Error Total Permitido y la determinación de la calidad analítica - Parte 1

1. Calidad analítica en la medicina de laboratorio

Discutimos métrica sigma, exactitud y reglas de control, incorporadas a tableros de control y algoritmos de monitoreo. En muchos entornos, estas herramientas se presentan como la base objetiva del control de calidad. Pero existe una pregunta mucho más fundamental que rara vez se discute de forma explícita:

¿Quién decide cuánto error puede tener un resultado antes de dejar de ser clínicamente aceptable?

La respuesta se encuentra en un concepto central: el Error Total Permitido (TEa), que define el máximo error analítico tolerable para que un resultado siga siendo adecuado para su uso clínico.

El TEa integra tanto error aleatorio (imprecisión) como error sistemático (bias). Sin embargo, el desafío es que no existe un estándar universal. Dependiendo de la fuente del TEa, un mismo método puede parecer excelente o completamente inadecuado.

2. Cómo se definen las especificaciones analíticas

El marco conceptual actual se consolidó en la Conferencia Estratégica de Milán (2014), proponiendo tres modelos jerárquicos:

Modelo 1: Basado en resultados clínicos

Define las especificaciones a partir del impacto del error en las decisiones médicas. Es el enfoque más sólido: si un error cambia un diagnóstico o pronóstico, es inaceptable. Es ideal para analitos con puntos de decisión claros como troponina, HbA1c y colesterol, aunque su aplicación práctica es limitada por la escasez de estudios clínicos vinculados.

Modelo 2: Basado en variación biológica

Utiliza la fluctuación natural del analito en el individuo (CVI) y entre personas (CVG). Proporciona una base fisiológica sólida, pero suele criticarse porque los datos provienen mayormente de poblaciones sanas y no todos los analitos tienen un estado homeostático estable.

Modelo 3: Basado en el estado del arte

Es el enfoque pragmático: ¿Qué desempeño es alcanzable con la tecnología actual? Se nutre de programas de evaluación externa (PT/EQA), regulaciones nacionales y datos de la industria. Es fácil de aplicar, pero genera la duda de si lo tecnológicamente posible es suficiente para la seguridad del paciente.

3. El ecosistema real de las especificaciones

Los laboratorios obtienen sus valores de diversas fuentes: bases de datos de variación biológica, regulaciones como CLIA, recomendaciones de organizaciones profesionales y especificaciones de fabricantes. Esto implica que la evaluación del desempeño no es una propiedad intrínseca del método, sino una función del estándar elegido para medirlo.

4. El efecto dominó del TEa

Una vez establecido el TEa, todo el sistema de QC se construye a su alrededor:

• Métrica Sigma: La fórmula σ = (TEa − sesgo) / CV depende directamente del TEa elegido.
• Diseño del Control de Calidad: Define la frecuencia de controles y la selección de reglas de decisión.
• Evaluación de Métodos: Determina los criterios para validar nuevos instrumentos o aceptar resultados de verificación.
• Evaluación Externa (EQA): Los límites de error derivados de estos modelos clasifican el desempeño del laboratorio frente a sus pares.

5. El punto ciego del control de calidad

En muchos casos, las especificaciones analíticas se adoptan por inercia o porque vienen preconfiguradas en el software. Pocas veces se analiza cómo esta elección influye en la interpretación del desempeño. Esto crea un riesgo: dos laboratorios con los mismos datos pueden llegar a conclusiones opuestas simplemente por usar estándares distintos.

6. Implicaciones para el ecosistema IVD

Para fabricantes, distribuidores y laboratorios, el TEa no es solo un parámetro técnico. Define la arquitectura completa del sistema de calidad y el nivel de riesgo analítico aceptado. En pocas palabras: el TEa define la calidad analítica.

Conclusión y lo que veremos la próxima semana

Entender el TEa es el primer paso para un sistema de calidad robusto. No es solo estadística, es una decisión conceptual sobre qué nivel de error estamos dispuestos a aceptar en favor de la seguridad del paciente.

La próxima semana analizaremos un estudio que compara las bases de datos de Ricos vs. EFLM. Veremos cómo un cambio de referencia puede transformar un método "world-class" en uno de bajo desempeño.

Nos leemos la próxima semana.