Hvordan beskriver man en række data i et analytisk laboratorium?

I enhver form for laboratoriearbejde, hvor eksperimentelle målinger er en central del af processen, er det nødvendigt at kunne håndtere og evaluere data korrekt. Dette gælder ikke kun for de mere komplekse statistiske metoder, men også for de grundlæggende beregninger, som analytikeren dagligt vil blive konfronteret med. I laboratorier verden over, især inden for analytisk kemi, er evnen til at vurdere dataenes kvalitet og korrekt anvende de rette metoder til dataanalyse af største vigtighed. Et fundamentalt aspekt af dette arbejde er at kunne besvare nogle grundlæggende spørgsmål: Er et målbare resultat pålideligt? Kan der trækkes konklusioner baseret på det? Er en given målemetode egnet til det pågældende formål?

Det grundlæggende mål med kemometri, som opstod i slutningen af 1970'erne, er at udvikle objektive metoder til at optimere analytiske processer og udtrække værdifuld information fra store datamængder. I dag er kemometri en etableret disciplin indenfor analytisk kemi, og den har grundlæggende ændret den måde, vi forstår og anvender målinger i laboratorier. En analytiker skal ikke blot kunne udføre målinger korrekt, men også forstå og anvende passende værktøjer til at behandle og analysere de data, der opstår som resultat af disse målinger.

I denne sammenhæng er én af de første opgaver at kunne vurdere, om et bestemt resultat er pålideligt nok til at inkluderes i de videre beregninger. Denne vurdering kan omfatte alt fra kontrol af kalibreringens pålidelighed til vurdering af, om data kan forkastes, eller om de kan bruges til at træffe beslutninger om kvaliteten af en analytisk metode. Det er ikke altid muligt at finde én universel standard for "gode resultater", da det afhænger af, hvilken type analyse der er tale om, og hvilket formål de indsamlede data skal bruges til.

Den traditionelle opfattelse af laboratoriearbejde som et sted for præcise og ufejlbarlige målinger er ikke altid realistisk. Det er vigtigt at forstå, at det ikke nødvendigvis er et mål i sig selv at opnå de "perfekte" resultater. Tværtimod, hvad der er vigtigt er, at resultaterne er "fit for purpose" — det vil sige, at de er gode nok til at opfylde den specifikke opgave, som de er beregnet til. For eksempel vil en måling af mængden af kulbrinter i spildevand være tilstrækkelig præcis til dette formål, men de samme resultater vil næppe være brugbare i et vandværk, hvor analysen af drikkevand kræver højere præcision.

I moderne laboratorier er der ofte krav om, at analyseresultaterne skal præsenteres med en erklæring om usikkerhed. Usikkerhed, forstået som en parameter der karakteriserer spredningen af de mulige værdier, der kan knyttes til det målte stof (f.eks. analytten), er et centralt element i vurderingen af resultatets kvalitet. Dette kan dog være et vanskeligt begreb at kommunikere til kunder, som ikke nødvendigvis har en videnskabelig baggrund. Her er det vigtigt at forstå, at usikkerhed ikke nødvendigvis er negativt — tværtimod er det et centralt element i at forstå og tolke analytiske resultater korrekt.

Når vi arbejder med data, er det nødvendigt at kunne beskrive og opsummere store datamængder på en effektiv måde. I stedet for at citere hvert enkelt tal, kan vi bruge statistiske mål til at give et overblik over dataene. En intuitiv tilgang ville være at plotte dataene og se på den grafiske fremstilling af fordelingen. Dette kan gøres ved at bruge grundlæggende statistiske mål som gennemsnittet, standardafvigelsen og andre deskriptorer, der kan hjælpe med at give en beskrivelse af dataenes centrale tendens og variation.

Når man arbejder med en stor mængde data, er det også vigtigt at kunne beskrive, hvor meget dataene varierer. Dette gøres ofte ved hjælp af standardafvigelsen, der fortæller os, hvor spredte resultaterne er omkring gennemsnittet. En lille standardafvigelse betyder, at dataene er tæt på gennemsnittet, mens en stor standardafvigelse indikerer, at der er stor variation i målingerne. Det er også vigtigt at overveje andre aspekter af dataenes fordeling, som skævhed og kurtosis. Skævhed beskriver, om dataene er symmetrisk fordelt eller om de er skæve mod den ene eller den anden side, mens kurtosis beskriver, om dataene har lange haler eller ej.

Det er centralt at forstå, at statistisk behandling af data ikke blot handler om at anvende de rette formler, men om at have en dyb forståelse af, hvad disse statistikker betyder, og hvordan de skal anvendes korrekt. Selvom mange analytiske kemikere føler sig usikre på brugen af statistisk terminologi som "usikkerhed", er det netop en del af et grundlæggende værktøjssæt, som hver analytiker bør mestre. Dette gør det muligt at vurdere resultater på en objektiv måde og at kommunikere fund på en præcis og meningsfuld måde.

I sidste ende kræver god laboratoriepraksis ikke kun teknisk kunnen, men også en forståelse for, hvordan man korrekt behandler data og præsenterer resultater. Dette er noget, alle laboratorieanalytikere skal kunne håndtere uanset deres specifikke arbejdsområde.

Hvordan man vurderer om Standard Addition Metoden (SAM) skal anvendes i stedet for klassisk kalibrering?

Når man arbejder med SAM, er det vigtigt at forstå, at kalibreringerne af forskellige prøver, der stammer fra den samme produktionsproces, kun bør variere i deres skæringspunkter (intercept), ikke i hældningerne. Det betyder, at for at kunne forudsige koncentrationen af en prøve, kan man tilpasse interceptet i SAM-regressionsligningen. Dette gøres ved at tage et tidligere beregnet intercept (O1) fra en SAM-kalibrering udviklet med en karakteristisk testopløsning (prøve 1), trække signalet af den ubearbejdede testopløsning (S1) fra for at få baggrundssignalet, og derefter tilføje signalet af den næste ubearbejdede testopløsning (f.eks. prøve 2, S2). Beregningen ser således ud:

Når man overvejer at anvende SAM frem for en klassisk kalibrering (vandbaseret kalibrering), er en relevant spørgsmål: Hvordan kan man afgøre, om SAM er nødvendig? Dette kan ikke besvares a priori, og en vis eksperimentel arbejde skal udføres i laboratoriet for at træffe en beslutning. En udbredt metode til at evaluere, om en prøvematrix interfererer med analytsignalet, er at sammenligne hældningerne af de to regressionsligninger, én fra den klassiske kalibrering og én fra standard addition kalibreringen. Hvis hældningerne ikke adskiller sig, accepteres det, at matrixen ikke ændrer systemets følsomhed under de givne eksperimentelle betingelser, og dermed er SAM ikke nødvendigt. Hvis hældningerne er forskellige, skal SAM anvendes.

Sammenligning af hældningerne af to regressionsligninger kan dog være kompliceret. Først skal variansen for de to regressionsligninger sammenlignes ved hjælp af en F-test, og hvis variansen ikke er signifikant forskellig, kan man konkludere, at matrixen ikke påvirker analysens præcision. Hvis variansen er signifikant forskellig, skal en yderligere statistisk test anvendes for at evaluere, om hældningerne er markant forskellige, hvilket vil bekræfte behovet for SAM.

En vigtig overvejelse ved alle kalibreringsmetoder, herunder SAM, er at forstå grænserne for detektering og kvantificering. En kalibrering kan være tidskrævende og kompliceret, og derfor er det vigtigt at udvinde så meget information som muligt fra kalibreringen. De to primære performanceparametre, der stammer fra en optimeret kalibrering, er detektionsgrænsen (LOD) og kvantificeringsgrænsen (LOQ). Begge begreber er centrale i analytisk kemi, da de definerer, hvor præcist og pålideligt en given metode kan anvende til at detektere eller kvantificere et analytt.

Desuden er det vigtigt at forstå, at LOD ikke blot er et matematisk skæringspunkt, men et praktisk mål for analysens pålidelighed. At have en lav detektionsgrænse betyder ikke nødvendigvis, at et analyt kan kvantificeres præcist på disse lave niveauer. Det kræver en høj grad af præcision og kontrol i eksperimentelle betingelser at sikre, at selv meget små mængder af et analytt kan måles pålideligt.

Når du evaluerer resultaterne af en SAM-kalibrering eller en hvilken som helst kalibreringsteknik, skal du være opmærksom på de praktiske implikationer af de statistiske værktøjer og forstå, at teknologiske og miljømæssige faktorer altid spiller en rolle i den endelige måling. At forstå, hvor præcise dine målinger er, og at kunne vurdere usikkerhederne i disse målinger, er essentielle for korrekt tolkning af dataene og beslutningstagning i laboratoriepraksis.

Hvordan analysemetoder kan forbedres til bestemmelse af organiske forbindelser i vand- og støvsamples

I moderne analytisk kemi er præcise metoder til bestemmelse af lavkoncentrerede organiske forbindelser afgørende. En af de mest anvendte teknikker til dette formål er kromatografi, som i kombination med forskellige oprensnings- og ekstraktionsmetoder muliggør præcise analyser af stoffer som polycykliske aromatiske hydrocarboner (PAH’er), bromerede flammehæmmere og nitrosaminer. Denne metode kræver nøje kontrol over både prøvetagnings- og forberedelsesprocesserne for at opnå pålidelige og reproducerbare resultater.

Under lignende forhold kan vi også optimere oprensningsmetoder, hvilket er illustreret i en opgave, hvor bromerede flammehæmmere som BTBPE bestemmes i indendørs støv. En metode, der anvendes til at forberede prøven, involverer først tilsætning af en intern standard (BDE), som er nødvendig for at sikre pålidelige målinger. Efter ekstraktionen med en hexan/acetone-blanding og efterfølgende oprensning med silikakartuscher og Florisil, måles indholdet af BTBPE i støvet ved hjælp af gaschromatografi-massespetraanalyse (GC-MS). Denne metode kræver også nøjagtige beregninger af volumen og koncentration for at opnå den ønskede præcision i de endelige målinger.

Det samme gælder for bestemmelsen af N-nitrosodiethanolamin (NDELA) i kosmetikprodukter som shampoo. I dette tilfælde har prøverne forskellige peakområder afhængigt af deres opbevaringsforhold, hvilket understreger vigtigheden af præcise kalibreringer. For eksempel, selvom peakområdet for en shampoo prøvetager M2 (804) lå uden for den lineære kalibreringsområde, kunne resultatet for M1 (9,92 μg/g) opnås ved hjælp af den rette beregning. Dette fremhæver den essentielle rolle, som kvaliteten af de oprensede prøver og valget af passende metode spiller i analytiske procedurer.

Ved bestemmelsen af benzo[a]pyren i ferskvand er valget af korrekt prøvemetode også afgørende. Der er to hovedmetoder for ekstraktion: Metode A, hvor vandet ekstraheres med dichlormethan og oprenses gennem en natriumsulfatkolonne, og Metode B, hvor en fast-fase ekstraktion udføres med en solid-phase cartridge. Den første metode koncentrerer prøven bedre og sikrer, at koncentrationerne af analytten falder inden for den ønskede lineære rækkevidde (0,2 ng/mL - 20 ng/mL). I et tilfælde, hvor den lineære rækkevidde er begrænset (0,1–15 ng/mL), vil begge metoder dog kunne koncentrere prøven til passende niveauer.

En vigtig pointe for læseren er at forstå, at succesfuld anvendelse af kromatografiske teknikker afhænger af præcise parametre som flowhastigheder, valg af opløsningsmidler og oprensningsmetoder. Selv små justeringer i disse faktorer kan have stor betydning for resultatets nøjagtighed og præcision. Det er også nødvendigt at tage højde for, at eksterne faktorer som prøvens oprindelse (f.eks. vand vs. støv vs. kosmetik) kan påvirke analyttens adfærd under forberedelse og analyse.

For at optimere resultaterne er det vigtigt at vælge den rette kalibreringsmetode, som sikrer, at de opnåede værdier falder inden for det lineære område for hver forbindelses specifikke analysemåde. Endvidere bør man altid være opmærksom på eventuelle interfererende stoffer, der kan forvride de målte koncentrationer. Det kan være nødvendigt at justere for disse ved hjælp af interne standarder eller ved at tilpasse oprensningsmetoderne.