From reference materials to examination results: a specification-anchored framework for version-defined qualitative properties

在现代医学领域，越来越多的诊断测试不再仅仅测量单一的数值（例如血液中的糖含量），而是通过分析复杂的生物数据，将患者的样本归入某一类别，例如识别出特定类型的细菌或确定是否存在某种基因突变。这些测试依赖于复杂的计算机程序，将原始生物数据与庞大的已知序列库进行比对。其结果是一个标签或一个评分，用以指导医生的下一步行动。为了使这些结果值得信赖，科学家必须能够验证测试是否运行正确。传统上，这种验证依赖于参考物质——即具有已知属性的物理样本，实验室通过测试这些样本来确保其机器已校准。然而，虽然出现了一种新的标准来帮助管理这些材料，但在处理现代实验室每天产生的复杂、由软件驱动的结果方面，仍存在空白。

核心难点在于这些数字结果是如何生成的。与简单的测量不同，软件生成的诊断是许多移动部件协同工作的产物：所使用的特定计算机程序、它所咨询的基因数据库版本、决定什么算作匹配的数学阈值，以及决定向医生报告什么的规则。其中的每一个组件都可以独立发生变化。软件更新可能发生在周一，数据库刷新发生在周二，而报告规则的变更发生在周三。如果实验室在今天报告了一个结果，而在这些变化发生一个月后对同一样本进行重新测试，答案可能会有所不同；这并不是因为患者的生物学特征发生了变化，而是因为产生结果的“配方”发生了变化。这为质量控制带来了问题：如果数字工具在不断变化，我们如何能确定两个不同的实验室实际上观察到的是相同的东西？

来自北京国家临床检验中心的研究员林贵高提出了一种思考这一问题的新方法。该论文并未发明一种新的测量类型，也没有声称要修复测试背后的底层科学问题。相反，它提供了一个框架，用于精确描述当一个测试结果由特定的软件指令定义时，该结果究竟意味着什么。作者认为，我们必须停止将测试结果视为一个静态的事实，而应将其视为一个特定过程的记录。正如物理参考物质拥有其来源历史一样，数字结果也必须拥有其生成过程的历史。论文指出，为了使结果具有可比性，我们必须锁定产生该结果的完整“规范”。这意味着不仅要记录软件的名称，还要记录软件的具体版本、所使用的特定数据库版本、应用的参数以及应用的数据规则。

拟议的解决方案是将每一个结果锚定到这一完整的规范之上。作者概述了使一个结果具有意义所必须记录的最低限度信息。这包括所用算法的身份、所有相关组件版本的详细列表、测试设计的检测范围，以及证明该测试确实按照所述方式运行的记录。至关重要的是，论文建议将结果分为三个不同的层面。第一层是原始证据，例如发现的基因序列。第二层是软件做出的决策，例如将一段序列分类为特定的病毒。第三层是解释，即基于该分类给出的医疗建议。通过保持这些层面的分离，科学家可以准确理解两个实验室之间出现分歧的原因。是因为其中一个实验室完全遗漏了基因序列？是因为他们发现了序列但软件将其过滤掉了？还是因为他们根据不同的医疗指南对发现进行了不同的解释？

这种方法改变了我们评估这些测试性能的方式。论文指出，我们不能简单地计算实验室有多少次得到了“正确”答案，因为“正确答案”的定义取决于软件的具体版本和测试的范围。如果一个测试旨在寻找特定的细菌，那么它没有报告另一种处于其预期范围之外的细菌，并不代表它是失败的。作者认为，性能声明必须与被评估的结果层级相挂钩。例如，如果一个实验室声称擅长检测某种病毒，那么该声明应该针对原始证据层进行评判，而不是针对最终报告层，因为后者可能会因为安全过滤器而排除了该病毒。同样，在比较随时间变化的结果时，论文警告说，如果测试的难度发生了变化，仅仅观察通过率可能会产生误导。为了获得真实的进步图景，实验室需要使用即使在软件演进过程中也能保持恒定的固定参考点。

该论文还讨论了产生开放式列表的测试挑战，例如一份列出样本中发现的所有可能病原体的报告。在这种情况下，证明测试找到了可能存在的每一项是不可能的。作者建议，我们必须为这些测试定义一个有界域，明确说明测试能够发现什么以及不能发现什么。这使我们能够在已知的可能性范围内衡量错误，如虚假警报或漏检，而不是试图针对无限的未知进行测量。该框架建议，我们应该区分已确认的项目、处于检测边缘的项目以及单纯处于测试能力之外的项目。这种区分有助于防止产生一种错误的假设，即仅仅因为没有报告某个项目，测试就是完美的；有时，不报告某个项目才是正确的结果，因为该项目从未在其测试范围内。

最终，这项工作是对一个日益复杂的领域追求清晰度与精确性的呼吁。作者并不声称该框架能解决所有问题，也不声称它会立即使每个测试结果都变得完美。相反，论文提出了一个可测试的想法或命题，以观察这种新的思维方式是否确实改善了我们比较实验室和追踪性能随时间变化的方式。作者建议，如果我们分离结果的各个层面，就会发现许多表象上的失败实际上只是规则应用方式的不同。如果我们仔细追踪版本变化，就会看到软件更新可能会导致结果出现系统性偏移，这种偏移看起来像是错误，但实际上只是漂移。论文总结道，通过采用这种以规范为锚定的方法，医学界可以从模糊的共识转向精确的、可验证的比较，从而确保当医生收到一个结果时，他们确切知道这个结果意味着什么，以及它是如何得出的。