер. Все теоретик вы практик. Спасибо
Перестроить все свои графики, чтобы ошибку считать. Спасибо большое.
Спасибо за видео, за вашу работу.
Строим графики в программе Колибри, иногда пишет зависимость нелинейная. Если посмотреть отчет, программа делает вывод опираясь на значение критерия Фишера и табличное его значение. Пробовала рассчитать сама, но ерунда получилась. Самое интересное если ставим исходные данные в другую программу всё хорошо.
Попробовала на вашем примере рассчитать с нашими значениями (концентрация/оптич. плотность) относительное отклонение - получила 20%. В Колибри все Ок, зависимость линейная, надеялась получить хорошие результаты в экселе ради интереса
Спасибо большое за информацию
Спасибо, очень интересно и понятно рассказано!
Такой вопрос, может кто увидит и пояснит. Рассчитал уравнение и ошибку в проценте в среднем выдало 2,16%. Затем как в ролике поменял местами Х и У, значения поменялись и почему-то ошибка стала меньше, хоть и не намного - 2,12%.
В чем может быть причина? И можно ли использовать эту калибровку и считать ее более подходящей?
Спасибо за видео! Однако, хочу подчеркнуть, что коэффициент детерминации (который выводится в массиве линейность) и коэффициент корреляции (который контролируется как критерий линейности в ГФ РФ) это все таки разные коэффициенты, которые связаны друг с другом функцией квадратичного корня. Что лучше учитывать при заключении о линейности диапазона методики. =)
Спасибо! Да, у меня в видео терминология не строгая, спасибо за дополнение!
Большое спасибо за видео! Относительное расхождение это и есть тот самый bias, о котором шла речь в одном из Ваших других видео?
Добрый день!
Формулы для вычисления действительно похожи, но bias, или смещение, это конкретный метрологический термин, показатель правильности методики - означающий расхождение между средним арифметическим большого числа измерений, и заложенным (опорным) значением. Применяется в контексте, когда мы проводим специальный эксперимент для исследования правильности методики.
А тут, в градуировке, мы по похожей формуле посчитали разницу между значением заложенной концентрации градуировочного раствора, и концентрации, которая получается по градуировочной кривой для данного аналитического сигнала. Специального термина для этой величины нет, и я придумывать не стал )
Здравствуйте, помогите как в экселе сделать эти формулы с True не получается
Здравствуйте огромное спасибо ваше видео очень помогло. Скажите пожалуйста а как правильно разводить ГСО?
В экселе не получается формула с TRUE
Строим градуировочную зависимость в электронных таблицах. Обсуждаем две главные ошибки при построении градуировки, которые приводят к получению недостоверных результатов анализа.
00:11 - Построение градуировки с помощью диаграммы
04:16 - Построение градуировки с помощью функции ЛИНЕЙН
06:16 - Как проверить пригодности градуировки?
07:04 - Главная ошибка при построении градуировки. Обратный расчет.
14:55 - Ошибка при использовании градуировки
Мой курс «Обеспечение достоверности анализа (QA) в фармацевтических лабораториях»
lpcma.tsu.ru/ru/school/QA_and_validation
Доброго времени суток, спасибо за видео! Небольшой вопрос, какое значение относительного расхождения можно считать оптимальным для калибровки градуировки при валидации? И данный способ оценки достоверности градуировки эквивалентен ее оценки с помощью recovery?
Добрый день! При валидации, мы обычно проверяем метрологические характеристики методики в целом (куда в ходит и пробоподготовка, и градуировка, и получение аналитического сигнала для образца) - прицизионность, правильность и т.д.
А вот в при рутинном анализе - уже задаем критерий к допустимому расхождению при построении градуировки. Универсального значения нет, все зависит от методики и требований к точности. Можно поступить так: если валидация прошла успешно, то в качестве критерия при рутинном применении методики задать величину максимального расхождения, полученную при построениях градуировки в ходе этой валидации.
По поводу "recovery" - вы имеете в виду анализ независимо приготовленных образцов с известным значением после построения градуировки? Да, такой способ так же применяется, он более достоверный, но и более трудоемкий. На практике делают и так и так.
Скажите, принципиально начинать график с нуля. Например для фотометрии
Добрый день! Моя практика говорит о том, что многоточечную градуировку начинают не с нуля, а с первого градуировочного раствора (как в этом видео). Вы можете для своих реальных данных сравнить два способа (такой, и добавив точку (0;0)) и сравнить для них результаты "обратного расчета".
@@user-wp9wh9tj9s Больше спасибо за ответ.
Добрый день. Вопрос. А какое расхождение с теоретическим значением является приемлемым ,т.е. сколько % закладывать в критерий приемлемости ? Например , количественный анализ на ВЭЖХ, если используется открываемость при валидации 98-102%, то приемлемым и логичным отклонением является 2%? Заранее спасибо за ответ.
Добрый день. Не думаю, что есть какой-то однозначный, прямой ответ.
Я бы сказал так: при исследовании методики мы смотрим фактическое отклонение "введно-найдено" для нашей градуировки. Если с таким расхождением градуировки мы проходим по валидационным критериям, то считаем полученное расхождение градуировки допуститмым.
И в дальнейшем, при рутином анализе не должны будем за него выходить
@@user-wp9wh9tj9s понял, отталкиваться от специфичности методики.
Здравствуйте. Скажите, со скольки процентов считается, что относительное расхождение уже неприемлемо?
Светлана, добрый день!
Нет какого-то одного универсального критерия. Обычно для каждой методики задают свой допустимый уровень. Он зависит от требуемой точности анализа. Ведь бывают методики, у которых ожидается неопределенность и 1% и 20%.