回归分析将系统误差分解为两个部分。 恒定偏差表现为统计学上显著偏离零的 y 轴截距；比例偏差表现为偏离单位值（1.0）的 斜率。通过 Deming 或 Passing-Bablok 回归进行的这种区分，可以精准定位新试剂盒校准失效的具体环节。
检测开发人员必须同时查看回归线的截距和斜率，以理清系统误差。不等于零的截距表示所有浓度下的固定偏移，而不等于 1 的斜率则揭示了与浓度相关的比例误差。只有结合这两个参数，才能决定是调整空白值、重新校准，还是解决更深层的基质干扰问题。
核心模型：作为诊断工具的回归分析
方法比对研究会在临床相关的浓度范围内生成配对测量值。将回归线拟合到这些数据点上，可以量化候选试剂盒与参考方法之间的平均关系。回归方程 $y = a_0 + b \cdot x$ 是区分偏差类型的关键。
截距如何揭示恒定系统偏差
恒定偏差是一种固定偏移。 无论样本浓度如何，候选方法的读数始终高出或低于固定数值。在差值图（Difference Plot）上，这表现为平均差值相对于零线的水平位移。
截距 $a_0$ 捕捉了这种位移。 如果 $a_0$ 在统计学上与零有显著差异，则证明存在恒定偏差。这通常通过 $t$ 检验或检查 $a_0$ 的 95% 置信区间是否包含零来评估。
常见根本原因包括未计入的背景信号、空白扣除缺陷，或无论分析物浓度如何都会增加（或减少）固定信号的持续性干扰。解决方法通常是重新校准零点或校正非特异性背景。
斜率如何揭示比例系统偏差
比例偏差是一种比例误差。 两种方法之间的差异随分析物浓度的增加或减少而成比例变化。在差值图上，你会看到一个从原点向外发散的楔形图案。
斜率 $b$ 量化了这种比例关系。 斜率为 1.0 意味着两种方法完全同步变化。斜率显著偏离 1.0（同样通过置信区间确定）则表明存在比例偏差。小于 1.0 的值表示候选方法随浓度升高出现回收率不足；大于 1.0 的值则表示回收率过高。
典型诱因包括校准曲线偏差、校准品赋值错误，或浓度依赖性的基质效应（样本基质在不同浓度下抑制或增强信号）。解决方法通常涉及重新校准整条工作曲线，而不仅仅是空白点。
选择正确的回归模型
并非所有回归方法都适用。能否正确识别恒定偏差和比例偏差，取决于是否选择了能够处理双轴误差的模型。
为什么普通最小二乘法（OLS）不够用
普通最小二乘法（OLS）回归假设 $x$ 变量（参考方法）的测量没有误差。 在实际的 IVD 比对中，两种方法都存在不精密度。OLS 会系统性地低估斜率，可能掩盖比例偏差或产生假阳性的恒定偏差。因此，它不适用于严谨的偏差表征。
Deming 和 Passing-Bablok 回归的价值
Deming 回归通过纳入已知或假设的不精密度比率，考虑了两种方法的测量误差。 当您对每种方法的分析方差有合理的估计时，它能提供无偏的斜率和截距估计，是方法比对的黄金标准。
Passing-Bablok 回归是一种非参数方法，对异常值具有稳健性。 它不对误差分布做任何假设，也不需要已知的不精密度比率。其斜率和截距由所有可能的两两斜率计算得出，在数据包含异常值或误差方差不恒定时尤为有效。这两种方法都能提供所需的置信区间，以正式检验 $a_0 = 0$ 和 $b = 1$。
在临床决策点解释结果
统计学上的显著偏差并不总是具有临床意义。最后一步是将回归参数转化为最关键浓度下的总系统误差估计。
计算总系统差异 ($D_c$)
回归方程允许您预测任何参考值对应的候选方法结果。 在关键临床决策水平 $x_c$ 处，预测值为 $y_c = a_0 + b \cdot x_c$。总系统差异为 $D_c = y_c – x_c = a_0 + x_c(b – 1)$。
这个单一数字结合了恒定和比例成分，让您可以评估：在医疗决策阈值处，偏差是否会改变患者的分类或治疗方案？例如，微小的恒定偏差在高浓度下可能无关紧要，但在肌钙蛋白 0.10 ng/mL 这样的临界值附近可能是灾难性的。
何时重新校准，何时重新设计
如果总偏差 $D_c$ 在预定义的接受标准内（基于生物学变异或临床指南），则无需采取行动。如果超出标准，斜率和截距的模式会告诉您下一步该做什么。纯恒定偏差可以通过调整试剂空白来修复；纯比例偏差需要重新分配校准品值；两者混合通常指向更深层的检测设计问题，可能需要重新配方。
理解权衡
没有完美的统计工具。可靠的偏差识别需要尊重回归方法的局限性。
窄浓度范围的风险
如果数据集未覆盖足够宽的分析物范围，会放大斜率估计的不确定性。 您可能无法检测到真实的比例偏差，或者更糟的是，由于截距吸收了斜率的误差，将微弱的比例偏差误认为恒定偏差。务必设计涵盖完整临床可报告范围（包括极低端和极高端）的比对研究。
异常值和非线性的影响
Passing-Bablok 虽然稳健，但对严重异常值并非免疫。 单个极端点仍可能使斜率的置信区间变宽，从而掩盖偏差。请务必先目视检查数据。
Deming 和 Passing-Bablok 都假设线性关系。 如果存在曲线（例如高剂量下的钩状效应或饱和），斜率和截距将失去简单解释。您需要单独研究非线性，可能需要分段处理或使用多项式拟合来描述关系，然后再处理偏差。
为您的验证目标做出正确选择
您的数据分析策略必须与您的验证目标保持一致。
- 如果您的主要重点是提交监管档案： 使用 Passing-Bablok 回归，因为它具有稳健、假设少的估计，并辅以目视差值图（Bland-Altman）。清晰报告斜率和截距的置信区间，并证明关键医疗决策点处的 $D_c$ 符合您的接受标准。
- 如果您的主要重点是开发过程中排除校准故障： 使用您对每种方法精密度最好的估计来进行 Deming 回归。在受控条件下更准确的斜率估计将指出您应该调整空白（恒定偏差）还是重新分配校准品值（比例偏差）。
- 如果您的主要重点是持续的批次间验证： 仅在参考方法的变异系数（CV）相对于您测试的批次明显可忽略时，快速 OLS 才是务实可接受的。即便如此，也要同时确认斜率和截距，以确保新批次没有同时引入偏移和比例误差。
回归线是您诊断仪器的“诊断仪器”。请仔细解读其斜率和截距，并始终根据临床需求进行验证。
总结表：
| 偏差类型 | 关键回归指标 | 误差特征 | 常见根本原因 | 推荐修复方法 |
|---|---|---|---|---|
| 恒定偏差 | Y 轴截距 ($a_0 \neq 0$) | 所有浓度下的固定偏移 | 背景信号、空白扣除不当、固定干扰 | 调整零点校准 / 试剂空白 |
| 比例偏差 | 斜率 ($b \neq 1.0$) | 与浓度成比例的缩放误差 | 校准品赋值错误、浓度依赖性基质效应 | 重新分配校准品值 / 全曲线重新校准 |
在 IVD 方法验证中遇到检测校准问题或基质干扰？CamelBio 为诊断试剂制造商、实验室和研究机构提供一站式优质 IVD 原材料、技术服务和专家咨询——涵盖从概念到临床的每一个阶段。 立即联系 CamelBio，优化您的检测性能并加速您的上市进程！