Artigo: Como os dados dos pacientes estão revolucionando o controle de qualidade laboratorial

No cenário atual da Medicina Laboratorial, o Controle Interno da Qualidade (CIQ) convencional, baseado em materiais processados e estabilizados, permanece como a "pedra angular" da garantia da qualidade (1). No entanto, as limitações intrínsecas dessa prática, como a falta de comutabilidade entre os materiais de controle e as amostras reais, o alto custo e a natureza intermitente da monitoração, têm levado os laboratórios a buscarem soluções mais dinâmicas e robustas (2). É neste contexto que o Patient-Based Real-Time Quality Control (PBRTQC) emerge não apenas como um complemento, mas como uma solução alternativa e alinhada às diretrizes de gestão de risco, como o CLSI EP23-A3 e a ISO 151894.

Fundamentalmente, a ferramenta atende aos requisitos da Norma PALC, versão 20255, item 17.3, que exige que o Sistema de Gestão da Qualidade propicie a detecção e correção de incidentes e eventos adversos, a avaliação de riscos com foco na segurança do paciente e o estabelecimento de barreiras de contenção. Ao transformar dados em tempo real em barreiras de segurança, o PBRTQC preenche as lacunas entre as medições de controles comerciais.

O Que é o PBRTQC e Por Que Utilizá-lo?

O PBRTQC utiliza os resultados das análisesdas amostras de pacientes, em tempo real, para monitorar a estabilidade do sistema analítico. Diferente do CIQ tradicional, que depende de uma "corrida analítica", o PBRTQC oferece monitoramento contínuo, preenchendo as lacunas entre as medições de controles internos (2).

As principais vantagens incluem a eliminação de problemas de comutabilidade, podendo reduzir significativamente a dependência de materiais convencionais de CIQ em laboratórios de alto volume (1,2,6). Além disso, a ferramenta é sensível à detecção de erros pré-analíticos e falhas temporárias do sistema, como coágulos ou bolhas, falhas de lavagem, desafios com sondas (probes) e reagentes que o CIQ tradicional poderia não detectar.

Planejamento: A Definição de Analitos e a "Impressão Digital" do Laboratório

A implementação bem-sucedida do PBRTQC começa com um planejamento criterioso. Nem todo analito é um bom candidato. O sucesso depende da relação entre a variação biológica do analito e a precisão do método. Analitos com baixa variação biológica intra-individual (alto Índice de individualidade) e alta demanda, como sódio, creatinina, hemoglobina e índices eritrocitários, podem ser considerados.

O primeiro passo é extrair dados históricos representativos, geralmente de 6 a 12 meses, para entender o padrão de distribuição da população atendida (2,7). Cada laboratório possui uma "impressão digital" de seus dados, influenciada por logística clínica, horários de coleta e tipos de pacientes (ambulatoriais vs. internados). Ignorar essas variações diárias ou semanais pode levar a uma taxa inaceitável de alarmes falsos.

Estatística e Algoritmos: O Coração do Processo

A definição dos parâmetros estatísticos é a fase mais complexa e crucial. Os principais componentes são:

Algoritmos de Cálculo: As opções mais comuns incluem a Média Móvel (MA), a Mediana Móvel (MM) e a Média Móvel Ponderada Exponencialmente (EWMA). As diferenças práticas entre os algoritmos de MA, MM e EWMA no contexto do PBRTQC residem principalmente na sua robustez, evitando valores atípicos (outliers), na sensibilidade para detectar diferentes magnitudes de erro e nas exigências de volume de dados;

Limites de Truncamento (filtros): Para reduzir o "ruído" causado por resultados patológicos extremos, aplicam-se limites de exclusão. Por exemplo, excluir resultados de sódio fora do intervalo de 120-160 mmol/L evita que um único paciente grave distorça a média móvel. Técnicas como a Winsorizin (7) (substituir valores extremos pelo limite do truncamento em vez de apenas excluí-los) têm demonstrado melhorar o desempenho do sistema;

Tamanho do Bloco (Block Size): Define quantos resultados são incluídos no cálculo. Blocos pequenos detectam erros grandes rapidamente, mas blocos maiores são necessários para identificar erros sistemáticos sutis com maior confiança. Este plano depende da produtividade esperada para cada sistema analítico;

Limites de Controle: Diferente do CIQ, que usa 2 ou 3 SD (desvios padrão) fixos, os limites no PBRTQC devem ser otimizados para equilibrar a sensibilidade de detecção de erros com uma taxa de alarmes falsos aceitável.

Controle do Processo na Rotina e Gestão de Alarmes

Na rotina laboratorial, o PBRTQC deve ser operado via middleware ou sistemas de informação laboratorial (SIL) capazes de gerar gráficos (figura 1) de desempenho em tempo real e alarmes que possam ser detectados mesmo se a informação gráfica não estiver disponível (figura 2).

Figura 1–Gráfico com alteração detectada por PBRTQC

Figura 2 - Notificação de alarme, sem informações gráficas

O ponto crítico é o protocolo de ação pós-alarme. Quando um alarme de PBRTQC ocorre, o laboratório deve seguir um fluxo de investigação:

Verificar o CIQ convencional para confirmação rápida;

Analisar a estabilidade da população (houve mudança no perfil de pacientes no conjunto estatístico, como por exemplo, entrada de pacientes de hemodiálise ou de exames ocupacionais;

Reanalisar,por amostragem, amostras de pacientes do bloco afetado em um equipamento backup (ou método de referëncia (gold standard) para confirmar erro analítico real detectado por PBRTQC;

Implementar a estratégia de "release from the back",na qual os resultados só são liberados até o  fechamento do bloco de média móvel sem violações.

Limitações e Desafios

Apesar de seus ganhos, o PBRTQC não é uma solução "instale e esqueça". Suas principais dificuldades incluem:

Complexidade de Configuração: Requer conhecimentos estatísticos avançados e tempo para validação inicial.
Necessidade de Middleware: Poucos equipamentos analíticos possuem ferramentas nativas robustas de PBRTQC, exigindo software de terceiros;

Fadiga de Alarmes: Se os limites forem muito estreitos, o excesso de alarmes falsos pode levar os técnicos a ignorarem a ferramenta.
Independência de Erros Aleatórios: O PBRTQC clássico é excelente para erros sistemáticos, mas geralmente falha em detectar erros aleatórios pontuais, exemplo, processamento de uma batelada de pacientes proveniente de clínica de renais crônicos.
Início de Operação: Não substitui o CIQ após manutenções preventivas ou calibrações, pois o sistema precisa processar um volume inicial de amostras antes de gerar a primeira média móvel representativa.

Ganhos Adquiridos e Conclusão

Os ganhos com o uso do PBRTQC são tangíveis e transformadores. Laboratórios de referência relatam ganhos operacionais, detecção mais precoce de desvios analíticos e redução de impactos associados a falhas analíticas (8), como por exemplo, o sódio, no qual pequenas derivações analíticas podem impactar decisões clínicas críticas. Além disso a ferramenta evita retificações de laudos em massa, atuando como barreira nas falhas de liberações automáticas com desvios.  Recentemente, a aplicação de Inteligência Artificial (IA) tem refinado esses modelos, permitindo maior capacidade de detecção automática de erros analíticos e pré-analíticos, incluindo identificação de amostras potencialmente contaminadas e apoio à autoverificação de resultados (8,9)

Em conclusão, o Patient-Based Real-Time Quality Control é uma ferramenta indispensável para o laboratório moderno que busca excelência e conformidade com as boas práticas laboratoriais. Ele não apenas garante que o processo analítico permaneça estável entre as corridas de controle interno, mas também coloca a segurança do paciente no centro da estratégia de qualidade, utilizando a evidência definitiva da performance laboratorial: os dados do próprio paciente.

Referências Bibliográficas:

1.       BADRICK, Tony; BIETENBECK, Andreas; CERVINSKI, Mark A.; KATAYEV, Alex; VAN ROSSUM, Huub H.; LOH, Tze Ping. Patient-Based Real-Time Quality Control: Review and Recommendations. Clinical Chemistry, v. 65, n. 8, p. 962–971, 2019. DOI: 10.1373/clinchem.2019.305482.

2.       LOH, Tze Ping; BIETENBECK, Andreas; CERVINSKI, Mark A.; VAN ROSSUM, Huub H.; KATAYEV, Alex; BADRICK, Tony. Recommendation for performance verification of patient-based real-time quality control. Clinical Chemistry and Laboratory Medicine, v. 58, n. 8, p. 1205–1213, 2020. DOI: 10.1515/cclm-2019-1024.

3.       Clinical and Laboratory Standards Institute. EP23™ Ed2: Laboratory Quality Control Based on Risk Management. 2. ed. Wayne, PA: Clinical and Laboratory Standards Institute, 2023.

4.       International Organization for Standardization. ISO 15189:2015 – Medical laboratories: Requirements for quality and competence. Geneva: International Organization for Standardization, 2015. 

5.       Sociedade Brasileira de Patologia Clínica/Medicina Laboratorial. Programa de Acreditação de Laboratórios Clínicos (PALC): Norma PALC 2025. Rio de Janeiro: Sociedade Brasileira de Patologia Clínica/Medicina Laboratorial, 2025.

6.       VAN ROSSUM, Huub H. When internal quality control is insufficient or inefficient: consider patient-based real-time quality control! Annals of Clinical Biochemistry, v. 57, n. 3, p. 198–201, 2020. DOI: 10.1177/0004563220912273.

7.       BIETENBECK, Andreas; CERVINSKI, Mark A.; KATAYEV, Alex; LOH, Tze Ping; VAN ROSSUM, Huub H.; BADRICK, Tony. Understanding Patient-Based Real-Time Quality Control Using Simulation Modeling. Clinical Chemistry, v. 66, n. 8, p. 1072–1083, 2020. DOI: 10.1093/clinchem/hvaa094. 

8.       WANG, Jingyuan; ZHAO, Chedong; FAN, Linlin; WANG, Xiaoqin. Integrating Patient-Based Real-Time Quality Control (PBRTQC) in a New Field: Inter-Comparison between Biochemical Instrumentations with LDL-C. Diagnostics, v. 14, n. 872, 2024. DOI: 10.3390/diagnostics14090872. 

9.       LORDE, Nathan; MAHAPATRA, Shivani; KALARIA, Tejas. Machine Learning for Patient-Based Real-Time Quality Control (PBRTQC), Analytical and Preanalytical Error Detection in Clinical Laboratory. Diagnostics, v. 14, n. 1808, 2024. DOI: 10.3390/diagnostics14161808. 

10.   YANG, Xuran; CHEN, Qianlan; PAN, Zhifeng; CHENG, Jingmao; ZHENG, Wenting; LIANG, Yingliang; CHEN, Hui; CHEN, Guanghui; WANG, Wandang. Application of Patient-Based Real-Time Quality Control Based on Artificial Intelligence Monitoring Platform in Continuously Quality Risk Monitoring of Down Syndrome Serum Screening. Journal of Clinical Laboratory Analysis, v. 38, e25019, 2024. DOI: 10.1002/jcla.25019. 

11.   VAN ROSSUM, Huub H.; VAN DEN BROEK, Daan. Ten-Month Evaluation of the Routine Application of Patient Moving Average for Real-Time Quality Control in a Hospital Setting. Journal of Applied Laboratory Medicine, v. 5, n. 6, p. 1184–1193, 2020. DOI: 10.1093/jalm/jfaa071. 

12.   VAN ROSSUM, Huub H. Moving average quality control: principles, practical application and future perspectives. Clinical Chemistry and Laboratory Medicine, v. 57, n. 6, p. 773–782, 2019. DOI: 10.1515/cclm-2018-0795.