ArticlePDF AvailableInternal Quality Control – Handbook for Chemical LaboratoriesJanuary 2007Project: MetrologyAuthors:

Håvard HovindHåvard HovindThis person is not on ResearchGate, or hasn t claimed this research yet.

Bertil MagnussonTrollboken AB

Mikael KrysellSwedish Meteorological and Hydrological Institute

Ulla LundUlla LundThis person is not on ResearchGate, or hasn t claimed this research yet.Show all 5 authorsHide

Download full-text PDFDownload full-text PDFRead full-textDownload full-text PDFDownload full-text PDFRead full-textDownload citation Copy link Link copied Read full-text Download citation Copy link Link copiedCitations (44)References (22)Figures (9)Abstract and FiguresAccording to ISO/IEC 17025 (3): The laboratory shall have quality control procedures for monitoring the validity of tests undertaken. The resulting data shall be recorded in such a way that trends are detectable and, where practicable, statistical techniques shall be applied to the reviewing of the results. The monitoring shall include e.g. regular use of internal quality control. … Quality control data shall be analysed and, where they are found to be outside pre-defined criteria, planned action shall be taken to correct the problem and to prevent incorrect results from being reported. Internal quality control at the chemical analytical laboratory, involves a continuous, critical evaluation of the laboratory s own analytical methods and working routines. The control encompasses the analytical process starting with the sample entering the laboratory and ending with the analytical report. The most important tool in this quality control is the use of control charts. The basis is that the laboratory runs control samples together with the routine samples. The results of the control program may be used in several ways - the analyst will have an important quality tool in his/her daily work, the customer can get an impression of the laboratory s quality and the laboratory can use the results in the estimation of the measurement uncertainty. The QC has to be part of a quality system and should be formally reviewed on a regular basis. The aim of this handbook is to describe a fit for purpose system for internal quality control at analytical laboratories that are performing chemical analysis. The approach is general, but the examples are mainly from environmental analyses. Technical Group: Environment ISSN:

Example of an X control chart for the direct determination of zinc in water. All control values in the green area (within the warning limits) show that the determination of zinc performs within given limits and the routine sample results are reported. Control values in the red area (outside the action limits) show clearly that there is something wrong and no routine sample results are reported. A control value in the yellow area is evaluated according to specific rules.… 

The ladder for a measurement procedure used in a laboratory… 

. Critical t-values (2-sided test).… 

A normal distribution curve illustrating the probability for a result to be located within… 

+4The relation between the normal distribution curve and the control chart.… Figures - uploaded by Bertil MagnussonAuthor contentAll figure content in this area was uploaded by Bertil MagnussonContent may be subject to copyright.

Discover the world s research

20+ million members135+ million publications700k+ research projectsJoin for freePublic Full-texts 2Trollboksv vers5N.pdfContent available from Bertil Magnusson:Trollboksv vers5N.pdfTrollbook tr 569_ed4.pdfContent uploaded by Bertil MagnussonAuthor contentAll content in this area was uploaded by Bertil Magnusson on Feb 22, 2019 Content may be subject to copyright.Trollbook tr 569_ed4.pdfContent available from Bertil Magnusson:Trollboksv vers5N.pdfTrollbook tr 569_ed4.pdfContent uploaded by Bertil MagnussonAuthor contentAll content in this area was uploaded by Bertil Magnusson on Feb 16, 2015 Content may be subject to copyright. i Handbok Intern kvalitetskontroll Utgåva 5 2018 RISE rapport 2018:48, ISBN 978-91-88695-88 Författare Bertil Magnusson, Trollboken AB och RISE Research Institutes of Sweden, Sverige Håvard Hovind, Norge Mikael Krysell, Havs- och vattenmyndigheten, Sverige Ulla Lund, Danmark Irma Mäkinen, Finland Teckningar av Petter Wang, Norge och Timo Vänni, Finland. Värdefulla kommentarer har erhållits av: Eskil Sahlin, RISE, Sverige Håkan Marklund, SNV, Sverige, Annika Norling, SWEDAC, Sverige Roger Wellum, IRMM, Belgien Elizabeth Prichard, Storbrittanien Marina Patriarca, Antonio Menditto and Valeria Patriarca, ISS, Italien och många, många hängivna analytiska kemister. Den engelska versionen kan laddas ner från www.nordtest.info Rekommenderad citering Detta dokument bör citeras så här:* \"B. Magnusson, H. Hovind, M. Krysell, U. Lund och I. Mäkinen, Handbok - Intern kvalitetskontroll, RISE rapport 2018:48, svensk version av Nordtest Report TR 569 (ed. 5) 2018. *Beroende på krav från tidskriften. ii Förord Målet med Trollboken är att ge praktiska råd för intern kvalitetskontroll. Boken är skriven för dig som arbetar med rutinmätningar på analyslaboratoriet. Den femte utgåvan är en mindre revidering. De viktigaste ändringarna är: • tydligare fokus på målinriktade gränser där kundens krav är lägre än metodens prestanda – då kan ju vidare gränser sättas. Då detta innebär att det blir färre gånger metoden är utanför kontroll rekommenderas detta – se exempel 1, 2, 5 och 7; • långtidsutvärderingen (kapitel 10) är reviderad och diskuterar nu kontrollgränser och centrallinje i separata avsnitt; • sammanvägd standardavvikelse (eng. pooled) o sammanlagd standardavvikelse betecknas nu mer korrekt sammanvägd standardavvikelse; o sammanvägd standardavvikelse rekommenderas för att ta fram standardavvikelse för R och r% diagram; o exempel 10 har lagt till som visar beräkning av sammanvägd standardavvikelse sr och sRw från intern kvalitetskontroll där man har mätt 3 replikat i varje analysomgång under 8 olika dagar. Om alla resultat används för att beräkna sRw erhålls ett för lågt värde och då blir kontrollgränserna för snäva. • för R och r% diagram är det bäst att välja några av proverna i den aktuella analysomgången – exemplen har därför reviderats. Den första versionen av intern kvalitetskontroll ([1] – Intern kvalitetskontroll - Handbok för vattenlaboratorier togs fram i nordiskt samarbete på 80-talet – mest känd under namnet Trollboken [2]. Den har sedan översatts till flera språk och har en utbredd användning som ett verktyg för kemilaboratorier – inte enbart miljölaboratorier. Sedan den första upplagan kom ut har det under åren hänt mycket inom området analyskvalité. För det första har kravet på ackreditering av analyslaboratorier skapat ett tryck på laboratorierna att dokumentera analyskvalitén och den interna kvalitetskontrollen är en viktig del av denna dokumentation. När standarden för ackreditering ISO/IEC 17025 [3] började tillämpas kom mätosäkerhet i fokus, både för kemiska och mikrobiologiska metoder. När ett laboratorium skall beräkna mätosäkerheten är kunskap om inom-lab reproducerbarhet (mellanliggande precision) viktigt. Uppdraget att uppdatera denna bok har varit möjligt tack vare bidrag från Nordic Innovation Centre/Nordtest, i projekt 04038, Naturvårdsverket och Trollboken AB. Den svenska översättningen har utförts med bidrag från RISE Research Institutes of Sweden. Den engelska utgåva 5 av handboken TR 569 kan laddas ner från wwww.nordtest.info. Vanliga frågor (Frequently Asked Questions, FAQ) behandlas på www.trollboken.se under Internal Quality Control. _________________________________. iii Information till våra läsare Trollboken börjar, efter en inledning, med två kapitel (kapitel 2 och 3) om allmänna frågor om analyskvalité med inriktning mot intern kvalitetskontroll. Därefter följer en introduktion till intern kvalitetskontroll (kapitel 4). De verktyg som används för kontrolldiagram beskrivs i de följande kapitlen: kontrolldiagram (kapitel 5), kontrollprov (kapitel 6) och kontrollgränser (kapitel 7). Kapitel 8 beskriver hur man kan utforma ett program för kvalitetskontroll. I de följande kapitlen beskrivs hur data från intern kvalitetskontroll kan användas. Kapitel 9 förklarar hur man efter varje analystillfälle tolkar data från kvalitetskontrollen medan i kapitel 10 visas hur programmet för kvalitetskontroll granskas för att undersöka om programmet fortfarande är optimalt för att kontrollera kvalitén på analyserna. Data från kvalitetskontroll kan användas för annat än just den dagliga kontrollen vid varje analysomgång. Kapitel 10 förklarar även hur informationen om inom-lab reproducerbarhet, bias och repeterbarhet kan hämtas från data från kvalitetskontrollen. Kapitel 11 ger exempel på andra användningsområden där kvalitetskontrolldata och principen för kontrolldiagram kan användas. Kapitel 12 och 13 presenterar begrepp, ekvationer och statistiska tabeller användbara för intern kvalitetskontroll för data från kontrolldiagram. Kapitel 14 innehåller nio exempel på hur man börjar använda kontrolldiagram och även användning av kontrollregler och den årliga granskningen som beskrivs i kapitel 9 och 10. I exempel åtta ger vi en detaljerad beskrivning av hur man granskar preliminära kontrollgränser och fastställer nya kontrollgränser baserade på ytterligare data. Exempel tio visar med sammanvägd standardavvikelse hur man beräknar sr and sRw från data från intern kvalitetskontroll. Kapitel 15 ger en lista på referenser och förslag på vidare läsning. Några vanliga symboler och förkortningar som används i denna handbok anges här nedan. En mer detaljerad beskrivning ges i kapitel 12. n Antal mätvärden s Standardavvikelse Medelvärde Rw Inom-lab reproducerbarhet (mellanliggande precision) CRM Certifierat Referensmaterial AL Aktionsgräns WL Varningsgräns CL Centrallinje QC Kvalitetskontroll x v INNEHÅLL 1. Inledning ...................................................................................................... 1 2. Mätosäkerhet och inom-lab reproducerbarhet ............................................... 3 3. Behov av analyskvalité ................................................................................. 9 4. Grunderna för arbete med kontrolldiagram ................................................. 11 5. Olika kontrolldiagram................................................................................. 13 6. Olika kontrollprov ...................................................................................... 15 7. Fastställa kontrollgränser ............................................................................ 17 8. Utforma ett QC program ............................................................................. 21 9. Den dagliga utvärderingen av kvalitetskontrollen ....................................... 23 10. Långtidsutvärdering av data från kvalitetskontroll ...................................... 25 11. Annan användning av QC data kontrolldiagram ..................................... 27 12. Begrepp och ekvationer .............................................................................. 29 13. Tabeller ...................................................................................................... 33 14. Exempel ..................................................................................................... 35 15. Referenser .................................................................................................. 47 1(47) 1. Inledning Enligt ISO/IEC 17025:7.7.1 [3] Laboratoriet ska ha en rutin för att övervaka resultatens tillförlitlighet. Resultat ska registreras på ett sätt som gör att tendenser kan upptäckas och där statistiska tekniker, om det är praktiskt genomförbart, ska användas för granskning av resultat. Denna övervakning ska planeras och granskas och ska, när så är lämpligt omfatta, … användning av referensmaterial eller kontrollmaterial… användning av kontroll- eller arbetsstandarder med kontrolldiagram, om tillämpligt… provning av blindprov(er) och i 7.7.3 Data från övervakningsaktiviteter ska analyseras och användas för att kontrollera och, om tillämpligt, förbättra laboratoriets aktiviteter. Om resultaten av analysen av data från övervakningsaktiviteter befinns vara utanför förutbestämda kriterier, ska lämpliga åtgärder vidtas för att förhindra att felaktiga resultat rapporteras. Intern kvalitetskontroll vid det kemiska analyslaboratoriet omfattar en kontinuerlig, kritisk utvärdering av laboratoriets analysmetoder och arbetsrutiner. Kontrollen omfattar hela den analytiska processen. Den börjar med att provet kommer till laboratoriet och slutar med analysrapporten. Det viktigaste verktyget i kvalitetskontrollen är kontrolldiagrammet. Det bygger på att laboratoriet mäter kontrollprov tillsamman med rutinprover. Kontrollvärdena sätts in i kontrolldiagrammet. Det är då möjligt att visa att analysmetoden fungerar inom givna gränser. Om kontrollvärdena är utanför gränserna så måste åtgärder vidtas för att upptäcka och åtgärda felen innan analysresultat kan rapporteras. I Figur 1visas det vanligaste kontrolldiagrammet – X diagram. Figur 1. Exempel på X kontrolldiagram för direkt mätning av zink i vatten. Alla kontrollvärdena inom det gröna området (inom varningsgränserna) visar att bestämning av zink utförs inom givna gränser och att rutinresultat kan rapporteras. Kontrollvärden inom det röda området (utanför aktionsgränserna) visar att något är fel och inga analysresultat rapporteras. Ett kontrollvärde inom det gula området utvärderas enligt särskilda regler. X-diagram Zn50556065701-Feb 22-M ar 10-M ay 28-Jun 16-Aug 4-Oct 22-Nov 10-Jan 28- FebAnalysdatumµg/l 2(47) När ett program för kvalitetskontroll (QC) skall tas i bruk är det viktigt att tänka på kravet på analysresultatet och till vad resultatet skall användas – eng. fit for purpose. Utifrån kraven kan analytikern utforma ett kontrollprogram: • ett eller flera olika kontrollprov; • olika kontrolldiagram; • kontrollgränser – varnings- och aktionsgränser; • hur ofta kontrollen skall genomföras. När ett kontrollprogram omfattar hela den analytiska processen, från att provet kommer till laboratoriet till analysrapport, kommer kontrollvärdena att visa inom-lab reproducerbarhet (sRw). Inom-lab reproducerbarhet visar variationen i analysresultat om samma prov lämnas in för analys till laboratoriet vid olika tillfällen. Resultatet av kontrollprogrammet kan vara användbart på flera sätt – analytikern har ett viktigt verktyg för sitt dagliga arbete, kunden kan få en uppfattning om laboratoriets kvalité och laboratoriet kan använda resultatet vid uppskattningen av mätosäkerheten [4]. Programmet för QC bör vara en del av ett kvalitetssystem och bör regelbundet och formellt granskas. Andra viktiga delar av ett kvalitetssystem är metodvalidering och deltagande i provningsjämförelser (kompetensprövningar). I det praktiska arbetet är det nödvändigt att kvalitetskontrollen är begränsad till att uppfylla kravet på analysresultatet – i grund och botten en bra balans mellan kontrollarbetet och analys av prover. När kravet är lägre än metodens prestanda kan vidare kontrollgränser sättas – målinriktade gränser. Målet med denna handbok är att beskriva ett ändamålsenligt sätt (fit for purpose) för intern kvalitetskontroll vid laboratorier som utför kemiska analyser. Metoden är generell men exemplen är främst miljöanalyser. 3(47) 2. Mätosäkerhet och inom-lab reproducerbarhet Detta kapitel presenterar terminologin för analyskvalité och den statistiska bakgrunden till kvalitetskontroll. Analytiska kemister vet att ett laboratorium måste kunna visa kvalitén på analysresultaten. Beroende på kundens behov är det antingen spridningen i resultaten (repeterbarhet eller reproducerbarhet) eller mätosäkerheten som är den väsentliga kvalitetsparametern. Den interna kvalitetskontrollen ger en uppskattning av inom-lab reproducerbarhet, Rw. Inom-lab reproducerbarhet (mellanliggande precision) visar för kunden den variation i analysresultaten som kan förekomma om samma prov lämnas in till laboratoriet i januari, juli eller december. Mätosäkerheten ger däremot kunden den maximala avvikelse1 som kan förekomma (för ett enskilt analysresultat) från ett referensvärde eller från ett medelvärde som uppmätts av andra kompetenta laboratorier som analyserar samma prov. Den avvikelse som kan förekomma mellan ett analysresultat och referensvärde kan ur laboratoriets synvinkel beskrivas med laboratoriestegen eller felstegen [5], Figur 2. Figur 2. Stegen för en analysmetod som används på ett laboratorium Steg 1 Metodbias – ett systematiskt fel på grund av den metod som används Steg 2 Laboratoriebias – ett systematiskt fel (för ett enskilt laboratorium) Steg 3 Mellandagsvariation – en kombination av slumpmässiga och systematiska fel, beroende på olika faktorer men främst tiden Steg 4 Repeterbarhet – ett slumpmässigt fel vid upprepade mätningar; provets inhomogenitet är en del av repeterbarheten 1 eller mer korrekt parameter som kännetecknar spridningen av mätresultatet som med en viss sannolikhet kan tillskrivas ett resultat Laboratoriestegen1 Metod2 Lab3Mellan-xxdags-4 Repeter-barhetMätosäkerhetinom-lab reproducerbarhet 4(47) För en enskild mätning på ett prov i en viss matris är de fyra olika stegen i stegen följande: 1) metoden som sådan, 2) metoden som den används i laboratoriet, 3) mellandagsvariation i laboratoriet och 4) repeterbarheten på provet. Varje steg i stegen bidrar med sin osäkerhet. Inom-lab reproducerbarhet, Rw, består av steg 3 och 4 – mellandagsvariationen och repeterbarheten. Upprepade interlaboratoriejämförelser visar laboratoriets laboratoriebias, steg 2 och om olika metoder har använts även metodbias steg 1. Mätosäkerheten omfattar alla fyra stegen. Mätosäkerhet och även noggrannhet är alltså en kombination av slumpmässiga och systematiska effekter. Detta visas i Figur 3 där också olika behov av mätosäkerhet anges med en liten eller en stor grön cirkel. För vidare läsning om mätosäkerhet rekommenderar vi Nordtest [4] och Eurachem guiden[6]. Figur 3. Slumpmässiga och systematiska effekter eller fel på analysresultat och mätosäkerhet kan belysas med hur bra någon lyckas pricka målet – referensvärdet eller det sanna värdet. Varje punkt motsvarar ett rapporterat analysresultat. Den mindre resp. den större cirkeln anger olika behov av mätkvalité. I det nedre vänstra hörnet är behov 1 uppfyllt och behov 2 är uppfyllt överallt utom i det övre högra hörnet. Resultatet i det övre vänstra hörnet visar en typisk situation för de flesta laboratorier. Repeterbarhet och reproducerbarhet Vi använder begreppet repeterbara förhållanden när ett prov (eller identiska prover) analyseras flera gånger under en kort tid ( t.ex. samma dag), av samma person i ett laboratorium och med samma instrument. Spridningen av resultaten under sådana förhållanden anger den lägsta spridning en analytiker kan erhålla. Vi använder normalt begreppet reproducerbara förhållanden när ett prov analyseras med samma analysmetod under varierande förhållande t.ex. vid olika tillfällen, av olika personer, med olika instrument i olika laboratorier. Inom-lab reproducerbarhet (mellanliggande precision), ett förhållande som ligger mellan dessa två ytterlägen. Systematisk effektSlumpmässig effektmätosäkerhetnoggrannhetBehov 1Behov2 5(47) Bias Det finns en bias (systematiskt fel) när ett mätresultat tenderar att alltid bli större eller mindre än referensvärdet. Denna bias kan variera över tid på grund av förändringar i instruments prestanda eller varierande förhållande på laboratoriet. För små skillnader kan det ofta vara svårt att avgöra om detta fel är slumpmässigt eller systematiskt. Några vanliga orsaker till systematiska effekter är [7]:i • provet förändras mellan provtagning och analys, förlust av analyt; • alla olika former av analyten mäts inte • interferenser, t.ex. utslag för en annan substans i matrisen ger en sådan effekt; • bias i kalibreringen; om prov och kalibreringsstandarder behandlas olika eller om matrisen är olika kan detta ge upphov till fel. Föroreningar i materialet som används för beredning av kalibreringsstandarder är en annan källa till systematiska fel såväl som om kalibreringskurvan antas vara linjär inom ett koncentrationsområde där den inte är det; • blankkorrektion för hög eller för låg, om blank och prov är olika och inte behandlas på samma sätt. Slumpmässig variation och normalfördelning Ren slumpmässig variation från flera olika källor sammanlagda kan beskrivas med en normalfördelning. De oregelbundna och okontrollerbara variationerna i de många enskilda faktorer som påverkar analysresultatet kan vara: små skillnader i volymen av de tillsatta reagensen, olika reaktionstid, varierande kontamination från laboratorieutrustningen, instabilitet hos mätinstrument, avläsningsosäkerhet, temperaturvariationer och användning av olika kalibreringslösningar etc. Tabell 1. Exempel på kontrollvärden över ett år för en lösning innehållande 60,0 µg/l av zink. Figur 1 på sidan 1 visar dessa data i ett X-diagram. 64,5 66,3 61,1 59,7 57,4 56,2 58,4 58,2 63,0 59,5 56,0 59,4 60,2 62,9 60,5 60,8 61,5 58,5 58,9 60,5 61,2 57,8 63,4 60,2 61,5 62,3 60,5 61,7 64,0 62,7 61,0 65,4 60,0 59,2 57,0 62,5 57,7 56,2 62,9 62,5 56,5 60,2 58,2 56,5 64,7 54,5 60,5 59,5 61,6 60,8 58,7 54,4 62,2 59,0 60,3 60,8 59,5 60,0 61,8 63,8 Analyserar vi ett prov upprepade gånger får vi inte en serie identiska resultat. Värdena ligger mer eller mindre spridda innanför ett bestämt område. Resultaten varierar helt tillfälligt och vi kan inte på förhand säga något om i vilken riktning och hur mycket. På vilket sätt kan vi då beskriva fördelningen av resultaten och få ett mått på det tillfälliga felet? Genom att titta på kontrollvärden i Tabell 1, kan vi knappast få en klar bild av den analytiska variationen. En grafisk framställning ger en mycket bättre översikt av spridningen. Figur 4 visar ett histogram där kontrollvärden är indelade i grupper efter halt. Varje grupp är representerad av en stapel där höjden anger hur många resultat gruppen innehåller 6(47) Figur 4. Histogram som illustrerar fördelningen av kontrollvärden i Tabell 1. Resultaten har sorterats i grupper efter stigande koncentration. Varje grupp representeras av en stapel där höjden visar hur många resultat som det finns i gruppen, räknat i procent av det totala antalet. Om vi ökar antalet mätningar och sorterar värdena i grupper med allt snävare gränser kommer fördelningen av resultat ofta att närma sig den heldragna kurvan i Figur 5. Denna figur är ett exempel på en frekvenskurva eller en normalfördelningskurva. Normalfördelningskurvan är ett underlag för de diagram som används vid kvalitetskontroll. Figur 5 Sambandet mellan normalfördelningskurvan och histogrammet. Kurvan är beräknad med hjälp av samma data som histogrammet (Figur 4). 0510152054.0- 54.955.0- 55.956.0- 56.957.0- 57.958.0- 58.959.0- 59.960.0- 60.961.0- 61.962.0- 62.963.0- 63.964.0- 64.965.0- 65.966.0- 66.9Zink (µg/l)Andel resultat (%) 7(47) Vi förutsätter att man kan använda statistiska metoder, som bygger på normalfördelningen, vid behandling av kontrolldata. Över en längre period kan dock bias variera med tiden som gör att alla kontrollvärdena ligger över (eller under) medelvärdet för en tidsperiod. Dessa kontrollvärden är utanför statistisk kontroll men om de ligger innanför varningsgränserna, kan analysresultat rapporteras. När resultaten är normalfördelade ligger medelvärdet vid kurvans maximum. Kurvans form bestäms av spridningen på de enskilda mätvärdena, uttryckt som standardavvikelse, s. Detta illustreras i Figur 6. Figur 6. Bredden på normalfördelningskurvan beror på spridningen i analysen dvs. inom-lab reproducerbarhet: En dålig reproducerbarhet ger en hög standardavvikelse och kurvan blir då bred (vänstra). En bra reproducerbarhet ger en låg standardavvikelse och normalfördelningskurvan är smalare (högra). Var maximum ligger visar riktigheten i bestämningen. I exemplet till vänster sammanfaller medelvärde med det sanna värdet. I exemplet till höger ligger resultaten systematiskt för lågt ( är medelvärdet och T det sanna värdet eller referensvärdet, bias beräknas som - T eller relativt som (- T) /T. Med hjälp av normalfördelningen kan vi beräkna hur värdena teoretiskt skall fördela sig runt medelvärdet, se Figur 7. Cirka 95 % av alla resultat ligger innanför medelvärde ± två gånger standardavvikelsen, medan 99,7 % av resultaten ligger innanför medelvärde ± tre gånger standardavvikelsen. Vi utnyttjar detta när vi utarbetar kontrolldiagram. När man rapporterar inom-lab reproducerbarhet till en kund kommer vi att rapportera vid en s.k. konfidensnivå på 95 %. Det innebär ± två gånger standardavvikelsen och då kommer i medeltal 19 resultat utav 20 att ligga inom detta område. En 95 % konfidensnivå används också ofta när man rapporterar expanderad mätosäkerhet till en kund och det kommer ofta att vara ± två gånger den s.k. sammanlagda standardosäkerheten. xx = T_xT_xxx 8(47) Figur 7. Normalfördelningskurvan som visar sannolikheten för att ett analysresultat skall falla innanför givna gränser ( är medelvärde, s är standardavvikelse). 0,0 0,1 0,2 0,3 0,4 -3s -2s x +2s +3s Analysresultat _ x ± 3s (99.7%) x ± 2s (95.4%) _ _ Relativ del av resultaten x 9(47) 3. Behov av analyskvalité Här beskriver vi hur den analytiska kemisten kan översätta kundens behov av kvalité i termer av intern kvalitetskontroll dvs. inom-lab reproducerbarhet (sRw). Ett analysresultat kan i egentlig mening aldrig vara absolut ”korrekt”. Vad som är möjligt är att lämna ut ett resultat med tillräckligt låg mätosäkerhet för ett givet ändamål dvs. ett resultat som är eng. fit for purpose. Vi måste därför känna till vad resultatet skall användas till innan vi kan bestämma behovet av mätkvalité. I Figur 3 i kapitel 2 visas att en kvalité för ett visst behov inte nödvändigtvis är tillräcklig för andra behov. Det är också ytterst viktigt att komma ihåg att det alltid är vad analysresultatet skall användas till, inte laboratoriets förmåga som bestämmer den kvalité som krävs. Precis som ett resultat kan var för dåligt för att vara användbart kan det också vara för bra vilket ofta betyder för dyrt eller för lång svarstid. Ett exempel: Analys av utsläpp av avloppsvatten utförs oftast för att övervaka så att en legal gräns eller ett riktvärde inte har överskridits. Halterna är relativt höga jämfört med en oförorenad flod eller sjö. Då kan den detektionsgräns som behövs vara relativt hög medan mätosäkerheten måste vara tillräckligt låg för att garantera att rätt beslut tas när man jämför resultatet med det tillåtna gränsvärdet. Användare av analysresultat måste kunna lita på data men i de flesta fall har de inte den expertkunskap som krävs för att i detalj beskriva vad de behöver utan måste lita på att laboratoriet förser dem med de rätta svaret på deras problem – dvs. att kvalitén på analysresultatet som lämnas ut är lämplig – eng. fit for purpose. Det är en utmaning för laboratorier att förstå användarens behov. Om laboratoriet är ackrediterat så föreskriver ISO/IEC 17025 att laboratoriet utvärderar användarens behov innan några analyser påbörjas. Som tur är så gäller ofta för en specifik parameter, t.ex. ammonium i dricksvatten, att alla resultat används för samma ändamål och då har användarna samma krav på analyskvalitén. Laboratoriet behöver därför inte fundera på detta varje dag utan kan utforma sin kvalitetskontroll så att data som levereras ut har den rätta kvalitén för ändamålet. Men den korrekta kvalitén måste ju bestämmas. I några fall är det nationella eller internationella myndigheter som har bestämt kravet på analyskvalitén för analyser enligt särskilda direktiv. Ett exempel är det Europeiska dricksvattendirektivet 98/83/EC [8] som innehåller krav på mätkvalité. I många fall saknas dock ofta formulerade krav på mätkvalité och då måste laboratoriet själv ta fram krav på kvalitén, förhoppningsvis i samråd med slutanvändaren av resultaten. Erfarenheten visar att i många fall så är mätosäkerheten direkt proportionell mot halten ned till en gräns vid låga koncentrationer där osäkerheten är konstant även om 10(47) halten i provet är ännu lägre. Behovet av kvalité måste därför ofta beskrivas på två olika sätt, ett där värdet ges i koncentrationsenheter (beskrivande mätosäkerheten vid låga halter) och ett där det anges i procent (beskrivande den proportionella delen av mätosäkerheten vid högre halter). Kravet på lägsta mätosäkerhet anges ofta relativt (i procent) i förhållande till den halt som är viktig (concentration of primary interest). Det kan t.ex. vara en gräns för vattenkvalitén eller liknande högsta tillåtna halt. Kravet på analyskvalité kan anges som ett krav på mätosäkerhet, men det är vanligt att ange kravet med kvalitetsparametrar som direkt kan mätas t.ex. med intern kvalitetskontroll. För den interna kvalitetskontroll är den kvalitetsparametern som behövs inom-lab reproducerbarhet, sRw. Exemplet här nedan visar hur man börjar med ett krav på mätkvalité och utifrån detta beräknar kravet på inom-lab reproducerbarhet. Exempel: Låt oss anta att vi har fått i uppgift att bestämma ammonium i dricksvatten. EU dricksvattendirektiv [8] anger att kravet på den utvidgade mätosäkerheten vid nivån 0,5 mg/l är 40 %. Denna handbok föreslår att en preliminär sRw kan erhållas genom att dela kravet på U med en faktor 4 – se vidare exempel 1. De flesta laboratorier kan mäta ammomniak med en relativ sRw på 10 % vid nivån 0,5 mg/l. Följande krav kan sättas på sRw: 0,05 mg/l eller 10 %. För halter under 0,5 mg/l är kravet för sRw 0,05 mg/l och för halter vid eller över 0,5 mg/l är kravet 10 %. 11(47) 4. Grunderna för arbete med kontrolldiagram Detta kapitel beskriver grunderna vid arbete med kontrolldiagram och vad man gör på laboratoriet när man mäter prover, fyller i kontrollvärdena i diagram och utvärderar resultatet. Kontrolldiagram är ett kraftfullt och enkelt verktyg för den dagliga kvalitetskontrollen av analysrutinerna. Förutsättningen är att laboratoriet mäter kontrollprov tillsammans med rutinproverna vid analystillfället (Figur 8). Kontrollproven kan vara standardlösningar, rutinprover, blankprover, interna kontrollprov eller certifierade referensmaterial. Figur 8 Exempel på analys av två kontrollprov i en analysomgång. Kontrollvärden fylls i direkt i ett kontrolldiagram. Vi rekommenderar att när man rapporterar kontrollvärden så: • anger man ytterligare en signifikant siffra jämfört med rutinresultat; • rapporterar man värden under rapportgränsen; • rapporterar man negativa mätvärden. Figur 9 . Förhållandet mellan normalfördelningskurvan och kontrolldiagrammet. Den centrala linjen är antingen ett referensvärde eller ett medelvärde. X-diagram: Zn50556065701-Feb 1-Mar 29-Mar 26-Apr 24-May 21-Jun 19-Jul 16-AugAnalysdatumµg/lÖvre aktionsgränsÖvre varningsgränsNedre varningsgränsNedre aktionsgränsCentra llinje 12(47) Kontrolldiagrammet är baserat på statistiken för slumpmässig variation, definierad av normalfördelningskurvan. Förhållande mellan normalfördelningskurvan och motsvarande kontrolldiagram (X-diagram) visas i Figur 9. Centrallinjen (CL) i ett kontrolldiagram representerar medelvärdet av kontrollvärden eller ett certifierat värde. Förutom centrallinjen i kontrolldiagrammet finns normalt ytterligare fyra linjer. Två av dessa, de s.k. varningsgränserna, är belägna vid ett avstånd från centrallinjen av ± två gånger standardavvikelsen (CL ± 2s). Förutsatt att resultaten är normalfördelade så skall ca 95 % av värdena ligga inom dessa linjer. I kontrolldiagrammet är också inritat två linjer på ett avstånd ± tre gånger standardavvikelsen från centrallinjen (CL ± 3s). Dessa linjer kallas aktionsgränserna och 99,7 % av normalfördelade värden borde ligga inom dessa gränser. Rent statistiskt ligger alltså endast 3 av 1000 mätvärden utanför aktionsgränserna. Om ett kontrollvärde är utanför aktionsgränserna är det en hög sannolikhet att analysresultaten också är felaktiga. Varnings och aktionsgränserna kan antingen sättas som beskrivs här ovan baserat på hur metoden fungerar, statistiska kontrollgränser eller baserat på oberoende kvalitetskriteria baserat på behovet (fitness for purpose) – målinriktade kontrollgränser – se kapitel 7. Vid användning av kontrolldiagram bör vi vara uppmärksamma på om kontrollvärden är utanför varningsgränserna eller om trender syns. Om värden ligger utanför aktionsgränserna så rapporteras inga resultat - se vidare kapitel 9. 13(47) 5. Olika kontrolldiagram Detta kapitel beskriver olika kontrolldiagram, när man kan använda dem och vad de kan användas till. De viktigaste kontrolldiagram för den interna kvalitetskontrollen är: • X-diagram • R-diagram eller r%-diagram X-diagram Ett X-diagram har en centrallinje, övre och nedre varningsgränser och aktionsgränser. Ett av de äldsta och enklaste kontrolldiagrammen är X-diagrammet [9-15] som bygger på en fördelning av kontrollvärdena runt ett sant eller förväntat värde. Det kan användas för att övervaka en kombination av systematiska och slumpmässiga fel för kontrollvärdena baserat på enskilda värden eller medelvärde av flera värden. Om ett referensmaterial som liknar rutinproverna används kan också bias övervakas genom att jämföra medelvärdet av kontrollvärden över tid med referensvärdet. Blank(värdes)diagram2 är en särskild form av X-diagram där man mäter ett prov som antas innehålla en mycket låg halt av analyten. Det ger framförallt information om kontamination från reagens som används och i vilket tillstånd analyssystemet är. Även om det normalt är halter som prickas in i ett blankdiagram kan man också använda mätsignalen direkt. I det ideala fallet är centrallinjen noll, men även det erhållna medelvärdet kan användas som centrallinje. Kom ihåg att både positiva och negativa kontrollvärden skall prickas in i diagrammet. En annan variant är utbytesdiagram. Den analytiska processen kan utvärderas för matriseffekter genom att bestämma utbytet av tillsatser till riktiga prover. Kalibreringsparametrar såsom lutning och intercept (skärningspunkt) kan också övervakas om det görs dagligen med ett X-diagram. R-diagram Ett R eller r%-diagram har en centrallinje, en övre varningsgräns och en övre aktionsgräns X-diagrammet visar hur väl kontrollvärden (medelvärdet av flera analyser eller enskilda värden) ligger innanför kontrollgränser. Ett R-diagram används för att kontrollera repeterbarheten. Variationsvidden som används i R-diagram är skillnaden mellan det största och det minsta värdet av två eller flera resultat på enskilda prover. I praktiken används R-diagram på analyslaboratorier oftast i sin enklaste form dvs. för dubbelprov (av prover som skall mätas) vid varje analystillfälle. De bästa proverna för R-diagram är prov som skall analyseras vid just detta tillfälle. Då kan dock koncentrationen variera eftersom de är olika prover varje gång. Variationsvidden är oftast proportionell mot provkoncentrationen (vid nivåer med marginal over detektionsgränsen) och det är då lämpligare att använda kontrolldiagram där kontrollvärdena är den relativa variationsvidden, dvs. r % (se kapitel 8). Vid halter nära rapportgränsen är det ofta lämpligt att använda ett R-diagram där kontrollvärdet är den absoluta variationsvidden. 2 Normalt kan man ha flera olika blanker, t.ex. reagensblank, metodblank och provblank [16]. 14(47) Om enkelbestämningar utförs skall kontrollvärdena baseras på skillnaden mellan två bestämningar. Om å andra sidan dubbelprov görs rekommenderar vi att kontrollvärdena baseras på skillnaden mellan medelvärdet av dubbelprov på olika prover dvs. samma antal mätningar för rutinprov som för kontrollprov. 15(47) 6. Olika kontrollprov Detta kapitel beskriver de vanligaste kontrollproven som används vid kvalitetskontroll. Det bästa är om kontrollproven genomgår hela mätproceduren. De bör också likna rutinproven, ha samma repeterbarhet och vara stabila över tid. Det krävs även att det skall vara tillräckligt stor mängd så att det räcker över flera år och att halterna av analyterna är lämpliga. Detta är dock sällan fallet och därför använder vi flera olika typer av kontrollprov. I Certifierade ReferensMaterial – CRM i en matris II Standardlösningar eller interna (in-house) prover III Blankprov IV Rutinprov Kontrollprov I – Certifierade Referensmaterial (CRM) Resultat från upprepade bestämningar av CRM i en matris kan påvisa eventuella systematiska fel (bias). Upprepade bestämningar vid samma analystillfälle kan ge en uppskattning av standardavvikelse (eller variationsvidd) som ett mått på repeterbarheten i mätningen. När ett CRM används får man dock ofta en bättre repeterbarhet jämfört med rutinmätningar pga. av en bättre homogenitet i ett CRM. Ofta finns inte ett CRM tillgängligt för den önskade provmatrisen eller koncentrationsområdet. Men CRM är enkla att använda och resultatet ger direkt information om både systematiska och slumpmässiga fel. Dessutom ger det laboratorier en möjlighet att beräkna mätosäkerhet för resultaten. Vi rekommenderar användningen av CRM så ofta som det är praktiskt och ekonomiskt möjligt. CRM säljs färdiga att använda eller med en rutin för provberedningen. Kontrollprov I är lämpligt för X-diagram, och om flera bestämningar utförs även för R-diagram. För R-diagram rekommenderar vi att använda kontrollprov IV. Kontrollprov II – standardlösningar eller interna (in-house) prover Kontrollprov II kan precis som kontrollprov I ge oss en uppfattning om systematiska fel såväl som de slumpmässiga felen. Om den inledande metodvalideringen har visat att repeterbarheten är ungefär densamma när man mäter kontrollprov som riktiga prover kommer denna typ av kontrollprov att ge ett direkt mått på inom-lab reproducerbarhet. I de flesta fall är spridningen inte densamma för kontrollprov och riktiga prov och därför bör ett riktigt stabilt prov användas som kontrollprov när det är möjligt. Kontrollprov II bereds vanligen av laboratoriet. De kan antingen vara stabila homogena riktiga prov eller syntetiska prov. Standardlösningar (CRM, RM) kan köpas för direkt användning men ofta bereds de inom laboratoriet. För interna kontrollprover som tas ut av laboratoriet (eller väljs ut från prov inlämnade för analys) är det viktigt att mängden prov är tillräcklig för att räcka i flera år. Syntetiska internprov kan beredas från rena kemikalier och rent lösningsmedel (t.ex. vatten). Beredningen bör göras omsorgsfullt så att man får en stabil nivå – vi rekommenderar att den utvidgade osäkerheten på det nominella värdet för det syntetiska kontrollprovet skall vara mindre än en femtedel av den standardavvikelse som används för kontrolldiagrammet. Det är oerhört viktigt att kemikalier som används för beredning av syntetiska prov inte är desamma som används vid kalibreringen. Skillnaden kan antingen vara att kemikalierna köps i 16(47) från olika leverantörer eller för an- och katjoner att olika salt används, t.ex. för nitrat kan ett natriumsalt användas för kalibrering medan ett kaliumsalt används för kontrollen. De flesta laboratorier bereder stamlösningar som späds dagligen eller vid lämpliga intervall beroende på laboratoriets erfarenhet av stabiliteten av den utspädda lösningen. När samma kemikalie eller ännu värre samma stamlösning används för kalibrering och kontroll kan man inte upptäcka något fel i beredningen eller renheten. Kontrollprov II är lämpligt att använda för X-diagram och om flera bestämningar utförs även för R-diagram. Kontrollprov III - blankprov Kontrollprov III kan användas för en kontinuerlig kontroll av spridningen vid rapportgränsen. Blanken kan vara en reagensblank, en metodblank eller en provblank [16]. Denna typ av kontrollprov kan också upptäcka kontamination. Fel i blanken ger upphov till systematiska fel som alltså också kontrolleras med blankprov. Kontrollprov III kan vara det blankprov som används för blankkorrektion enligt analysmetoden. X-diagram skall användas och R-diagram kan användas för kontrollprov III. Kontrollprov IV rutinprov Kontrollprov IV kan användas när spridningen för kontrollprov I eller II är lägre än för rutinprov, t.ex. syntetiska material eller CRM som är mycket homogena. Det är också värdefullt när det inte är möjligt att ha stabila kontrollprov II - typiska exempel från miljölab är bestämning av löst syre och klorofyll a. Dubbelprov ger en bra bild av spridningen för riktiga prov vid ett analystillfälle. Kontrollprov väljs normalt ut slumpmässigt bland prov inlämnade för analys. Om ett syntetiskt prov används för X-diagrammet kan det vara en god idé att ta med kontrollprov IV om repeterbarheten är olika för syntetiska prover och riktiga prover. För detta kontrollprov används r%-diagram i det högre haltområdet och R-diagram i det lägre haltområdet. 17(47) 7. Fastställa kontrollgränser Här visar vi hur man sätter centrallinjen och kontrollgränserna för X- och R-diagram. Kontrollgränser kan sättas efter analysmetodens prestanda oberoende av behovet av analyskvalité – statistiska kontrollgränser. Detta är den vanligaste varianten för att fastställa gränserna. En annan variant är att börja med behovet av analyskvalité eller vad resultatet skall användas till. Utifrån detta behov uppskattas en målinriktad inom-lab reproducerbarhet och om den är större än den faktiska sRw för analysmetoden kan målinriktade kontrollgränser användas. Vägledning för att sätta målinriktad sRw ges i referens [8, 17]. Sätta kontrollgränser och centrallinje i X-diagram Kontrollgränser kan sättas efter metodens prestanda – statistiska kontrollgränser eller utifrån behovet av inom-lab reproducerbarhet – målinriktade kontrollgränser. Statistiska kontrollgränser Målinriktade kontrollgränser3 Kontrollgränser sätts utifrån resultat på kontrollprov. Från en längre tidsperiod, t.ex. ett år beräknas s på kontrollvärdena. Varningsgränser blir +2 s och – 2 s. Aktionsgränser blir +3 s och – 3 s. Kontrollgränser sätts utifrån behovet av analyskvalité. Målet för standardavvikelsen smål uppskattas från behovet av sRw Varningsgränser blir +2 s och – 2 s. Aktionsgränser blir +3 s och – 3 s. Centrallinjen i kontrolldiagrammet kan vara det beräknade medelvärdet av kontrollvärdena eller ett referensvärde för kontrollprovet. I de flesta fall används medelvärdet för den centrallinjen. När referensvärdet används för centrallinjen behöver man ha vidare kontrollgränser (målinriktade) när medelvärdet inte sammanfaller med referensvärdet. Medelvärde som centrallinje Referensvärde som centrallinje Medelvärdet beräknas från kontrollvärden erhållna under en längre tid t.ex. ett år. Centrala linjen sätts utifrån medelvärdet. Kontrollprovet är ett referensmaterial eller ett väl karakteriserat prov. Centrallinjen sätts till det nominella värdet. I fallen beskrivna här nedan är det ett ideal kontrollprov som liknar rutinproverna som genomgår alla steg i analysproceduren och då kan den målinriktade kontrollgränserna sättas utifrån behovet av sRw. Exemplen som hänvisas till nedan hittar Du i kapitel 14. Fall 1. Statistiska kontrollgränser och medelvärde som centrallinje - se också exempel 3 och 4. Behovet av inom-lab reproducerbarhet är inte känt och analysmetoden ger en sRw = 6 %. Varningsgränserna sätts till två gånger metodens standardavvikelse, ± 12 % och aktionsgränserna till tre gånger metodens standardavvikelse, ± 18 %. Medelvärdet för kontrollprovet är 59,2 µg/l så ± 12 % motsvarar ± 7,1 µg/l och ± 18 % motsvarar ±10,7 µg/l. Varningsgränserna är 59,2 ± 7,1 µg/l (52,1 och 66,3 µg/l) och aktionsgränserna är 59,2 ± 10,7 µg/l (48,5 och 69,9 µg/l). 3 I exemplen antar vi att antalet prov analyserade för kontrollvärdena är detsamma som för rutinmätningarna. Om ett kontrollvärde är baserat på dubbelprov (medelvärde av två resultat) och ett rutinresultat baseras på enkelprov och det största bidraget till spridning är repeterbarhet så kanske s som används för att sätta kontrollgränserna måste minskas. 18(47) Fall 2. Statistiska kontrollgränser och referensvärde som centrallinje När medelvärdet ligger mycket nära det nominella värdet eller referensvärdet kan statistiska kontrollgränser användas annars rekommenderar vi fall 4. Fall 3. Målinriktade kontrollgränser och medelvärde som centrallinje – se exempel 1 och exempel 2. Behovet av inom-lab reproducerbarhet är t.ex. sRw = 5 % och metoden ger ett lägre sRw. Varningsgränserna sätts utifrån behovet till två gånger standardavvikelsen, ± 10 % och aktionsgränserna till tre gånger standardavvikelsen, ± 15 %. Medelvärde för kontrollprovet är 59,2 µg/l så ± 10 % blir ± 5,9 µg/l och ± 15 % blir ± 8,9 µg/l. Varningsgränserna kommer att ligga på 59,2 ± 5,9 µg/l (53,3 och 65,1 µg/l) och aktionsgränserna på 59,2 ± 8,9 µg/l (50,3 och 68,1 µg/l). Fall 4. Målinriktade kontrollgränser och referensvärde som centrallinje – se också Exempel 5 och 7. Behovet av inom-lab reproducerbarhet är t.ex. sRw = 5 % och metoden ger ett lägre sRw. Varningsgränserna sätts utifrån behovet till två gånger standard avvikelsen, ± 10 % och aktionsgränserna till tre gånger standardavvikelsen, ± 15 %. Medelvärdet för kontrollprovet är 59,2 µg/l men referensvärdet är 60,0 µg/l så varningsgränserna är 60,0 ± 6,0 µg/l (54,0 och 66,0 µg/l) och aktionsgränserna är 60,0 ± 9 µg/l (51,0 och 69,0 µg/l). 19(47) Sätta kontrollgränser i R-diagram eller r%-diagram För R-diagram har vi bara övre gränser – kontrollvärdet är alltid positivt. Kontrollgränser kan vara baserade på metodens prestanda – statistiska kontrollgränser eller utifrån det analytiska behovet – målinriktade kontrollgränser. De statistiska kontrollgränserna beräknas från det uppmätta medelvärdet av variationsvidden. Kontrollgränserna beräknas från standardavvikelsen. Faktorerna som används (2,83 3,69) för att beräkna kontrollgränserna hittar Du i Tabell 4, kapitel 13 och bakgrunden till dessa udda faktorer finns beskrivet i kommentar till tabellen. Statistiska kontrollgränser Målinriktade kontrollgränser Kontrollgränser sätts utifrån metodens prestanda. Från en längre tidsperiod, t.ex. ett år beräknas sammanvägd s eller så beräknas s från medelvariationsvidden. För dubbelprov (n= 2) är s = medelvariationsvidd/1,128. För dubbelprov n = 2 Centrallinje är medelvariationsvidden Övre varningsgräns är + 2,83 s Övre aktionsgräns är + 3,69 s Kontrollgränser sätts utifrån behovet av repeterbarhet. Från behovet beräknas en standardavvikelse, smål. För dubbelprov (n=2) Centrallinje är 1,128 s Övre varningsgräns är + 2,83 s Övre aktionsgräns är + 3,69 s Fall 1. Statistiska kontrollgränser – se också exempel 3 (R) och exempel 6 (r%) i kapitel 14 Medelvärdet av variationsvidden över en längre tid är 0,402 % (abs). Standardavvikelsen blir då 0,402/1,128 = 0,356. Varningsgränsen för R-diagrammet sätts då vid + 2,83 • 0,356 = 1,0 % och aktionsgränsen 3,69 • 0,356 = 1,3 %. Fall 2. Målinriktade kontrollgränser. Repeterbarhetsgränsen, r är ofta angiven i en standardmetod och i detta fall var den 1 % (i 19 fall av 20 skall skillnaden mellan två resultat vara mindre än 1 %). Från denna gräns beräknas standardavvikelsen för repeterbarhet sr = r/2,8 = 0,357 %. Varningsgränsen för R-diagrammet är + 2,83 • 0,357 = 1,0 % och aktionsgränsen 3,69 • 0,357 = 1,3 %. 20(47) Målinriktade kontrollgränser – uppskatta s för kontrollprovet När kontrollprovet omfattar hela analysproceduren, från det att provet kommer till laboratoriet till färdig analysrapport, kommer kontrollvärdena att ge en bra uppskattning av inom-lab reproducerbarhet, sRw, och man kan jämföra den erhållna sRw med behovet. För de flesta kontrollprov t.ex. standardlösningar och blankprov är den uppmätta standardavvikelsen endast en del av sRw. Här måste analytikern uppskatta om den erhållna standardavvikelsen på kontrollprovet är tillräckligt låg för att uppfylla behovet - se kapitel 3. Rekommendationer Börja med QC - För att påbörja kvalitetskontrollen för en ny metod när målinriktade gränser saknas kan preliminära kontrollgränser (sätts lite vidare) och centrallinje sättas utifrån ca 25 kontrollvärden. Endast efter en längre period t.ex. ett år kan kontrollgränserna och position av centrallinjen fastställas. Dessa preliminära varnings och aktionsgränser kan också baseras på resultat från metodvalideringen. Fasta kontrollgränser – Vi rekommenderar absolut fasta gränser och inte gränser som hela tiden ändras. För att få säkra statistiska kontrollgränser måste standardavvikelsen vara beräknad på kontrollvärden från en period av minst ett år och mer än 60 resultat. När tidsperioden är kortare erhålls oftast en för låg standardavvikelse då alla variationer inte finns med. Fast centrallinje – Vi rekommenderar en fast centrallinje. En tidsperiod av ett år är en lämplig längd för att få en säker centrallinje. När tidsperioden är kortare erhålls lätt en osäker uppskattning. Delprov – Vi rekommenderar att samma antal delprov används för rutinprov som för kontrollprov – om vi rapporterar medelvärdet av dubbelprov på rutinproverna skall vi också i X-diagram använda medelvärdet av dubbelprov som kontrollvärdet. Om flera kontrollprov analyseras vid samma analystillfälle kan antingen ett eller alla kontrollvärden fyllas i. Multiparameter analyser – När många analyter mäts vid samma analystillfälle i QC t.ex. ICP, XRF, GC rekommenderar vi absolut målinriktade kontrollgränser eller statistiska gränser med större vidd för de analyter som inte är så viktiga. När t.ex. 20 analyter mäts4 och statistiska kontrollgränser används för alla analyter kan man vänta sig i medeltal att ett värde är utanför varningsgränsen vid varje analystillfälle (motsvarande 5 % av kontrollvärdena). Även 1 gång utav 17 analystillfällen kommer ett kontrollvärde för en av analyterna att vara utanför aktionsgränsen vilket gör den vanliga utvärderingen mycket opraktisk. 4 Detta gäller när mätningarna är oberoende av varandra men delvis även när mätningarna kan vara korrelerade såsom ICP, XRF etc. 21(47) 8. Utforma ett QC program Detta kapitel beskriver hur man utformar QC för en analysmetod: val av antal kontrollprov, vilka diagram och hur ofta kontrollanalyser skall utföras. Exempel på hur man utformar QC (Cd mätning i sötvatten) Hur man sätter upp QC beskrivs bäst med ett praktiskt exempel. Kadmiumhalten kan normalt variera mellan 0,01 µg/l och 100 µg/l i olika vatten. För kvalitetskontroll av Cd i sötvatten med ICP/MS (LOD 0,01 µg/l) har vi valt kontrollprov enligt nedan: Kontrollprov Kontrolldiagram Kontrollgränser Centrallinje CRM, Cd: 2,28 µg/l (Kontrollprov I) Standardlösning, Cd 20 µg/l (Kontrollprov II) Internt prov, Cd: 0,10 µg/l (Kontrollprov II) Flera bestämningar på riktiga vattenprov vid två olika haltområden (Kontrollprov IV) X-diagram X-diagram X-diagram R-diagram r-% diagram Statistiska Statistiska Målinriktade Målinriktade Referensvärde Standardvärde Medelvärde sr • 1,128 På grund av det ganska stora haltområdet har vi här valt att använda 3 olika kontrollprov (se kapitel 6). Standardlösning 20 µg/l bereds från en stamlösning som inte är densamma som används för att tillverka standard-lösningarna som används för kalibrering. Det interna provet, surgjort sötvatten är berett för användning vid kvalitets-kontroll av låga Cd halter i sötvatten. För kontroll av systematiska fel i mätningarna använder vi ett CRM med certifierat värde för kadmium 2,279 ± 0,096 µg/l. För att få en bra uppskattning av repeterbarheten på rutinprov tar vi slumpmässigt ut ett av de prov som skall analyseras vid varje tillfälle och detta prov analyseras två gånger (två olika provrör i en provväxlare). Vid mätning av Cd med ICP/MS kan vi ha upp till 200 prover vid varje analystillfälle. I början och i slutet mäter vi CRM, standardlösningen och det interna provet. För att kontrollera driften under analysen mäter vi ett standardlösning ungefär vart 20:e prov. 22(47) I kontrolldiagrammet förs alla resultat på kontrollproven automatiskt in i X-diagrammet med hjälp av vårt labdatasystem (LIMS). Resultaten från dubbelprov, variationsvidden, av inkommande rutinprov förs in i R-diagram vid låga halter och i r%-diagram vid högre halter. Praktiska synpunkter när man utformar QC Normalt utförs en metodvalidering innan en analysmetod tas i bruk. När man utformar ett program för kvalitetskontroll, (såsom val av kontrollprov, val av kontrolldiagram och kontrollfrekvens) kan de inledande försöken för att visa metodens prestanda ge värdefull bakgrundsinformation om t.ex. haltområde, stabilitet och systematiska fel. Framförallt inom-lab reproducerbarhet erhållen vid olika haltnivåer under en längre tidsperiod vid valideringen är en bra bas för den rutinmässiga kvalitetskontrollen. Haltområde – Vid analys av miljöprover kan halten av en analyt variera kraftigt. Då kan det vara nödvändigt att använda separata X-diagram och R-diagram för olika haltnivåer. R-diagram med riktiga prov – För kontroll av repeterbarhet med R- eller r%-diagram rekommenderar vi analys av rutinprov mätta som dubbelprov vid varje analystillfälle. Rutinproven väljs ut slumpmässigt och representerar haltområdet för analyten. Frekvens av kontrollanalys – Generellt måste minst ett kontrollprov mätas vid varje analystillfälle för att upptäcka eventuella systematiska fel i mätningen, till exempel från kalibreringen. Stabiliteten hos mätsystemet kan avgöra vilken frekvens av kontrollanalys som är lämpligt. Om det är fel som beror på drift i kalibreringen måste kanske antalet kontrollprov vid varje analystillfälle vara fler än under stabila mätförhållanden. Den vägledande principen när det gäller hur ofta kontrollprov måste mätas är att rutinprover kan behöva analyseras om. Om metoden visar sig vara utanför kontroll måste ju alla mätningar utförda efter det senaste godkända kontrollprovet omanalyseras. Hur ofta kontrollprov skall mätas är därför en balans mellan kostnad för kontroll och kostnad för att upprepa analyserna. Vid automatiska analyser t.ex. över natt kan därför ett flertal kontrollprov analyseras vid samma analystillfälle. Placering av kontrollprov inom en analysomgång – Mätningar av kontrollprov skall i princip utföras slumpmässigt för att undvika systematiska fel. Vi rekommenderar dock att kontrollprov eller mäts i början av en analysomgång och sist när en drift i analysen kan ge mätfel. En bra balans mellan kontrollprov och rutinprov – kvalitetskontroll anpassat till kraven. I detta exempel, Cd i färskvatten, använder vi flera kontrollprov men i de flesta fall räcker det med färre kontrollprov. QC program i metodbeskrivningen och i kvalitetsmanualen Grunderna i kvalitetskontrollen omfattande alla de praktiska synpunkterna ovan bör dokumenteras t.ex. i laboratoriets kvalitetsmanual. Kvalitetskontrollen bör också beskrivas i detalj i den experimentella delen i varje metodbeskrivning. 23(47) 9. Den dagliga utvärderingen av kvalitetskontrollen I detta kapitel beskriver vi den dagliga utvärderingen vid varje analystillfälle. Kan vi rapportera resultaten? Är metoden utanför statistisk kontroll? En praktisk rutin för registrering av kontrollvärden är att dokumentera all information som kan vara viktig för utvärderingen av kvalitetskontrollen. Exempel kan vara beredning av ny stamlösning, byte av reagens, byte av mätcell och eventuella instrumentproblem. När all information är väl dokumenterad är det möjligt att vid ett senare tillfälle kontrollera förhållandena för denna bestämning t.ex. vid underkända resultat. Vid varje analysomgång är det normalt ett kontrollvärde för varje diagram. I det dagliga arbetet är det nödvändigt att vara uppmärksam på om ett kontrollvärde är utanför kontrollgränserna och om ett systematiskt mönster kan observeras över en tidsperiod. Daglig utvärdering Det finns tre olika fall 1. Metoden är under kontroll 2. Metoden är under kontroll men långtidsutvärderingen visar att metoden är utanför statistisk kontroll 3. Metoden är utanför kontroll 1. Metoden är under kontroll om: • kontrollvärdet är innanför varningsgränserna; • kontrollvärdet är mellan varnings- och aktionsgränsen men de två tidigare kontrollvärdena låg innanför varningsgränsen. I detta fall kan analytikern rapportera analysresultatet. 2. Metoden är under kontroll men kan anses vara utanför statistisk kontroll när alla kontrollvärden är innanför varningsgränserna (maximum ett av senaste tre värden mellan varnings och aktionsgräns) och om: • 7 kontrollvärden efter varandra har samma egenskap – antingen gradvis stigande eller avtagande [7]: • 10 av 11 värden ligger på samma sida om centrallinjen [7]. I detta fall kan analytikern rapportera analysresultatet men ett problem kan vara på väg. Viktiga trender bör noteras så tidigt som möjligt för att undvika svåra problem längre fram. Exempel på viktiga trender är när de flesta kontrollvärden ligger långt ifrån centrallinjen fast ändå innanför varningsgränserna. Med andra ord, varje laboratorium måste själv i sin kvalitetsmanual bestämma hur man skall behandla dessa trender. OBS: När centrallinjen är satt till ett referensvärde kan flera värden ligga på ena sidan p.g.a. en liten bias. Laboratoriet måste bestämma om denna bias är accepterbar. 24(47) 3. Metoden är utanför kontroll om: • kontrollvärdet är utanför aktionsgränsen; • kontrollvärdet är mellan varnings- och aktionsgränsen och minst ett av de två senaste värdena är också mellan varnings och aktionsgränsen – regel två av tre – se t.ex. 22 mars i Figur 10. I detta fall kan normalt inga analysresultat rapporteras. Alla prover som analyserats efter det senaste godkända kontrollvärdet för kontrollprovet måste analyseras om. Situationer då metoden är utanför kontroll Det är svårt att ge allmänna råd för hur man på ett laboratorium skall agera när analysmetoden är utanför kontroll. Olika analysparametrar kan inte behandlas på samma sätt. Här är erfarenhet och sunt förnuft viktiga egenskaper hos analytikern när man skall välja åtgärder. Det är dock troligt att när metoden är utanför kontroll så är det också är fel på analysresultaten av riktiga prover. Det kan också vara fel på kontrollprovet. Den vanliga åtgärden när metoden är utanför kontroll är att upprepa (minst två) kontrollanalyser. Om de nya kontrollvärdena ligger innanför varningsgränserna kan rutinproverna analyseras om. Om kontrollvärdena fortfarande ligger utanför varningsgränserna skall rutinanalysen stoppas, åtgärder vidtagas för att finna och eliminera orsaken till felet (felen). Vanliga åtgärder när metoden är utanför kontroll är kontroll av reagens, kontroll av kalibreringen eller byte av kärl eller utrustning. Problemet och lösningen skall dokumenteras. De bestämningar som har utförts sedan det senaste godkända kontrollvärdet måste om möjligt upprepas. Om de upprepade kontrollvärdena fortfarande är utanför kontroll skall inte några analysresultat rapporteras. Om rutinproverna inte kan analyseras om, på grund av t.ex. instabilitet och kunden fortfarande behöver resultatet kan resultatet rapporteras om det klart framgår att det är ett osäkrare resultat. Figur 10. X-diagram med två situationer med underkända resultat - där metoden är utanför kontroll X-diagram: Zn50556065701-Feb 22-M ar 10-M ay 28-Jun 16-Aug 4-Oct 22-Nov 10-Jan 28- FebAnalysdatumµg/l 25(47) 10. Långtidsutvärdering av data från kvalitetskontroll Detta kapitel handlar om användning av data från kvalitetskontrollen över en tidsperiod för att försöka besvara två frågor: • Vilken är den nuvarande kvalitén (spridning och systematiskt fel) på laboratoriet? Har kvalitén signifikant ändrats? • Är kontrollgränser och centrallinje i kontrolldiagrammet fortfarande optimala för att upptäcka när metoden är utanför kontroll? Observera: Detta är de bland de mest svåra inom QC och vi kan endast ge allmänna råd. Här nedan skall vi titta på dessa två frågor. Granskning av nuvarande kvalité Granskning består av en genomgång av data från kvalitetskontrollen (X, R och r% diagram) det senaste året och jämförelse av nuvarande kvalitén med a) året före och b) med nuvarande gränser i kontrollkortet. Använd alla kontrollvärden från senaste året och kontrollera om det är någon signifikant skillnad. Det bör vara minst 60 kontrollvärden. Är det färre använd även data från tidigare år, men minst 20 kontrolvärden bör vara från det senaste året: 1. på standardavvikelsen med hjälp av ett F-test; 2. på medelvärdet med hjälp av ett t-test. F-test och t-test förklaras i detalj i exempel 8. Om antalet kontrollvärden är ca 60 kan följande enklare kontroll användas: 1. standardavvikelse – Har du ett kontrolldiagram med statistiska kontrollgränser kan du räkna antalet gånger då resultatet är utanför varningsgränserna. Har detta hänt mer än 6 gånger eller mindre än en gång är det ett tecken (baserat på 60 punkter) att spridningen kan ha ändrats (7). Gör då ett F-test 2. medelvärde i ett X-diagram - Beräkna medelvärdet och jämför med det tidigare medelvärdet. Är skillnaden större än 0,35 s är det ett tecken (med 60 punkter) att medelvärdet kan ha ändrats. Gör då ett t-test. Hur ofta bör kontrollgränserna granskas? För en framgångsrik användning av kontrolldiagram är det betydelsefullt att kontrollgränser och centrallinje ligger stabilt över lång tid – flera år. Centrallinje och kontrollgränser skall inte ändras ofta då det gör det svårt att upptäcka gradvisa förändringar i analyskvalitén. Laboratoriet måste därför ha en dokumenterad rutin hur ofta kontrollgränser skall utvärderas och hur man beslutar om ändring när det är nödvändigt. Vi rekommenderar att kontrollgränser och centrallinje utvärderas varje år. För analyser som utförs mer sällan t.ex. en gång i månaden rekommenderar vi utvärdering efter att 20 nya kontrollvärden har mätts upp. När kan en ändring av kontrollgränserna vara nödvändig? Målinriktade kontrollgränser ändras endast då kundens behov ändras. De som behandlas här nedan gäller endast statistiska kontrollgränser. En ändring av kontrollgränserna bör endast övervägas när en signifikant skillnad i standardavvikelsen har uppmätts. Om det är en signifikant ökning av spridningen och denna ändring är acceptabel jämfört med kundens behov så beräknas nya varnings- och aktionsgränser enligt kapitel 7. 26(47) . När kontrolldiagrammet har underkända resultat (se kapitel 9) måste man fundera lite. Detta kommer att hända då och då! Om det finns identifierade orsaker till det underkända resultatet skall kontrollvärdet inte tas med i beräkningen av de nya kontrollgränserna. Men det kommer oundvikligt att finnas underkända resultat där man inte kan hitta någon bestämd orsak. Dessa data skulle kunna bero på misstag vid just det speciella analystillfället och att ta med dem i beräkningarna kan ge en felaktigt för stor standardavvikelse. Å andra sidan om man utesluter dessa data, speciellt om det är fler än en punkt, kan ge en för optimistisk standardavvikelse som ger för snäva kontrollgränser vilket i sin tur leder till påtagligt fler underkända resultat. Ett praktiskt sätt [7] är att utesluta data som är mer än 4 standardavvikelser från centrallinjen och behålla resten. Om det finns fler än ett underkänt resultat för de 60 punkterna som granskas är det fler än man kan vänta sig och det finns då goda grunder för att se över hela analysproceduren för att leta efter orsaken till de upprepade underkända resultaten. När kan en ändring av centrallinjen vara nödvändig? En centrallinje baserad på ett referensvärde ändras inte. Här behandlas när medelvärdet används som centrallinje. En ändring av centrallinjen bör endast övervägas när en signifikant skillnad på medelvärdet har uppmätts. Även om det är en signifikant skillnad rekommenderar vi inte någon ändring av centrallinjen om det inte finns en godtagbar förklaring t.ex. nytt kontrollprov. 27(47) 11. Annan användning av QC data kontrolldiagram Informationen från kontrolldiagram kan användas till annat än bara kvalitetskontroll. Beroende på vilken sorts kontrolldiagram som man arbetar med så föreslås i detta kapitel några andra användningsområden. Mätosäkerhet Resultat från kontrolldiagram kan tillsammans med andra data användas för att beräkna mätosäkerheten. I de flesta fall kan det systematiska och det slumpmässiga felet (standardavvikelsen) kombineras för att beräkna mätosäkerheten. Hur detta kan göras är beskrivet i detalj i en handbok från Nordtest, Handbook for calculation av measurement uncertainty in environmental laboratories [4] och delvis i en vägledning från Eurachem [6, 16]. Mätosäkerheten uppskattas från resultat i kontrolldiagram kombinerat med resultat från provningsjämförelser, data från metod-valideringen eller information som ges i standardmetoden. Detta sätt ger oss en praktisk och allmän väg att utnyttja redan existerande information. Förutsatt att hela analyskedjan är inkluderad i kontrollprovsresultaten (dvs. även provupparbetning såsom filtrering eller koncentreringssteg) så kan man få en realistisk uppskattning av mätosäkerheten. Metodvalidering Oftast valideras en metod före den tas i bruk på laboratoriet. Det kan dock finnas situationer där en metod används utan formell validering och då kan information från kontrolldiagram komplettera tillgängliga data. Sådana situationer kan också förekomma då en metod bara har ändrats något eller då en standardmetod är tagen direkt från litteraturen. • När ett CRM med en viss matris som liknar rutinproven används för kontrolldiagrammet kan resultatet direkt ge en information om metodens bias genom att jämföra medelvärdet med det väntade (certifierade) värdet. Med ett internt material eller en köpt standard kan man få en uppskattning av bias men denna är mer osäker än när ett CRM används. • Alla typer av kontrolldiagram ger information om spridningen (slumpmässiga variationen) från beräkning av standardavvikelse eller uppskattning från variationsvidd. Metodjämförelse Kontrolldiagram kan användas för att jämföra olika analysmetoder genom ett kontrolldiagram för varje metod. Denna metodjämförelse kan ge värdefull information när t.ex. ett laboratorium är på väg att ändra från en manuell till en automatisk metod, eller från en standard metod till en enklare såsom ett test-kit. Genom att använda metoderna parallellt över en tidsperiod är det enkelt att jämföra viktig information såsom: • spridningen (standardavvikelse eller variationsvidd): • bias (om ett CRM används); • matriseffekter (interferenser), vid standardtillsats eller med CRM med rätt matris; • robusthet, t.ex. om en metod känslig för temperaturvariationer, provhantering etc. 28(47) Uppskattning av detektionsgräns Skattning av detektionsgräns är för det mesta en standardavvikelsen gånger en faktor. Faktorn är normalt 3. För ytterligare vägledning se referens [16]. Data från X-diagram med ett rutinprov vid låga halter är användbart för att uppskatta detektionsgränsen för en rutinmetod. Data från kontrollprov III (methodblank) kan i vissa fall användas för beräkningen om laboratoriet har bevis för att standardavvikelsen för blanken är samma som för rutinprover med låg halt. Data från R-diagram ger standardavvikelsen för repeterbarhet och när koncentrationen är låg är denna standardavvikelse lämplig, efter korrigering för antal mätningar och antal blankmätningar, för att uppskatta detektionsgränsen [16]. Jämförelse mellan personer eller kvalificering På samma sätt som metoder kan jämföras är det möjligt att jämföra hur olika personer arbetar. Detta är dock ingen önskad form av övervakning men det är inget tvivel om att kontrolldiagram är ett utmärkt verktyg för att lära upp och kvalificera ny personal på laboratoriet. En del av träningen är då att fylla i resultat från kontrollprov analyserat av den person som går på upplärning och sätta upp riktvärden för tillåtna systematiska fel och spridning med hänsyn taget till vad redan utbildad personal klarar. På detta sätt har laboratoriechefen liksom hen som går på upplärning ett objektivt verktyg för att avgöra när arbetet utförs tillräckligt bra för att klara kraven. Utvärdering av provningsjämförelser (Proficiency Testing, PT) När laboratoriet regelbundet deltar i PT eller liknande och fyller i resultatet i kontrolldiagram (liknande ett X-diagram) så får kvalitetschefen en god översikt över prestanda, systematiska fel och trender. Här kan man använda z eller zeta värde i ett X-diagram. Normalt är CL = 0 and WL = 2 och AL = 3. eller Exempel: Den totala standardavvikelsen i en provningsjämförelse (alla laboratorier) är 0.08 mg/kg och ditt resultat är 0.12 mg/kg lägre än det angivna värdet. Ditt z-värde blir -1.5. Här rekommenderar vi att alla värden utanför varningsgränserna bör undersökas. Det maximala felet som anges av myndigheter kan också användas för att beräkna z-värde. En annan möjlighet är att använda zetavärde baserat på Din egna uppgivna mätosäkerhet, ulab där ulab är den sammanlagda standardosäkerheten för din metod. Miljöparametrar och liknande kontroller Vid övervakning av miljöparametrar i laboratoriet, såsom temperaturen i laboratoriet eller i kylskåp kan man använda en enkel variant av målinriktade kontrolldiagram. Då används börvärdet som centrallinje och de tillåtna gränserna som aktionsgränser. Kontrolldiagrammet ger en enkel grafisk visning av eventuella trender eller oväntade variationer som kan påverka analyserna och därför bör beaktas. På liknande sätt är målinriktade kontrolldiagram användbart för vanliga verifieringar av en analysvåg eller andra regelbundna kontroller, delvis för att följa trender men också för att lätt se om resultat är utanför tillåtna gränser. sxxz)( värdenominelltvärdelab -=2 värdenominellt2labvärdenominelltvärdelab )(uuxxzeta+-= 29(47) 12. Terminologi och ekvationer Här försöker vi beskriva de statistiska ekvationerna och begreppen vi använder i denna handbok. Exakta definitioner för termer finns i VIM Ref [18]. Direkt översättning från denna referens ges med kursiv stil. (svensk översättning av VIM finns idag inte) Alla termer definierade här är angivna med fet stil. Terminologi Analystillfälle – analysomgång Analys av ett antal rutinprover och kontrollprov. Vanligen ritas ett kontrollvärde från varje analysomgång in i varje kontrolldiagram. Analyt Ämne eller grundämne som skall mätas. Bias – systematisk fel Uppskattning av det systematiska mätfelet [18]. Skillnaden mellan ett accepterat referensvärde och ett medelvärde av ett stort antal mätresultat. (Figur 6). Borttagande av avvikande värden I de statistiska beräkningarna rekommenderar vi att ta bort värden som avviker mer är 4 s från medelvärdet [7]. Detta är ett enklare sätt. Ett annat är att använda det s.k. Grubbs test. Detektionsgräns (LOD) Den lägsta halt av en analyt som med en given sannolikhet (vanligen 95 %) kan bestämmas med en given analysmetod. Frihetsgrader, df (eng. degrees of freedom) Antal oberoende jämförelser som kan göras mellan enskilda resultat i en analysomgång. I allmänna termer ger antalet frihetsgrader en fingervisning om hur tillförlitligt ett mätresultat är. Antalet frihetsgrader används när man jämför resultat statistiskt, se F och t-test här nedan. Konfidensintervall Område kring ett medelvärde inom vilket en angiven procent av mätvärdena förväntas ligga, t.ex. för en normalfördelning ligger ca 95 % av värdena mellan ± 2 s (Figur 7). Kontrolldiagram Det främsta verktyget i intern kvalitetskontroll är ett diagram där x-axelns är tid och kontrollvärden fylls i och jämförs med kontrollgränser. Kontrollgränser Gränser i ett kontrolldiagram. Det finns två gränser; aktionsgränser (AL) och varningsgränser (WL). Kontrollprov Provmaterial där mätresultat används för kontrolldiagram, t.ex. referensmaterial, standardlösningar, riktiga prover, blankprover. Kontrollvärde Resultat av prov från intern kvalitetskontroll som ritas in i ett kontrolldiagram. Det kan t.ex. vara ett enskilt mätresultat, ett medelvärde eller en variationsvidd. Dessa resultat rapporteras annorlunda än för rutinprover. Kontrollvärden rapporteras med en extra signifikant siffra och också negativa resultat rapporteras, t.ex. ett kontrollvärde – 0,07 mg/l i ett X-diagram kan för ett rutinprov rapporteras 0,1 mg/l. Kvantifieringsgräns (LOQ) Erhåller man resultat under denna gräns rapporteras mindre än ( ). Kallas även rapportgräns. 30(47) Inom-lab reproducerbarhet (mellanliggande precision) Grad av överensstämmelse mellan enskilda resultat uppmätta i ett laboratorium på ett prov med samma analysmetod under en lång tidsperiod dvs. åtminstone ett år. Tiden kan vara kortare om tillräckligt många data har mätts, men ett år är lämpligt för att få med all variation i reagens, personal, instrumentservice etc. Metodbeskrivning - mätrutin (SOP) Den detaljerade beskrivningen av en analysmetod i ett laboratorium. SOP (Standard Operating Procedure) och mätrutin används också. Mätosäkerhet Icke negativ parameter som kännetecknar spridningen av mätresultatet som kan tillskrivas mätstorheten [18]. Mätosäkerhet kan tolkas som en kvantitativ uppskattning av noggrannhet (riktighet + precision) se Figur 3. Mätresultat (responsvärde) Det värde som erhålls när man använder en mätmetod. Kontrollvärdet som ifylls i kontrolldiagrammet är antingen mätresultatet från kontrollprovet (rapporterat med en extra signifikant siffra och inte mindre än) eller ett värde som beräknas från mätresultat t.ex. variationsvidd. Beroende på vilket kontrollprov man använder kanske endast en del av analysmetoden kan användas på kontrollprovet. Mätstorhet (eng. measurand) Väldefinierad parameter som är tänkt att mätas, t.ex. halten syralösligt kadmium (analyt) i ett sötvattenprov. Noggrannhet (eng. accuracy) Grad av överensstämmelse mellan ett mätresultat och det sanna värdet. Noggrannheten påverkas båda av systematiska och tillfälliga fel. Repeterbarhet Precision i mätningen under repeterbarhetsbetingelser [18]. Repeterbarhetsbetingelser refererar till mätningar som utförs på samma material av samma person, med samma metod under en kort tidsperiod. Hela mätproceduren skall repeteras från uttag av analysprov till färdigt resultat. Reproducerbarhet Precision i mätningen under reproducerbarhetsbetingelser[18]. Reproducerbarhetsbetingelser refererar till mätningar som utförs på samma material, med samma metod, men olika personer i olika laboratorier. Riktighet (eng. trueness) Grad av överrensstämmelse mellan medelvärdet av ett stort antal mätresultat och ett accepterat referensvärde. Riktigheten (trueness) av en mätning anges normalt med bias (systematiskt fel). Spridning (eng. dispersion, spread) Grad av variation mellan enskilda mätresultat. Motsatsen är grad av överensstämmelse mellan enskilda mätresultat – också kallat precision. Systematiskt fel Komponent av mätfel som vid upprepade mätningar är konstant eller varierar på ett förutsägbart sätt [18]. Systematiskt fel uttrycks vanligen i form av bias. Variationsvidd (eng. range) Skillnaden mellan det största och minsta mätresultatet av en serie mätningar – antalet resultat kan variera men oftast är det bara två (n = 2) inom QC. 31(47) Ekvationer Medelvärde ( ) Summan av alla mätresultat (xi), dividerat med antalet (n): Eq (1) Standardavvikelse (s) Mått på spridningen av mätresultat (xi) runt medelvärdet (): Eq (2) Antal frihetsgrader, df = n – 1 Variationskoefficient (CV) eller relativ standardavvikelse i % (RSD (%). Standardavvikelsen uttryckt i procent av medelvärdet ( ): Eq (3) Standardavvikelse från medelvariationsvidd (n = 2). Beräknad för användning för R-diagram. För värden på n mellan 3 och 5 se kapitel 13, Tabell 4. : (n = 2) Eq (4) OBS – En sammanvägdstandardavvikelse är mer korrekt att använda se ekvation 10. Med ekvation 9 kan mätserier med olika antal mätningar sammanvägas för att uppskatta standardavvikelsen. F-test (se kapitel 13, Tabell 3). Används för att utvärdera om standardavvikelserna (s1 och s2) för två mätserier är signifikant olika: F = s12 / s22, s1 s2 Eq (5) När det beräknade F-värdet är större än det kritiska F-värdet (Tabell 3) så är standardavvikelserna signifikant olika. t-test (se kapitel 13, Tabell 2). Används för att undersöka om det är en signifikant skillnad mellan ett medelvärde (x) för en serie mätningar och ett accepterat referensvärde (T): Eq (6) eller mellan medelvärden (x1 and x2) för två olika mätserier: Eq (7) xnxxiå=x)1()( 2--=ånxxsixxsCV ×=100(%)128,1tionsviddMedelvarias=nsTxt×-=)( 212121nnnnsxxtC+××-= 32(47) där sC är den sammanlagda standardavvikelsen, se ekvation 9. När det beräknade t-värdet är större än det kritiska t-värdet (Tabell 2) så är skillnaden mellan de olika medelvärdena signifikant. Antalet frihetsgrader är n1+n2-2. Kombinerat medelvärde ( ) för flera analysserier Beräknat från medelvärden för k olika serier med totalt n1+n2+…= ntot observations: Eq (8) Sammanvägd standardavvikelse (sC) för flera analysserier. Beräknat från standardavvikelserna för k olika analysserier med total n1+n2+…= ntot mätresultat: Eq (9) Antal frihetsgrader df = ntot – k. Där n är ungefär detsamma för de olika serierna · Eq (10) CxtotkkCnxnxnxnx×++×+×=...2211knsnsnsnstotkkC-×-++×-+×-=2222211 )1(...)1()1(××+++=ksssskC22221... 33(47) 13. Tabeller Första tabellen är här Tabell 2. Tabell 1 hittar Du på sidan 5. Tabell 2. Kritiska t-värden (2-sidigt test). Normalt används 95 % konfidensnivå Antal frihetsgrader Konfidensnivå (%) Antal frihetsgrader Konfidensnivå (%) 90 95 99 99.9 90 95 99 99.9 1 6,31 12,7 63,7 637 21 1,72 2,08 2,83 3,82 2 2,92 4,30 9,92 31,6 22 1,72 2,07 2,82 3,79 3 2,35 3,18 5,84 12,9 23 1,71 2,07 2,81 3,77 4 2,13 2,78 4,60 8,61 24 1,71 2,06 2,80 3,75 5 2,01 2,57 4,03 6,86 25 1,71 2,06 2,79 3,73 6 1,94 2,45 3,71 5,96 26 1,71 2,06 2,78 3,71 7 1,89 2,36 3,50 5,41 27 1,70 2,05 2,77 3,69 8 1,86 2,31 3,36 5,04 28 1,70 2,05 2,76 3,67 9 1,83 2,26 3,25 4,78 29 1,70 2,05 2,76 3,66 10 1,81 2,23 3,17 4,59 30 1,70 2,04 2,75 3,65 11 1,80 2,20 3,11 4,44 35 1,69 2,03 2,72 3,59 12 1,78 2,18 3,05 4,32 40 1,68 2,02 2,70 3,55 13 1,77 2,16 3,01 4,22 45 1,68 2,01 2,69 3,52 14 1,76 2,14 2,98 4,14 50 1,68 2,01 2,68 3,50 15 1,75 2,13 2,95 4,07 55 1,67 2,00 2,67 3,48 16 1,75 2,12 2,92 4,02 60 1,67 2,00 2,66 3,46 17 1,74 2,11 2,90 3,97 80 1,67 1,99 2,64 3,42 18 1,73 2,10 2,88 3,92 100 1,66 1,98 2,63 3,39 19 1,73 2,09 2,86 3,88 120 1,66 1,98 2,62 3,37 20 1,72 2,09 2,85 3,85 ¥ 1,64 1,96 2,58 3,29 34(47) Tabell 3. Kritiska F-värden vid en konfidensnivå på 95% (2-sidigt test) för antalet frihetsgrader från n = 4 till 120 där s1 s2 Värden från F1-α (df1, df2), a = 0,025 df1 4 5 6 7 8 10 12 15 20 24 30 40 60 120 df2 4 9,60 9,36 9,20 9,07 8,98 8,84 8,75 8,66 8,56 8,51 8,46 8,41 8,36 8,31 5 7,39 7,15 6,98 6,85 6,76 6,62 6,52 6,43 6,33 6,28 6,23 6,18 6,12 6,07 6 6,23 5,99 5,82 5,70 5,60 5,46 5,37 5,27 5,17 5,12 5,07 5,01 4,96 4,90 7 5,52 5,29 5,12 4,99 4,90 4,76 4,67 4,57 4,47 4,42 4,36 4,31 4,25 4,20 8 5,05 4,82 4,65 4,53 4,43 4,30 4,20 4,10 4,00 3,95 3,89 3,84 3,78 3,73 10 4,47 4,24 4,07 3,95 3,85 3,72 3,62 3,52 3,42 3,37 3,31 3,26 3,20 3,14 12 4,12 3,89 3,73 3,61 3,51 3,37 3,28 3,18 3,07 3,02 2,96 2,91 2,85 2,79 15 3,80 3,58 3,41 3,29 3,20 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,52 2,45 20 3,51 3,29 3,13 3,01 2,91 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,22 2,14 24 3,38 3,15 2,99 2,87 2,78 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,08 2,01 30 3,25 3,03 2,87 2,75 2,65 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,94 1,87 40 3,13 2,90 2,74 2,62 2,53 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,80 1,72 60 3,01 2,79 2,63 2,51 2,41 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,67 1,58 120 2,89 2,67 2,52 2,39 2,30 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,53 1,43 df1 = antalet frihetsgrader i täljaren (s12), df2 = antalet frihetsgrader i nämnaren(s22). Tabell 4. Faktorer för att uppskatta standardavvikelse från variationsvidd (max – min). Beräkning av varnings- och aktionsgränser för R-diagram och r%-diagram. Faktorer från ISO 8258 [11]. *Beräknat enligt Kommentarer Konfidensnivån för X-diagram och för R-diagram Aktionsgränserna (±3 s) för X-diagram har en konfidensnivå på 97,3 % för normalfördelade data. Beräkning av aktionsgränsen för R-diagram baserat på dubbelprov vid samma konfidensnivå blir 4,25 (± ). I ISO standard 8258 för kontrollprov [11] är faktorn angiven till 3,686. Med faktorn 3,686 erhålls en konfidensnivå av 99,1 % för en normalfördelning. . Detta är vad som vanligen används och det fungerar bra! Varningsgränserna beräknade här med vår föreslagna ekvation har ungefär samma konfidensnivå – ca 95,5 % som för X-diagram. )(32222 dDdDWL -+=s×=×25,423Antal Standardavvikelse, s VarningsgränsWL* Aktionsgräns AL Medelvariationsvidd/d2 DWL•s DAL•s 2 Medelvariationsvidd/1,128 2,83•s 3,69•s 3 Medelvariationsvidd /1,693 3,47•s 4,36•s 4 Medelvariationsvidd /2,059 3,828•s 4,70•s 35(47) 14. Exempel I detta kapitel vill vi ge exempel på olika kontrolldiagram från skilda områden. Alla exempel är hämtade från författarnas laboratorier. Granskningen av kontrollgränser beskrivs i detalj i exempel 8. I exempel 10 beskrivs sammanvägning av standardavvikelse för att skatta sr och sRw från intern kvalitetskontroll. Exempel 1 Bestämning av Ni i låglegerat stål med XRF Provtyp Kontrolldiagram Kontrollgränser Centrallinje Stålprov X-diagram Målinriktade Medelvärde Hög halt nickel. Medelvärdet för kontrollvärdena över ett år är 4,58 % (abs)5 med en standardavvikelse av 0,026 % (abs). Kontrollprovet omfattar hela analysproceduren (polering och mätning). Behovet av expanderad mätosäkerhet6 (U, k=2) är 4 % (rel). Detta motsvarar 2 % (rel) som standardosäkerhet uc. Kravet på sRw kan normalt sättas till halva eller 50 % av standardosäkerheten7 så vi beräknar kravet till: eller 0,0458 % (abs) Från kravet på sRw kan vi beräkna målinriktade kontrollgränser. = 4,58 % (abs) smål = 0,0458 % (abs) CL: 4,58 % (abs) WL: 4,58 ± 2 • 0,0458 = 4,67 och 4,49 % (abs) AL: 4,58 ± 3 • 0,0458 = 4,72 och 4,44 % (abs) . 5 X-diagrammet har enheten viktsprocent nickel (% abs) medan kravet ges i % relativt nickelvärdet (% rel). 6 Vidare information om mätosäkerhet U och standardosäkerhet finns att läsa i Eurachemguiden (6). 7 På det sätt som standardavvikelser adderas kommer detta att resultera i ett 25 % bidrag till standardosäkerheten. )(%14)(%442relrelUuscmål ====X-diagram: Ni4,44,54,64,74,84-Dec 5-Dec 8-Dec 11-Fe b 3-M ar 26-Mar 1-Jun 19-Oct 2- Nov 8- NovAnalysdatum%x 36(47) Exempel 2 Bestämning av Co i låglegerat stål med XRF Provtyp Kontrolldiagram Kontrollgränser Centrallinje Stålprov X-diagram Målinriktade Medelvärde Låg halt nära kvantifieringsgränsen (LOQ). Medelvärde för våra kontrollvärden över ett år är 0,0768 % (abs)8 med en standardavvikelse av 0,00063 % (abs). Kontrollprovet omfattar hela analysproceduren (polering och mätning). Behovet av kvantifieringsgräns, LOQ är 0,01 % (abs) och denna gräns brukar sättas till 6 till 10 gånger standardavvikelsen för blanken eller för ett prov med låg halt. Detta behov blir alltså 0,001 % (abs) uttryckt som en standardavvikelse och detta värde kan användas för att beräkna kontrollgränserna. Från LOQ kan vi alltså beräkna smål = LOQ/10 = 0,001 % (abs). = 0,0768 % (abs) smål = 0,001 % (abs) CL: 0,0768 % (abs) WL: 0,0768 ± 2 • 0,001 = 0,0788 och 0,0748 % (abs) AL: 0,0768 ± 3 • 0,001 = 0,0798 och 0,0738 % (abs) Kommentar Koncentrationen i kontrollprovet är ca 8 gånger högre än LOQ. I detta fall är det den en intressant nivå och därför en lämplig halt. 8 Se fotnot 5 på sid 35 X-diagram: Co0,0730,0740,0750,0760,0770,0780,0790,0800,0814-Dec 5-Dec 8-Dec 11- Feb 3-M ar 26-M ar 1-Jun 19- Oct 2-Nov 8-NovAnalysdatum%x 37(47) Exempel 3 Bestämning av N-NH4 i vatten med indofenolblått Provtyp Kontrolldiagram Kontrollgränser Centrallinje Standard lösning X-diagram R –diagram Statistiska Statistiska Medelvärde Medelvariationsvidd Låg halt (20 µg/l) i en syntetisk lösning. (NH4)2SO4 används för beredning av en stamlösning på 100 mg/l, och från denna bereddes kontrollprovet för X-diagrammet. Stamlösningen är en annan än den lösning som används för beredning av standardlösningar (beredda från NH4Cl). För R-diagrammet väljs ett inkommande prov med halt 30 µg/l. Denna kontroll används för vattenanalyser i haltområdet 2 µg/l till 100 µg/l. X-diagram och R-diagram sattes upp på följande sätt: • Medelvärde av dubbelprov användes för X-diagram och medelvärde av alla resultat användes för centrallinje (CL). Standardavvikelsen användes för beräkning av kontrollgränser. • Variationsvidden från dubbelprov ritades in i R-diagram. Medelvärdet användes för centrallinje (CL). Standardavvikelsen (uppskattad från variationsvidden) användes för beräkning av kontrollgränser. = 19,99 µg/l och s = 0,521 µg/l CL: 19,99 µg/l WL:19,99 ± 2•0,521 = 19,99 ± 1,04 µg/l (18,95 21,03 µg/l) AL:19,99 ± 3•0,521 = 19,99 ± 1,56 µg/l (18,43 21,55 µg/l) (variationsvidd) = 0,559µg/l s: 0,559/1,128 = 0,496 µg/l CL: 0,559 µg/l WL: 2,83•0,496 = 1,40 µg/l AL: 3,69•0,496 = 1,83 µg/l Kommentar I X-diagrammet är medelvärdet detsamma som den beräknade halten 20 µg/l – inget systematisk fel kunde påvisas i bestämningen. Det var inga kontrollvärden som översteg kontrollgränserna (kapitel 9). I R-diagrammet är det ett kontrollvärde som ligger utanför aktionsgränsen. Detta prov analyserades om. Detta kontrollvärde skall inte tas med när den årliga granskningen av R-diagrammet utförs (kapitel 9, 10).X-diagram: NNH4181920212214-Oct 20- Oct 26-Oct 29-Oct 5-Nov 17-Nov 24-Nov 30-Nov 10-DecAnalysdatumµg/lR-diagram: NNH40,00,20,40,60,81,01,21,41,61,82,02,214-Oct 20-Oct 26-Oct 29-Oct 5-Nov 17- Nov 24-Nov 30-Nov 10-DecAnalysdatumµg/lxx 38(47) Exempel 4 Bestämning av Pb i vatten med ICP-MS Provtyp Kontrolldiagram Kontrollgränser Centrallinje Internt sötvattenprov X-diagram Statistiska Medelvärde Låg halt av Pb (0,29 µg/l) i ett sötvattenprov. Kontrollprovet är berett från insjövatten för analys av Pb i låga halter ( 1 µg/l). Provet är konserverat med HNO3. Ett kontrollprov mäts vid varje analystillfälle. X-diagram sattes upp på följande sätt: • De enskilda resultaten ritades in i X-diagram • Medelvärde av alla resultat användes som centrallinje (CL) • Standardavvikelsen för kontrollvärdena användes för beräkning av kontrollgränser = 0,294 µg/l s = 0,008 µg/l CL: 0,294 µg/l WL: 0,294 ± 2•0,008 = 0,294 ± 0,016 µg/l (0,278 µg/l och 0,310 µg/l) AL: 0,294 ± 3•0,008 = 0,294 ± 0,024 µg/l (0,270 µg/l och 0,318 µg/l) Kommentar Kontrollvärdena ligger innanför kontrollgränserna. Inget systematiskt fel kunde påvisas för resultaten. Det finns 12 resultat i följd ovanför centrallinjen. Detta är utanför statistisk kontroll men acceptabelt enligt vad som beskrivs i kapitel 9. X-diagram: Pb0,260,270,280,290,30,310,320,3316-Sep 27-Sep 1-Oct 11- Oct 18- Oct 26- Oct 2-Nov 22- Nov 1-DecAnalysdatumµg/lx 39(47) Exempel 5 Bestämning av As i biologiskt material med ICP-MS Provtyp Kontrolldiagram Kontrollgränser Centrallinje CRM X-diagram Målinriktade Certifierat värde Hög halt av As (18 µg/g) i ett CRM (Dogfish muscle NRC/DORM-2). Kontrollprovet används för bestämning av As i biologiskt material. Provet mäts en gång vid varje analystillfälle. X-diagram sattes upp på följande sätt: • De enskilda resultaten ritades in i X-diagram • Certifierat värde användes som centrallinje (CL) • Målet för standardavvikelsen på 5 % användes för att beräkna kontrollgränserna Certifierat = 18,0 µg/g smål = 0,05•18,0 = 0,9 µg/g CL: 18,0 µg/g WL: 18,0 ± 2•0,9 = 18,0 ± 1,8 µg/l (16,2 µg/l och 19,9 µg/l) AL: 18,0 ± 3•0,9 = 18,0 ± 2,7 µg/l (15,3 µg/l och 20,7 µg/l) Kommentar I X-diagrammet är det ett kontrollvärde som ligger utanför kontrollgränsen. Föregående värde och nästa värde ligger dock innanför – metoden är under kontroll (kapitel 9). Medelvärdet för dessa kontrollvärden är 18,19 µg/g med en standardavvikelse av 0,436 µg/g. X-diagram: As14151617181920212225-M ay 2-Jun 1-Au g 4-Aug 11-Aug 7- Sep 21-Se p 28-Se p 6-OctAnalysdatumµg/g 40(47) Exempel 6 Bestämning av total P i vatten - spektrofotometrisk metod Provtyp Kontrolldiagram Kontrollgränser Centrallinje Rutin prov r%-diagram Statistiska Medelvärde relativ variationsvidd Rutin prov (10 - 50 µg/l). Enligt metodvalideringen är detektionsgränsen (3 s) 2 µg/l. Vid varje analystillfälle mäts ett av rutinproven ( 10 µg/l) som dubbelprov. Resultaten används för r%-diagram. r%-diagram sattes upp på följande sätt: • Procentuella skillnaden mellan dubbelprov ritas in i diagrammet • Medelvärde av alla r% resultat användes som centrallinje (CL) • Standardavvikelsen (uppskattad från variationsvidden) användes för beräkning av kontrollgränser medelvärde = 1,88 % s = 1,88/1,128 = 1,67 % CL = 1,88 % WL = 2,83 •1,67 % = 4,73 % AL = 3,69 •1,67 % = 6,16 % Kommentar I r%-diagrammet är det två kontrollvärden (prov 9 och 17) som ligger utanför kontrollgränserna. För prov 17 har varningsgränsen överskridits och prov 9 ligger utanför aktionsgränsen. Vid prov 9 var repeterbarheten utanför kontroll och efter att felet hade rättats till mättes detta prov och de andra rutinproverna om (prov 10). Är haltnivån lägre – ner till rapportgränsen – är R-diagram att föredra. r% -Chart: Ptot0,01,02,03,04,05,06,07,001 January 200301 February 200301 March 200301 April 200301 May 2003% 41(47) Exempel 7 Bestämning av β-hexaklorocyclohexan i biologiskt material med GC Provtyp Kontrolldiagram Kontrollgränser Centrallinje CRM X-diagram Målinriktade Referensvärde Torskleverolja BCR/598 med β-hexaklorocyclohexan (16 ± 3) µg/kg. Kontrollprovet används för bestämning av -hexaklorocyclohexan i biologiskt material. Provet mäts en gång vid varje analystillfälle. X-diagram sattes upp på följande sätt: • De enskilda resultaten ritades in i X-diagram • Certifierat värde användes som centrallinje (CL). • Målet för standardavvikelsen, 15 %, användes för beräkning av kontrollgränser. Certifierat värde = 16,0 µg/kg smål = 0,15•16,0 = 2,4 µg/kg CL: 16,0 µg/kg WL: 16,0 ± 2•2,4 = 16,0 ± 4,8 µg/kg (11,2 20,8 µg/kg) AL: 16,0 ± 3•2,4 = 16,0 ± 7,2 µg/kg (8,8 23,2 µg/kg) Kommentar En trend kan ses i resultaten. Från 11 september ligger alla kontrollvärden ovanför centrallinjen och en gång är två kontrollvärden av tre ligger utanför varningsgränsen. Denna gång (ca 1 januari) var analysen utanför kontroll. X-diagram: b-HCH10111213141516171819202122236-M ar 16-Jun 16-Jul 29-Sep 20-Jun 18-Sep 23-Nov 22-Jan 3- Mar 23- SepAnalysdatumµg/kg 42(47) Exempel 8 Bestämning av Cu i vatten med ICP-OES Provtyp Kontrolldiagram Kontrollgränser Centrallinje Syntetisk standard X-diagram Statistiska Medelvärde9 R-diagram Statistiska Medelvariationsvidd Syntetisk standard (1,00 ± 0,02 mg/l). Kontrollprovet beredes från en inköpt standardlösning. Provet konserverades med HNO3. Provet mäts två gånger vid varje analystillfälle. X- och R-diagram sattes upp år 2003. Preliminära kontrollgränser och centrallinje uppskattades från de första 60 analystillfällena. X-diagram • Medelvärdet för kontrollprovet ritades in i X-diagram • Medelvärde av alla resultat användes som centrallinje (CL) • Standardavvikelsen användes för beräkning av kontrollgränser R-diagram • Variationsvidd baserat på dubbelprov (högsta minus lägsta) ritades in i R-diagram. • Medelvärde av variationsvidden användes för centrallinjen. Data från samma 60 analystillfällen som för X-diagram. • Standardavvikelsen för repeterbarhet (sr) uppskattad från variationsvidden användes för att fastställa kontrollgränser genom att multiplicera med faktorerna DWL och DAL (kapitel 13, Tabell 4). Kontrolldiagrammet ritades upp och analysen fortsatte. = 1,055 mg/l och s = 0,0667 mg/l Preliminära värden CL: 1,055 mg/l WL: 1,055 ± 2*0,0667 mg/l (0,92 och 1,19 mg/l) AL: 1,055 ± 3*0,0667 mg/l (0,85 och 1,255 mg/l) R = 0,11 mg/l Preliminära värden CL: 0,11 mg/l och sr = 0,11/1,128 = 0,0975 WL: 2,833 *0,0975 = 0,28 mg/l AL: 3,686 * 0,0975 = 0,36 mg/l Nu är det tid för den årliga granskningen av kontrolldiagrammet. Som beskrivs i kapitel 9 tittar vi på de 60 senaste värdena. Det är data inritat från 9 februari 2004. Vi räknar antalet gånger som resultatet ligger utanför varningsgränserna sedan 9 februari. I X-diagrammet hittar vi tre gånger då övre varningsgränsen har tydligt överskridits och en av 99 I detta gamla exempel används medelvärdet för centrallinjen eftersom det är en bias på 5 %. Idag skulle vi normalt rekommendera standardvärdet för den central linjen och sätta vidare kontrollgränser, t.ex. målinriktade gränser. X-diagram: Cu0,80,91,01,11,21,31,41-Jan 14-Jan 27- Jan 9- Feb 22-Feb 6-M ar 19-Mar 1-AprAnalysdatumMedelvärde, mg /lR-diagram: Cu0,00,10,20,30,41-Jan14-Jan27-Jan9-Feb22-Feb6-Mar19-Mar1-AprAnalysdatum Medelvärde, mg/lx 43(47) dessa gånger till och med över aktionsgränsen och fem gånger klart under nedre varningsgränsen. Det blir totalt åtta gånger utanför varningsgränserna. Det finns därför skäl att ändra de preliminära gränserna. I R-diagrammet hittar vi fem kontrollvärden utanför varningsgränserna sedan 9 februari. Det är mindre än det antal av sex kontrollvärden som krävs men vi vill ändå granska gränserna. Kontrollvärdet i X-diagrammet den 11 mars ligger utanför aktionsgränsen. Denna dag underkändes rutinanalysen och rutinproverna analyserades senare om. Kontrollvärdet anses här vara ett avvikande värde då det ligger mer än 4 standardavvikelser från centrallinjen, se vidare om avvikande värde i kapitel 10. Därför tas detta värde bort från all statistisk analys. Vi beräknar ett nytt medelvärde och standardavvikelse utifrån de senaste 59 punkterna i X-diagrammet (endast 59 då ett avvikande värde har tagits bort) och ett nytt medelvärde för variationsvidden för de senaste 60 punkterna i R-diagrammet. Nytt = 1,041 mg/l och nytt s = 0,0834 mg/l Nytt R = 0,108 mg/l X-diagram Vi jämför den nya standardavvikelsen med den tidigare standardavvikelsen med F-test – se kapitel 12 ekvation 5. s2ny/s2tidigare = 0,08342 / 0,06672 = 1,563 s värdena har 59 och 58 frihetsgrader då det är baserade på 60 respektive 59 värden. In kapitel 13, Tabell 3 kan vi inte hitta 58 eller 59 frihetsgrader men vi kan hitta 60. Då skillnaden mellan värdena i tabellen för 40 respektive 60 frihetsgrader är liten bryr vi oss inte om att interpolera. Med 60 frihetsgrader både för df1 (nya s) och df2 (tidigare s) kan vi hitta det att det kritiska värdet för F är 1,67. Detta är större än det beräknade värdet för F (1,563) och därför är den nya s inte signifikant högre än den tidigare s. Men F-värdena är nära varann vilket man kan vänta sig från antalet gånger värdena legat utanför varningsgränserna. Då det inte är någon signifikant skillnad rekommenderar vi ny beräkning av kontrollgränser baserade på alla värdena. Det är alltid bra att ha väl bestämda kontrollgränser baserade på en lång tidsperiod, helst mer än ett år. Nu ska vi undersöka om centrallinjen har signifikant ändrats. Detta gör vi med ett t-test. Ekvationen i kapitel 12 är: Denna ekvation använder sC, som är den sammanvägda standardavvikelsen för dessa två data serier som ger det tidigare och det nya medelvärdet. Ekvationen för beräkning av sC finns i kapitel 12: = mg/l Då sC nu är baserat på båda uppsättningarna data är antalet frihetsgrader 59 +58 = 117. I kapitel 13, Tabell 2 kan vi hitta det kritiska värdet för t-test vid en konfidensnivå 95 %. Det x)( 212121nnnnsxxtC+××-=knsnsnsnstotkkC-×-++×-+×-=2222211 )1(...)1()1(07545,0)25960(0834,0)159(0667,0)160(22=-+×-+×-012,1)5960(596007545,0041,1055,1 =+××-=t 44(47) kritiska värdet är detsamma för 100 och 120 frihetsgrader och är alltså för 117 frihetsgrader: 1,98. Det beräknade t-värdet i vår granskning är litet jämfört med det kritiska värdet och därför kan vi inte se någon signifikant skillnad mellan centrallinjen (tidigare medelvärdet) och det nya medelvärdet för de senaste 60 punkterna. Tidigare preliminärt X-diagram Nytt X-diagram baserat på längre tidsperiod X = 1,055 mg/l och s = 0,0667 mg/l CL: 1,055 mg/l WL: 1,055 ± 2*0,0667 mg/l (0,92 och 1,19 mg/l) AL: 1,055 ± 3*0,0667 mg/l (0,85 och 1,255 mg/l) X= 1,048 mg/l och s = 0,0822 mg/l CL: 1,048 mg/l WL: 1,048 ± 2*0,0822 mg/l (0,884 och 1,212 mg/l) AL: 1,048 ± 3*0,0822 mg/l (0,801 och 1,295 mg/l) R-diagram I R-diagrammet har vi en centrallinje som är medelvärde av variationsvidd från tidigare data. Detta medelvärde är proportionellt mot standardavvikelsen för repeterbarhet (se ekvation 4 i kapitel 12). Vi kan därför jämföra standardavvikelserna för repeterbarhet genom att jämföra medelvärdena för variationsvidden. Igen använder vi F-test: F = R2original / R2 ny = 0,112 / 0,1082 = 1,037 Det kritiska värdet för F från Tabell 3 i kapitel 13 är 1,67. Detta är större än det beräknade värdet för F och därför har standardavvikelsen för repeterbarhet och därmed variationsvidd inte signifikant ändrats. Vi rekommenderar att beräkna kontrollgränser baserat på alla data. Den nya beräkningen gav samma medelvärde för variationsvidden så ingen ändring görs i R-diagrammet. Slutsats Resultaten visar att spridningen och bias i analysen inte har signifikant ändrats. Vi har dragit nytta av fler data för att beräkna nya, säkrare kontrollgränser baserade på alla tillgängliga data. Men här finns en 5 % bias i jämförelse med det förväntade värdet för en vanlig standardlösning vid en hög halt (1.00 ± 0.02 mg/l och vi rekommenderar att undersöka detta och ändra metoden för att minska bias. När bias har minskat rekommenderar vi att sätta den central linjen till börvärdet för standard lösningen. 45(47) Exempel 9 Bestämning av Zn i väteperoxid med ICP – blankprov Provtyp Kontrolldiagram Kontrollgränser Centrallinje Blankprov X- diagram Statistiska Medelvärde Blankprov av ultrarent vatten. Bestämning utförs för att kontrollera kontaminationen. I metoden indunstas ca 50 ml prov till nästan torrhet, 0,5 ml syra tillsätts och späds till 5 ml. X-diagram sates upp på följande sätt: • De enskilda resultaten ritades in i X-diagram • Medelvärde av alla resultat användes som centrallinje (CL) • Standardavvikelsen användes för beräkning av kontrollgränser. = 0,039 mg/l s = 0,045 mg/l CL: 0,039 mg/l WL: 0,039 ± 2•0,045: +0,129 mg/l och –0,051 mg/l AL: 0,039 ± 3•0,045; +0,174 mg/l och –0,096 mg/l Kommentar Det finns ett resultat (24-Sep) där aktionsgränsen överskrids. Notera att även negativa värden används i kontrolldiagrammet. X-diagram: Zn i blank prov-0,2-0,100,10,20,322-M ar 21-Apr 3-May 30-M ay 5-Jul 18-Aug 14-Se p 20-Se p 24-Se p 17- OctAnalysdatumµg/lx 46(47) Exempel 10 Sammanvägning av standardavvikelse för sr and sRw från intern kvalitetskontroll Provtyp Kontrolldiagram Kontrollprov varje dag Olika dagar Alla X- diagram 3 8 I detta exempel mäts ett kontrollprov tre gånger varje dag under åtta olika dagar. Om alla resultat används för att beräkna sRw blir resultatet för lågt vilket ger för snäva kontrollgränser. Nedan visas hur man väger samman standardavvikelser inom samma dag, repeterbarhet sr och ett förenklat sätt (se anm. nedan) att sammanväga standardavvikelse mellan dagar för att beräkna sRw. Repeterbarhet Beräkna standardavvikelsen s och variansen s2 varje dag för de tre mätningarna. Dag 1 ger s = 0,0058 och s2 = 0,00003 osv. Väg samman de åtta standardavvikelserna med ekvation 10. Eftersom varje standardavvikelse är framtagen samma dag och samma analysomgång den sammanvägda standardavvikelsen 0,015 ett mått på metodens repeterbarhet sr. Inom-lab reproducerbarhet Beräkna standardavvikelsen s och variansen s2 för varje mätning dag 1–8. Dag 1 ger s = 0,0226 och s2 = 0,00051 osv. Väg samman de tre standardavvikelserna med ekvation 10. Eftersom varje standardavvikelse är framtagen från mätningar olika dagar är den sammanvägda standardavvikelsen 0,027 ett mått på metodens inom-lab reproducerbarhet sRw. Anmärkning: Det förenklade sättet att beräkna sRw ger här sRw = 0,270. En korrekt uppskattning med hjälp av ANOVA ger värdet 0,272. Mer info om ANOVA finns i Eurachem- guiden Fitness for Purpose of Analytical Methods [16]. 47(47) 15. Referenser 1. V. B. Jensen, K.H., H. Hovind Ö. Lindgren, Handbook of internal quality control in water laboratories. . 1984, Water Quality Institute: Copenhagen. 2. Hovind, H., Internal Quality Control. Handbook for Water Analysis Laboratories. 1986, Norwegian Institute for Water Research: Oslo. 3. ISO/IEC 17025, General requirements for the competence of testing and calibration laboratories. 2017: Geneva. 4. B. Magnusson, T.N., H. Hovind, M. Krysell, E. Sahlin, Handbook for calculation of measurement uncertainty in environmental laboratories. 2017, Nordtest. 5. E. Hund, D.L.M., J. Smeyers-Verbeke, Operational definition of uncertainty. TRAC, 2001. 20(8): p. 13. 6. A. Williams, S.E.E., Quantifying Uncertainty in Analytical Measurement. 2012, Eurachem/CITAC. 7. ISO 13530, Water quality Guide to analytical quality control for water analysis. 2010: Geneva. 8. European Union Council Directive 98/83/EC of 3 November 1998 with amendment 2015/1787 (2015). 9. Duncan., A.J., Quality control and industrial statistics. 5th Edition. Homewood. Illinois: Richard D. Irwin, 1986. 5 ed. 1985, Homewood, Illinois: Richard D. Irwin. 10. Gardner), R.V.C.A.L.W.r.b.M.J., A manual on analytical quality control for the Water Industry. 1989, Water Research Centre: Swindon (UK): . 11. ISO 8258, Shewhart Control Charts. 1991+ Cor 1:1993: Geneva. 12. Miller, J.N.M.J.C., Statistics and chemometrics for analytical chemistry. 6 ed. 2010, Harlow: Prentice Hall. 13. W. Funk, V.D., G. Donnevert. Funk W, Quality assurance in analytical chemistry. Applications in Environmental, Food and Materials Analysis, Biotechnology and Medical Engineerin. 2 ed. 2006, Weinheim: Wiley-VCH. 14. ISO 7873, Control Charts for arithmetic average with warning limits. 1993: Geneva. 15. ISO 7870-1, Control Charts – Part 1: General Guidelines. 2014: Geneva. 16. B. Magnusson, U.Ö., Eurachem Guide: The Fitness for Purpose of Analytical Methods – A Laboratory Guide to Method Validation and Related Top. 2 ed. 2014: Eurachem. 17. Requirement on analytical quality, under Resources at www.trollboken.se. 18. ISO Guide 99, International Vocabulary of Metrology – Basic and General Concepts and Associated Terms. 2007: Geneva. Från Nordtest finns också en handbok om mätosäkerhet Kan laddas ner från www.nordtest.ingo. Beställning av tryckt ex görs till: RISE, Box 857, 501 15 Borås info@ri.se Citations (44)References (22)... The 2007 approach is based on the ratio between the difference and the average of the duplicates. On the other hand, the 2019 approach is based on the application of a certain factor, d2, depending on the replication chosen, e.g., 1.128 for duplicates [22], as the divider in a fraction where the dividend is the difference between duplicate measurements. In order to proper evaluate adequacy and limitations of the statistical approaches used to treat data set, previous tests were applied to evaluate assumptions on normal distribution, independence of data, homoscedasticity of data and existence of outliers. ...Impact of the sampling process on the measurement uncertainty, a case study: physicochemical parameters in dieselArticleFull-text availableFeb 2021Accred Qual Assur

Viviane de Jesus Leite

E. C. de OliveiraRicardo Queiroz AucélioThe result of a chemical measurement is consequence of a set of steps that begins with sample selection. The aim of this study was to evaluate the relative importance of the sampling in overall measurement uncertainty, taking as study case physicochemical measurements of diesel. The empirical method used was by duplicates, and the treatment of data sets was performed by four different statistical techniques: classic analysis of variance, robust analysis of variance and two different Range Statistics models. The choice must be backed by previous evaluation of data set in terms of normality, independence, presence of outliers and homogeneity of variance. It was found that Range Statistics produced most reliable results under different premises and for the variety of physicochemical parameters evaluated. Robust analysis of variance failed indicates proper influence of sampling even it is a test designed to work under the lack of some of the proper premises.ViewShow abstract... trihalomethanes, trichloroethene, tetrachloroethene). Quality control is based on the NORDTEST report guide [26] and ISO/TS13530:2009 norm [27], and includes blanks, certified reference materials, additions, duplicates and control charts in each analytical batch. In addition, the laboratory participates regularly in FAPAS Drinking Water Proficiency Testing Schemes (http://fapas.com). ...Chemical and in vitro bioanalytical assessment of drinking water quality in Manhiça, MozambiqueArticleFull-text availableMar 2021J Expo Sci Environ EpidemiolCristina M Villanueva

Berta Grau-PujolIro EvlampidouJose MuñozThe chemical quality of drinking water is widely unknown in low-income countries.We conducted an exploratory study in Manhiça district (Mozambique) to evaluate drinking water quality using chemical analyses and cell-based assays.We measured nitrate, fluoride, metals, pesticides, disinfection by-products, and industrial organochlorinated chemicals, and conducted the bioassays Ames test for mutagenicity, micronuclei assay (MN-FACS), ER-CALUX, and antiAR-CALUX in 20 water samples from protected and unprotected sources.Nitrate was present in all samples (median 7.5 mg/L). Manganese, cobalt, chromium, aluminium, and barium were present in 90–100% of the samples, with median values of 32, 0.6, 2.0, 61, 250 μg/l, respectively. Manganese was above 50 μg/l (EU guideline) in eight samples. Arsenic, lead, nickel, iron, and selenium median values were below the quantification limit. Antimony, cadmium, copper, mercury, zinc and silver were not present. Trihalomethanes, haloacetic acids, haloacetonitriles and haloketones were present in 5–28% samples at levels ≤4.6 μg/l. DDT, dieldrin, diuron, and pirimiphos-methyl were quantified in 2, 3, 3, and 1 sample, respectively (range 12–60 ng/L). Fluoride was present in one sample (0.11 mg/l). Trichloroethene and tetrachloroethene were not present. Samples were negative in the in vitro assays.Results suggest low exposure to chemicals, mutagenicity, genotoxicity and endocrine disruption through drinking water in Manhiça population. High concentration of manganese in some samples warrants confirmatory studies, given the potential link to impaired neurodevelopment.ViewShow abstract... In addition, agreement with reference value indirectly confirms adequate selectivity of your analytical method (procedure) and absence of serious technical issues. b) Collect data over long time periods: Analysis data of identical or similar samples collected over long time (formalized e.g. as a control chart [2]) are valuable in ensuring that the method is under control and stable. In addition, there is no way to evaluate trueness without replicate measurements, preferably over a long time period. ...Metrology in chemistry: some questions and answersArticleDec 2020Ivo Leito

Irja HelmThis article presents some typical questions from practitioners, trying to implement metrological concepts in their everyday chemical analysis work, and answers to them by the authors, in the context of the authors’ pragmatic view on applying the metrological principles to chemical analysis. Several of the presented questions are staples at training seminars and during on-line courses. The answers to the questions reflect the authors’ opinions and are not always fully in line with the generally accepted positions.ViewShow abstract... Statistically only three out of 1000 measurements are thus located outside the action limits. If the control value is outside the action limits, there is a high probability that the analysis is in error (Hovind et al., 2005). ...Development of Advanced Composting Technologies for Municipal Organic Waste Treatment in Small Communities in Newfoundland and LabradorTechnical ReportJan 2014

Baiyu Zhang

Khoshrooz Kazemi

Weiyun LinView... The recovery values at two fortification levels ranged from 70.5% to 126.6%, and the precision values (expressed as RSD, %) were below 20% for all of the investigated analytes (Table 1), which satisfies the criteria for quantitative methods for pesticide residues in food [13]. The limit of detection (LOD) and limit of quantitation (LOQ) were calculated by multiplying the standard deviation of repeatability by factors of 3 and 6, respectively [14]. All pesticide LOD (0.0004-0.0023 mg kg −1 ) and LOQ (0.0008-0.0047 mg kg −1 ) (Table 1) values were less than the maximum residue levels (MRLs) appointed for each analyte in each commodity. ...Evaluation of Pesticide Residues in Vegetables from the Asir Region, Saudi ArabiaArticleFull-text availableJan 2020MOLECULESMohamed F. A. Ramadan

Mohamed Medhat Ali Abdel-HamidMontasser M. F. Altorgoman

Nasser S AwwadThis study’s aim was to determine the pesticide residues in 10 different vegetable commodities from the Asir region, Saudi Arabia. We evaluated 211 vegetable samples, collected from supermarkets between March 2018 and September 2018, for a total of 80 different pesticides using ultrahigh-performance liquid chromatography–tandem mass spectrometry (UHPLC-MS/MS) and gas chromatography–tandem mass spectrometry (GC-MS/MS) after extraction with a multi-residue method (the QuEChERS method). The results were assessed according to the maximum residue limit (MRL) provided by European regulations for each pesticide in each commodity. All lettuce, cauliflower, and carrot samples were found to be free from pesticide residues. A total of 145 samples (68.7%) contained detectable pesticide residues at or lower than MRLs, and 44 samples (20.9%) contained detectable pesticide residues above MRLs. MRL values were exceeded most often in chili pepper (14 samples) and cucumber (10 samples). Methomyl, imidacloprid, metalaxyl, and cyproconazole were the most frequently detected pesticides. Based on the results of this study, we recommend that a government-supported program for the monitoring of pesticide residues in vegetables be established to promote consumers’ health and achieve sustainable farming systems.ViewShow abstract... The consistency of the system was evaluated using the control chart of the internal standard peak areas based on 100 consecutive runs (Fig. S2). The warning limits were set at ± 2SD while the control limits were set at ± 3SD [29]. The results showed that none of the responses exceeded the warning limits, which indicated that the whole system was in control. ...Ultrasound-assisted dispersive liquid–liquid microextraction for determination of three gliflozins in human plasma by HPLC/DADArticleDec 2019J CHROMATOGR B

Mai MabroukSuzan M. SolimanHeba M. El-Agizy

Fotouh MansourA novel, highly sensitive ultrasound-assisted dispersive liquid-liquid microextraction (UA-DLLME) high performance liquid chromatography with diode-array detection (HPLC/DAD) method was developed for the determination of empagliflozin, dapagliflozin and canagliflozin in human plasma using methanol as protein precipitating agent/disperser and 1-dodecanol as extracting solvent. The analytes were eluted with an isocratic mobile phase consisting of acetonitrile:aqueous 0.1% trifluoroacetic acid pH 2.5, (40:60, v/v), at a flow rate of 1 mL/min and UV detection at 210 nm. The microextraction conditions were optimized regarding type and volume of extractant, type of disperser, sample pH, extraction time and centrifugation time. Under the optimal conditions, the enrichment factors were 19 for empagliflozin, 27 for dapagliflozin and 50 for canagliflozin. Linearity ranges were 2-2500 ng/mL, 3.5-2500 ng/mL and 1.1-2500 ng/mL for empagliflozin, dapagliflozin and canagliflozin, respectively. The developed method employs very small volumes of organic solvents in sample extraction and allows determination of small concetrations of gliflozins in human plasma.ViewShow abstract... The results used for a measurement uncertainty estimation should cover a minimum 1-week time period The number of synthetic control sample measurement results used for a measurement uncertainty estimation should be at least 6 for each estimation range (International Organization for Standardization 2012) The number of replicate sample measurements used for a measurement uncertainty estimation should be at least 60 for each estimation range(Magnusson et al. 2018) The measurement uncertainty estimation could be performed with the same interval as the reference solutions are measured, e.g., daily (autonomous mode) ...Automatic real-time uncertainty estimation for online measurements: a case study on water turbidityArticleFull-text availableApr 2019Environ Monit AssessJoonas KahiluotoJukka Hirvonen

Teemu NäykkiContinuous sensor measurements are becoming an important tool in environmental monitoring. However, the reliability of field measurements is still too often unknown, evaluated only through comparisons with laboratory methods or based on sometimes unrealistic information from the measuring device manufacturers. A water turbidity measurement system with automatic reference sample measurement and measurement uncertainty estimation was constructed and operated in laboratory conditions to test an approach that utilizes validation and quality control data for automatic measurement uncertainty estimation. Using validation and quality control data for measurement uncertainty estimation is a common practice in laboratories and, if applied to field measurements, could be a way to enhance the usability of field sensor measurements. The measurement system investigated performed replicate measurements of turbidity in river water and measured synthetic turbidity reference solutions at given intervals during the testing period. Measurement uncertainties were calculated for the results using AutoMUkit software and uncertainties were attached to appropriate results. The measurement results correlated well (R² = 0.99) with laboratory results and the calculated measurement uncertainties were 0.8–2.1 formazin nephelometric units (FNU) (k = 2) for 1.2–5 FNU range and 11–27% (k = 2) for 5–40 FNU range. The measurement uncertainty estimation settings (such as measurement range selected and a number of replicates) provided by the user have a significant effect on the calculated measurement uncertainties. More research is needed especially on finding suitable measurement uncertainty estimation intervals for different field conditions. The approach presented is also applicable for other online measurements besides turbidity within limits set by available measurement devices and stable reference solutions. Potentially interesting areas of application could be the measurement of conductivity, pH, chemical oxygen demand (COD)/total organic carbon (TOC), or metals.ViewShow abstract... To quickly assess if the result from a quality control sample is acceptable the results are usually plotted on a control chart, typically a drawing consisting of a central line representing the mean value for the quality control sample and two other lines described as warning limits and action limits. 10,25 An important factor in selecting a reference material is their commutability, which is the property of a reference material whereby it is demonstrated to behave similarly to test samples under the same measuring conditions. 2 The use of suitable reference materials enables analysts to demonstrate the traceability of results, to validate methods, in addition to monitor the method s performance. However, it is important to distinguish between reference materials (RMs) and certified reference materials (CRMs) due to the different requirements for the degree of characterization, metrological traceability, uncertainty and documentation. ...Quality Assurance: AccreditationChapterJan 2018

Elin Lovise Folven GjengedalViewComparison of three different analytical protocols for 2019 updated D2425 method for renewable jet fuel product certification analysisArticleDec 2020J CHROMATOGR AK. Elias Ikonen

Katherine Elisabeth Wehde

Felix Anyakudo

Hilkka KenttämaaASTM standard specification D7566 covers the manufacture of synthetic aviation turbine fuel components and their blends with conventional Jet fuel (Jet A or Jet A-1). One of the components is renewable jet fuel (RJF) which is synthetic paraffinic kerosene (SPK) made from hydroprocessed esters and fatty acids (HEFA). The specification D7566 dictates property requirements for the SPK-HEFA, including concentration limits for selected hydrocarbon types (paraffins, cycloparaffins, and aromatics), which are analyzed by using the mass spectrometry (MS) based standard method D2425. The most recent update for D2425 released in 2019 includes the synthetic hydrocarbon sample type (e.g., SPK-HEFA) and defines various analytical procedures for the analysis. Notably, the procedures differ considerably from each other, and the experimental conditions are not defined in details. This leads to laboratories setting up analytical schemes for D2425 that are likely to differ from each other, which may result in variation in the quality of the results obtained in different laboratories.In the present study, the performances of D2425 analytical protocols set up by three laboratories were tested in certification analysis (D7566) of SPK-HEFA type RJF. The tested analytical protocols were proven to comply with the requirements of the 2019 version of the D2425 standard. Furthermore, the precisions of the protocols did not differ significantly from each other. However, a significant bias was found for the results obtained for cycloparaffins and aromatics. Further, considerable differences were found in the bias values between the laboratories. Based on the results of this study, the guidelines of the 2019 updated D2425 standard may result in setting up an analytical protocol for D2425 which may not be optimal for RJF certification.ViewShow abstractMEASUREMENT OF NITROUS OXIDE IN A NITROGEN MATRIX USING GAS CHROMATOGRAPHY WITH MICROELECTRON CAPTURE DETECTION: VALIDATION OF ANALYTICAL METHODArticleFull-text availableMar 2017Oman Zuas

Muhammad Rizky Mulyana

Nuryatini Hamim

Harry BudimanAtmospheric nitrous oxide (N2O) as one of the most potent greenhouse gases significantly contributes to the global warming effect. Therefore, an accurate and valid measurement method for monitoring its environmental release is of great importance. In this study, an analytical method for the measurement of N2O in a nitrogen (N2) matrix using gas chromatography and microelectron capture detection (GC‐μECD) has been validated. The analytical method was validated in terms of some performance parameters such as system suitability, precision (repeatability and reproducibility), linearity, limit of detection (LoD) and limit of quantitation (LoQ), accuracy and method robustness. The results show that the GC system was found to be suitable for the measurement of N2O in the N2 matrix. The repeatability and reproducibility of the method were found to have %RSD of 1.42 and 0.71, respectively, indicating that the method is repeatable and reproducible for N2O measurement. The linearity of the method was excellent, having the R2 value of 0.9998. The LoD and LoQ of the method were found to be 0.10 and 0.34 µmol mol-1, respectively. Evaluation of method accuracy showed that the method is also accurate for the measurement of N2O in the N2 matrix. The method’s roughness indicated that the method was quite stable and unaffected by slight changes in the experimental conditions. From this study, it can be concluded that the validated method can be used in testing laboratory for internal quality assurance programs purposes related to the measurement of N2O in N2 matrix.ViewShow abstractShow moreQuantifying Uncertainty in Analytical Measurement (QUAM)BookFull-text availableAug 2012

Stephen Ellison

Alex Williams

Ricardo Bettencourt da SilvaManfred GolzeViewQuality Control and Industrial Statistics.ArticleJan 1952J Roy Stat SocW. R. BucklandAcheson J. DuncanViewStatistics and Chemometrics for Analytical ChemistryBookJan 2005James N MillerJane Charlotte MillerThis popular textbook gives a clear account of the principles of the main statistical methods used in modern analytical laboratories. Such methods underpin high quality analyses in areas such as the safety of food, water and medicines, environmental monitoring, and chemical manufacturing. The treatment throughout emphasises the underlying statistical ideas, and no detailed knowledge of mathematics is required. There are numerous worked examples, including the use of Microsoft Excel and Minitab, and a large number of student exercises, many of them based on examples from the analytical literature.Key features expanded treatment of control charts additions to cover single point calibration and method comparison techniques extended treatment of robust methods major additions to sections on multivariate regression numerous worked examples, using Microsoft Excel and Minitab an attractive two-colour text design updated Instructors manual improved website including examples for lecturers and students This book is aimed at undergraduate and graduate courses in Analytical Chemistry and related topics. It will also be a valuable resource for researchers and chemists working in analytical chemistry.Professor James Miller is Emeritus Professor of Analytical Chemistry at Loughborough University. He has published numerous reviews and papers on analytical techniques and been awarded the SAC Silver Medal, the Theophilus Redwood Lectureship and the SAC Gold Medal by the Royal Society of Chemsitry. A Past President of the Analytical Division of the RSC, he is a member of the Society s Council and has served on the editorial boards of many analytical and spectroscopic journals.Dr Jane Miller completed a PhD at Cambridge University s Cavendish Laboratory and is an experienced teacher of mathematics and physics at higher education and 6th form levels. She holds an MSc in Applied Statistics and is the author of several specialist A-level statistics texts.ViewShow abstractQuality Control and Industrial StatisticsArticleAug 1988TechnometricsEric R. ZiegelA. J. DuncanViewQuality Control and Industrial Statistics.ArticleJan 1975J R STAT SOC C-APPLG. B. WetherillAcheson J. DuncanViewQuality Control and Industrial StatisticsArticleJun 1975J AM STAT ASSOCAcheson J. DuncanViewStatistics and Chemometrics in Analytical ChemistryArticleJan 2000James N. MillerJane C. MillerViewQuality assurance in automated Analytical ChemistryArticleJan 1987Anal ProcJ. D. Foster

Ross AylottG. C. CochraneErica N. Evans-TerleckiViewQuality Assurance in Analytical Chemistry J . Am . Chem . Soc . 1995 , 117 , 12900ArticleOct 1996J AM CHEM SOCW. FunkV. Dammann

Gerhild DonnevertViewQuality Assurance in Analytical Chemistry: Applications in Environmental, Food, and Materials Analysis, Biotechnology, and Medical EngineeringBookJan 2007Werner FunkVera Dammann

Gerhild DonnevertViewShow moreAdvertisementRecommendationsDiscover moreProjectMetrology

Elvar Theodorsson

Bertil Magnussonw.oosterhuis@zuyderland.nlCreate educational materials for the Joint Committee for Traceability in Laboratory Medicine (JCTLM) - WG for Traceability, Education and Promotion (WG-TEP)Total Error project for the EFLM View projectProjectP2-Measurement uncertainty in medical laboratory

Paulo Pereira

Jerard Seghatchian

James O. Westgard[...]

Bertil MagnussonThe goal is to publish novel and reviewed methodologies to compute the measurement uncertainty in medical laboratories tests. View projectProjectTrace Metals in Water

Bertil MagnussonView projectProjectQuality Control

Bertil MagnussonView projectArticleEvaluation of adequacy of quantitative laboratory chemical analysis techniquesDecember 2009 · Inorganic MaterialsV. I. PanevaAccording to GOST R ISO/IEC 17027, evaluation of adequacy of testing (analysis, measurements) techniques is a constituentelement of laboratory technical competence. The stages of the work performed when evaluating adequacy of quantitative chemicalanalysis techniques, the range of determined metrological characteristics, and the ways of their presentation depending onthe applied algorithms of ... [Show full abstract] evaluating the precision parameters of analysis techniques are considered. It is shown that, forthe majority of the analysis techniques applied in accordance with the requirements of the regulating normative documents(ND), Russian practice of development, certification, and acceptance tolerance for measurement techniques does not necessitatea laboratory procedure of adequacy evaluation. As far as these techniques are concerned, the possibility of correctly usingthem in laboratory conditions is verified prior to their application for work sample analysis. Algorithms demonstrating theadequacy (experimentally verified compliance) of the analysis performed in laboratory conditions to documented requirementsare recommended.Read moreArticleCALIBRATION ACCORDING TO ISO/IEC 17025 IN THE OPERATION OF MICROBIOLOGICAL AND CHEMICAL LABORATORIES...Francis Mukalazi StephenA study and practice of laboratory equipment calibration together with TPC and TVB- N methods of analysis according to ISO/IEC 17025 was conducted in order to gain and compile skills in calibration and internal quality checks of a laboratory using control charts in the two methods of analysis. The calibration facts and skills will be compiled into an equipment calibration manual while the two ... [Show full abstract] control charts will then give a rehearsal of internal quality checks of microbiological and chemical laboratories. All this is favourable to the Uganda Fisheries Laboratory as a step forward in gaining ISO7IEC 17025 accreditation to carry out analysis on fish and fish products for international export. In order to check performance of calibrated equipment and other quality parameters, which directly influence the microbiological results of analysis, a TPC control chart was obtained from the analysis of 10 frozen cod fillet samples for which the composite samples originated from the same consignment. The samples were prepared on the same day and then stored at -24ºC while inoculation was done along four consecutive days. Ten composite samples of shrimp muscle were prepared from 1000 g of a frozen consignment and then stored at - 24°C and TVB-N analysis carried out during five consecutive days to obtain a control chart. This was aimed at checking the consistence of the analytical results in order to carry out internal quality checks focused on various factors that may directly or indirectly affect the certainty of the results. One of the controls was ensuring that all the equipment was calibrated before use and the other was keeping the samples at - 24ºC to hold spoilage. From the control charts for TPC and TVB-N, the values from the sample fell within the acceptable region of the chart as expected.Read moreArticleFull-text availableEvaluation of Laboratory Performance Through Interlaboratory ComparisonSeptember 2009 · MAPAN-Journal of Metrology Society of India

Sanjay Yadav

Ashis Kumar BandyopadhyayThis paper reports the performance of the calibration results obtained by 21 laboratories using digitalpressure calibrator as an artifact in the pressure range 7-70 MPa. National Physical Laboratory(NPLI), New Delhi has coordinated this programme and also acted as a reference laboratory. Theprogram started in May, 2006 and completed during May, 2008. The comparison was carried outat 10 ... [Show full abstract] equally spaced pressure points i.e. 7, 14, 21, 28, 35, 42, 49, 56, 63 and 70 MPa throughout theentire pressure range of 7 – 70 MPa. The calibration results thus obtained were analyzed as per ISO/IEC GUM document. The 92.7 % measurement results are found in agreement with the results ofNPLI. The relative deviations between laboratories values and reference values are well within the 0.05% for 123 measurement points, 0.1% for 162 measurement points and 0.25% for 177 measurementpoints. The difference of the laboratories values with reference values are found almost well withinthe uncertainty band of the reference values at 68.0 % measurement results, within their reportedexpanded uncertainty band at 81.5% measurement results and within the combined expandedmeasurement uncertainty band at 92.7 % measurement results. Overall, the results are consideredto be reasonably good being the first proficiency testing for most of the participating laboratories.View full-textArticleFull-text availableDesign and application of a quality system for pre-clinical trialsJanuary 2000Lidia Gómez-Napier

Francisco Hernández-Bernal

Jorge Berlanga-Acosta[...]

Dania BacardíThis report shows the design and implementation of a quality system, based on Good Laboratory Practices and ISO/IEC Guide 25, in the Department of Pre-clinical Studies and Animal Models of the Center for Genetic Engineering and Biotechnology in Havana, Cuba. The organizational structure and the responsibilities of the areas and of the director of the study were redefined. Provisions for ... [Show full abstract] education, training and experience of the staff, its safety, hygiene and health, as well as its supervision, were established. The requirements of the facilities for performing the study, test systems, supplies, test and reference substances and documentation storage, were defined. This system establishes the maintenance and calibration of equipment, quality assurance of reagents and solutions, the quality of the test systems and supplier assessment. Procedures for animal care, handling, feeding and housing were established. The characterization of the test substance was established (identity, strength, purity, composition and stability). This system also establishes the drawing up of the master program and the study protocols, the collection of primary data, quality control and final report. It defines the performance of audits and documentation storage. The implementation of this system has increased the organization of pre-clinical studies and rendered better results in terms of quality and reliability.View full-textDiscover the world s researchJoin ResearchGate to find the people and research you need to help your work.Join for free

ResearchGate iOS AppGet it from the App Store now.InstallKeep up with your stats and moreAccess scientific knowledge from anywhere

orDiscover by subject areaRecruit researchersJoin for freeLoginEmail Tip: Most researchers use their institutional email address as their ResearchGate loginPasswordForgot password? Keep me logged inLog inorContinue with LinkedInContinue with GoogleWelcome back! Please log in.Email · HintTip: Most researchers use their institutional email address as their ResearchGate loginPasswordForgot password? Keep me logged inLog inorContinue with LinkedInContinue with GoogleNo account? Sign up

CompanyAbout usNewsCareersSupportHelp CenterBusiness solutionsAdvertisingRecruiting© 2008-2021 ResearchGate GmbH. All rights reserved.TermsPrivacyCopyrightImprint

>>> 更多资讯详情请访问蚂蚁淘商城