Intérêts théoriques et pratiques de l’inférence bayésienne dans la maîtrise statistique des procédés : retours d’expérience du laboratoire d’hémostase aux Hospices civils de Lyon

Résumé Fr En

Les laboratoires doivent mettre en place une gestion globale efficiente de leurs résultats de CIQ et EEQ pivots de la maîtrise statistique des procédés. Ils doivent avoir défini une qualité attendue et poser des dispositions prouvant une maîtrise pérenne des spécifications retenues. Le laboratoire d’hémostase des Hospices civils de Lyon s’adosse au modèle 3 de la conférence de consensus de Milan, c’est-à-dire l’état de l’art des méthodes en termes de qualité attendue en ayant fait le choix d’un organisme d’EEQ commun fournissant majoritairement des plasmas de patients. En privilégiant l’utilisation de méthodes en portée A, le laboratoire exploite de façon optimale les données a priori des fournisseurs : coefficient de variation de fidélité intermédiaire maximal acceptable et valeurs cibles des CIQ. L’inférence bayésienne permet de mettre sous contrôle une méthode au regard des données a priori des fournisseurs sans période probatoire. L’inférence bayésienne crée le lien entre plan de CIQ et plan d’EEQ par le biais des CV maximum acceptables définis par les industriels.

Laboratories need to set up effective overall management of their internal quality control (IQC) and external quality assessment (EQA) results as key elements in statistical process control. Quality targets need to be defined, with methods to ensure durable control with respect to the relevant specifications. The hemostasis laboratory of the Lyon Hospitals Board (HCL, Lyon, France) uses model 3 from the Milan consensus conference, which is the state of the art in terms of quality targets, and uses a common EQA provider supplying as many real patient samples as possible. Giving priority to adopted methods, the lab optimizes the use of manufacturers’ prior data: maximum acceptable inter assay coefficient of variation (CV) and prior IQC target values. Bayesian inference brings the method under control with respect to the manufacturers’ prior data without the need for a preliminary phase. It links the IQC and EQA plans by the maximum acceptable CVs defined by the manufacturer.