Miten kemiallisessa mittauksessa varmistetaan jäljitettävyys ja epävarmuus

Kemiallisessa analyysissä näytteen fyysinen tai kemiallinen muokkaaminen mittausprosessin aikana rikkoo lähes aina sen alkuperäisen tilan. Tämän vuoksi mittaustulosten luotettavuuden varmistaminen edellyttää koko mittausprosessin validointia ja arviointia siitä, kuinka näytteen komponentit vaikuttavat lopulliseen mittaustulokseen. Jäljitettävyys kemiallisissa mittauksissa on tärkeä, mutta samalla haastava elementti, joka liittyy muun muassa näytteen valmisteluun ennen itse mittausta.

Yksi suurimmista haasteista kemiallisessa analyysissä on mitattavan objektin (measurand) määrittäminen. Useimmissa tapauksissa mitattavan suureen arvo riippuu valitusta menetelmästä ja mittausolosuhteista. Tämä tarkoittaa, että mittaustuloksia voidaan vertailla vain, jos mittaukset on tehty samoissa olosuhteissa. Jäljitettävyyden varmistaminen edellyttääkin huolellista prosessin hallintaa ja kaikkien käytettyjen menetelmien dokumentointia.

Erityisesti häiriöt (interferenssit), eli näytteen komponenttien vaikutus analyyttiseen signaaliin, ovat merkittävä tekijä kemiallisissa mittauksissa. Häiriöiden laajuus riippuu sekä määritettävän aineen tyypistä että näytteen matriisista. Esimerkiksi mineraalisen hapotuksen yhteydessä käytettävä happojen seos voi vaikuttaa merkittävästi atomiabsorption signaaliin. Happoseoksen laatu vaikuttaa atomoinnin tehokkuuteen, ja tämä on huomioitava mittausprosessin validoinnissa. Tällaiset tekijät voivat johtaa virheellisiin tuloksiin, jos niitä ei oteta huomioon.

Näytteen säilyvyys on myös tärkeä mittauksen luotettavuuden kannalta. Joissain tapauksissa näytteen koostumus voi muuttua muutamassa minuutissa, mikä tekee siitä haasteellista mitata tarkasti. Tämä korostaa sitä, kuinka tärkeää on tuntea näytteen käyttäytyminen ajan kuluessa.

Näytteen valmistelu on usein se tekijä, joka eniten häiritsee jäljitettävyyden varmistamista. Jokainen fysikaalinen tai kemiallinen toimenpide rikkoo jäljitettävyyden ketjun, ja siksi on tärkeää laatia tarkka toimintasuunnitelma. Oikea mittauksen toteutus puolestaan riippuu käytetyn mittauslaitteen tehokkuudesta ja asianmukaisista mittausolosuhteista. Esimerkiksi pH-mittauksessa laite on kalibroitava ja mittaukset on suoritettava oikeassa lämpötilassa.

Käytännössä kemiallisten mittausten jäljitettävyyden määrittämiseen on kaksi pääasiallista lähestymistapaa: tuloksen vertaaminen vertailumittausten kanssa tai tuloksen liittäminen vertailustandardeihin, joiden avulla voidaan varmistaa yhteys vertailumittausten tuloksiin. Vertailuarvot tulee hankkia asiantuntevilta laboratorioilta, joilla on kansainvälinen maine ja jotka voivat taata tulosten luotettavuuden.

Erityisesti jäljitystä vaativissa analyyseissä on tärkeää käyttää matriisiviiteaineita, joiden avulla voidaan varmistaa jäljitettävyys ja kansainvälinen yhteisymmärrys mittaustuloksista. Tämä korostaa viiteaineistojen roolia, sillä oikeanlaisten viiteaineiden valmistaminen on erittäin haastavaa ja kallista, erityisesti silloin, kun analyytit ovat hyvin pieniä (jäljelle jääviä tai ultra-pieniä määriä). Tästä johtuen viiteaineistojen valmistus voi olla hyvin kallista ja edellyttää tarkkaa menetelmää.

Jäljitettävyyden varmistaminen on tärkeä osa kemiallista mittausta, ja se edellyttää jatkuvaa huomiota. Tämän vuoksi jäljitettävyyden ja epävarmuuden käsitteet ovat keskeisiä kysymyksiä nykyisessä metrologiassa. Jäljitettävyyden varmistaminen tulisi nähdä kokonaisvaltaisena prosessina, jossa huomioidaan neljä keskeistä osa-aluetta: analyysitulosten jäljitettävyys, käytettyjen standardien jäljitettävyys, mittauslaitteiden jäljitettävyys ja analyysimenetelmien jäljitettävyys. Tämä kokonaisuus varmistaa luotettavien ja vertailukelpoisten mittaustulosten saannin.

Kuinka valita oikea kalibrointitekniikka analyytin määrityksessä

Ensimmäinen vaihe kalibroinnissa on valita oikea menetelmä, joka vastaa parhaiten analyytin ominaisuuksia ja tutkittavan näytteen luonteenpiirteitä. Yksi yleisimmin käytetyistä menetelmistä on yksittäinen standardi, jossa standardiliuos verrataan suoraan tutkittavaan näytteeseen. Tämä menetelmä on yksinkertainen ja nopea, mutta se voi aiheuttaa suuria virheitä, jos standardiliuoksen ja näytteen välillä on huomattavia eroja, kuten signaalien voimakkuuden ero.

Toinen kalibrointitekniikka on välimatka- tai bracketing-menetelmä, jossa käytetään kahta eri standardiliuosta, jotka rajaavat tutkittavan näytteen signaalin. Tämä menetelmä vähentää virheiden mahdollisuutta, sillä se huomioi näytteen ja standardin väliset erot tarkemmin. Esimerkiksi, jos kahden standardiliuoksen välillä on suuri ero signaaleissa, se voi auttaa saamaan tarkempia tuloksia verrattuna yksittäisen standardin käyttöön. Tässä menetelmässä saatu korrelaatiokerroin voi olla erittäin korkea, kuten esimerkissä 0,997, mikä osoittaa erittäin hyvän vastaavuuden standardiliuosten ja näytteen välillä.

Toinen suosittu menetelmä on standardin lisäys (Standard Addition) -tekniikka, jossa näytteen signaali mitataan ensin puhtaana ja sitten lisätään siihen tietty määrä standardiliuosta. Tämä menetelmä on erityisen hyödyllinen silloin, kun näytteen matriisi (esimerkiksi sen kemiallinen koostumus) voi vaikuttaa mittaustulokseen. Tämä tekniikka minimoi matriisin vaikutuksen, koska sekä alkuperäinen näyte että lisätyllä standardilla varustettu näyte mitataan samassa matriisissa, joka auttaa parantamaan mittaustulosten tarkkuutta. Tämän menetelmän haasteena on kuitenkin, että se vaatii erittäin tarkan mittauksen lisätyn standardin määrän osalta ja näytteen valmistelun huolellisen hallinnan.

Sisäinen standardimenetelmä (Internal Standard) on tekniikka, jossa käytetään analyytin lisäksi toista, näytteessä luonnollisesti ei esiintyvää yhdistettä. Tämän sisäisen standardin ja analyytin välinen signaalien suhde lasketaan, ja sen avulla analyytin pitoisuus voidaan määrittää. Tämä menetelmä on erityisen hyödyllinen chromatografisissa menetelmissä, joissa näytteen valmistelu ja käsittely voi aiheuttaa vaihtelua analyytin signaalissa. Sisäisen standardin valinnassa on tärkeää, että se ei vaikuta analyysin tuloksiin ja että sen kemialliset ja fysikaaliset ominaisuudet ovat lähellä analyytin ominaisuuksia.

Erityisesti moninkertaisen standardin lisäys (Multiple Standard Addition) on tarkempi versio standardin lisäys -tekniikasta. Tässä menetelmässä standardiliuosta lisätään useita kertoja eri määrinä, ja tulokset käytetään lineaarisen regressioanalyysin avulla analyytin pitoisuuden määrittämiseen. Tämä menetelmä parantaa tulosten tarkkuutta, koska se ottaa huomioon laajemman mittauspisteiden joukon ja vähentää mahdollisia virheitä, joita voisi syntyä pelkästään kahdella mittauspisteellä tehtävässä standardin lisäys -menetelmässä.

Lopullinen tulos, joka saadaan valitun kalibrointitekniikan avulla, riippuu paitsi käytetyn menetelmän tarkkuudesta myös siitä, kuinka hyvin näytteen valmistelu ja mittausprosessi on hallittu. Vaikka standardin lisäys- ja välimatkametodit voivat tarjota tarkempia tuloksia, ne vaativat enemmän työvaiheita ja huolellista suunnittelua. Toisaalta yksinkertaisempi menetelmä, kuten yksittäinen standardi, voi olla käyttökelpoinen, kun eroja näytteen ja standardin välillä ei ole merkittävästi.

Miten validoidaan analyyttinen menetelmä ja miksi se on tärkeää?

Analyyttisen menetelmän validointi on keskeinen osa varmistaa, että mittaukset ovat tarkkoja, luotettavia ja toistettavissa. Menetelmän validointi ei ole yksittäinen toimenpide, vaan se on prosessi, joka varmistaa, että menetelmä pystyy tuottamaan luotettavia tuloksia tietyissä olosuhteissa ja analysoiduissa näytteissä. Validointiprosessissa otetaan huomioon useita tekijöitä ja parametreja, joista jokainen on elintärkeä, kun pyritään varmistamaan analyysin tarkkuus ja luotettavuus.

Ensimmäinen tärkeä validointiparametri on selektiivisyys. Ennen kuin voidaan mitata analyytin ominaisuuksia analysoimalla saadun analyyttisen signaalin perusteella, on varmistettava, että tämä signaali todella johtuu analyytista eikä muista aineista, jotka saattavat olla läsnä näytteessä. Selektiivisyys tarkoittaa sitä, kuinka hyvin menetelmä pystyy erottamaan tutkittavan analyytin muista aineista. Tämä kyky erotteluun on erityisen tärkeä jäljitysanalyyseissä, joissa analyytin pitoisuus voi olla erittäin matala ja signaalin täytyy olla erottamiskykyinen häiriötekijöistä.

On tärkeää huomata, että selektiivisyys ja spesifisyys ovat usein sekoitettavissa olevia käsitteitä. IUPAC:n mukaan selektiivisyys määritellään kyvyksi tunnistaa analyytit monimutkaisessa näytteessä ilman, että niiden mittaus häiriintyy muiden aineiden takia. Spesifisyys taas viittaa juuri tähän selektiivisyyden maksimiin – siis tilanteeseen, jossa menetelmä on niin tarkka, että se pystyy erottamaan analyytin kaikista mahdollisista häiriötekijöistä. Vaikka tämä ero on teoreettisesti tärkeä, käytännössä selektiivisyys on keskeinen parametri analyysimenetelmien kehittämisessä ja käytössä.

Toinen keskeinen validointiparametri on lineaarisuus. Lineaarisuus tarkoittaa analyytin pitoisuuden ja mittaussignaalin välistä suoraa riippuvuutta. Tämä on tärkeää, koska suurin osa analyyttisistä mittauksista perustuu kalibrointiin, jossa tunnetun pitoisuuden standardiliuoksista saatuja signaaleja verrataan näytteestä saatuun signaaliin. Lineaarisuuden määrittäminen tapahtuu usein lineaarisen regressiomallin avulla, ja se varmistaa, että signaali ja analyytin pitoisuus ovat tietyllä alueella toisiinsa verrannollisia.

Lineaarisuuden validointiin kuuluu usein useiden standardiliuosten mittaaminen eri pitoisuustasoilla. Tyypillisesti analyytin pitoisuuden täytyy olla alueella, joka kattaa odotettavissa olevan pitoisuuden analysoitavassa näytteessä. Lineaarisuus voidaan todeta, jos korrelaatiokerroin (r) on riittävän korkea (yli 0,999), mutta on tärkeää muistaa, että tämä ei takaa täydellistä lineaarisuutta. Siksi visualisointi ja tarkempi analyysi kalibrointigrafista ovat myös välttämättömiä.

Validoinnin aikana otetaan huomioon myös monet muut parametrit, kuten analyysin tarkkuus ja toistettavuus, havaitsemisraja ja kvantifiointiraja. Näitä parametreja määritettäessä voidaan käyttää tilastollisia menetelmiä, kuten replikointikokeiden tekemistä ja saadun datan tilastollista käsittelyä. Tämä on erityisen tärkeää, kun analysoidaan pieniä pitoisuuksia, joissa mittausvirheet voivat helposti vaikuttaa tuloksiin.

Menetelmän validoinnin tärkeä osa-alue on myös mahdollisten häiriötekijöiden poistaminen. Häiriötekijät voivat vaikuttaa merkittävästi analyysin tarkkuuteen ja luotettavuuteen. Niiden poistaminen voi tapahtua erilaisten näytematriisien valmistelutekniikoilla tai analyytin eristämisellä muista aineista. Tämän kaltaiset toimenpiteet lisäävät selektiivisyyttä ja varmistavat, että analyysimenetelmä ei ole altis ympäristön tai muiden komponenttien vaikutuksille.

Analyysimenetelmän validoinnissa otetaan myös huomioon mittausprosessin toistettavuus, sillä tulosten toistettavuus on olennainen osa menetelmän luotettavuutta. Tämä voidaan varmistaa tekemällä useita mittauksia samoista näytteistä ja arvioimalla saatujen tulosten vaihtelua. Toistettavuus on erityisen tärkeä silloin, kun analyysissä käytettävät näytteet tai liuokset voivat vaihdella hieman, mutta tulosten tulee silti olla luotettavia ja yhdenmukaisia.

Validoinnin aikana ei riitä vain analyytin mittaaminen ja kalibrointi. On myös huomioitava, että käytettävät menetelmät voivat olla rajallisia. Esimerkiksi erittäin matalilla pitoisuuksilla analyysin selektiivisyys voi heikentyä, ja signaalin vahvistaminen voi olla tarpeen. Lisäksi tietyt tekniikat, kuten kromatografia, voivat tarjota lisäominaisuuksia, kuten aikaparametrin (kuten pysähtymisajan), joka auttaa parantamaan analyytin erottelua.

Miten määritetään lineaarisuus ja kalibrointikäyrän tarkkuus mittausmenetelmissä?

Kun tutkitaan analyytin määritystä ja mittausjärjestelmän luotettavuutta, on keskeistä ymmärtää, miten lineaarisuus ja kalibrointikäyrän parametrit voidaan määrittää ja analysoida. Lineaarisuuden tarkastelu liittyy siihen, kuinka analyytin pitoisuus vaikuttaa mittalaitteen signaaliin. Yleisesti ottaen, mitä pidempi analyytin pitoisuuden vaihteluväli, sitä tarkempia ja luotettavampia ovat mittaustulokset. Tässä yhteydessä käytettävä pääasiallinen työkalu on kalibrointikäyrä, jonka avulla voidaan arvioida mittauksen tarkkuus ja luotettavuus eri pitoisuusalueilla.

Kalibrointikäyrä perustuu seuraavaan riippuvuuteen:

$y = f(x)$

missä:

• $y$ on mittauslaitteen signaali,

• $x$ on analyytin pitoisuus, joka vastaa kyseistä signaalia standardinäytteessä.

Tätä menetelmää voidaan käyttää vain silloin, kun määritetty yksinkertainen riippuvuus $y = f(x)$ ei poikkea tilastollisesti merkittävästi nollasta, mikä ei ole aina itsestäänselvää. Tietyissä tutkimuksissa voidaan esittää yksiselitteisiä ja kategorisia väittämiä siitä, ettei $r$-kerrointa voida käyttää muuttujien välisen riippuvuuden asteen määrittämiseen ja sen sijaan tulisi käyttää muita tilastollisia työkaluja tai erityisiä testejä lineaarisuuden todentamiseksi.

Yksi suositeltu työkalu on varianssianalyysi. Muita käytettäviä menetelmiä ja tilastollisia työkaluja ovat muun muassa:

• soveltuvuuskoe,

• Mandelin testi,

• laatutekijä,

• Studentin t-testi.

Kun lineaarisuuden todentaminen perustuu standardiliuoksen sarjan analyysitulosten ja samanaikaisesti piirrettävän kalibrointikäyrän analysointiin, on loogista arvioida, kuinka hyvin kalibrointikäyrä heijastaa signaaleja standardiliuoksen näytteistä. Tämä voidaan varmistaa laskemalla suhteelliset virheet kullekin pitoisuudelle, missä vertailuarvona on analyytin pitoisuus standardinäytteessä ja kokeellinen arvo saadaan suoraan laskemalla se suoran kalibrointiviivan yhtälöstä.

On tärkeää huomata, että lineaarisuus ei tarkoita sitä, että koko pitoisuusalueella funktion, joka kuvaa signaalin riippuvuutta analyytin pitoisuudesta, muoto pysyy samana (eli kalibrointikäyrän kertoimet ovat vakioita). Lineaarisuus on ominaisuus, joka osoittaa signaalin ja mitatun suureen välisen lineaarisen riippuvuuden, ja sitä voidaan kuvata tietyllä alueella useilla erilaisilla yhtälöillä riippuen analyytin pitoisuustasosta.

Samalla on tärkeää selventää ero korrelaation ja regression välillä. Korrelaatio kuvaa kahden muuttujan välistä yhteyttä, kun taas regressio kuvaa näiden muuttujien riippuvuuden luonteen.

Mikäli kalibrointikäyrän kulmakerroin ja leikkaus eivät eroa tilastollisesti merkittävästi nollasta, voidaan todeta, että mittausjärjestelmä toimii luotettavasti tietyn pitoisuusalueen sisällä. Mikäli näiden parametrien ero nollasta on tilastollisesti merkitsevä, se voi viitata siihen, että mittausjärjestelmän kalibrointi ei ole kunnossa, ja se vaatii tarkistamista.

Endtext

Miten osoittaa menetelmien ekvivalenssi?

Menetelmien ekvivalenssi määritellään mittausmenetelmän olevan yhtä luotettava ja tarkka kuin viite (referenssi)menetelmä, vaikka kyseessä olisi eri mittausmenetelmä. Jos laboratorio ei pysty käyttämään viitemenetelmää – esimerkiksi sopivien laitteiden puutteen vuoksi – on tärkeää dokumentoida, että käytetyn menetelmän tulokset ovat yhteensopivia viitemenetelmän kanssa. Menetelmien ekvivalenssi on myös tarpeen silloin, kun viitemenetelmä on kalliimpi ja aikaraskas verrattuna laboratoriossa käytettyyn menetelmään. Tämä käsittelee kysymyksen siitä, ovatko testimenetelmien ja viitemenetelmien parametrit tilastollisesti merkityksettömiä ja eroavatko ne merkittävästi toisistaan.

Menetelmien ekvivalenssi on erityisen tärkeää silloin, kun kyseessä on säätelemätön menetelmä, kuten akkreditointiprosessissa. Ekvivalenssin osoittaminen varmistaa, että käytetyn menetelmän ja viitemenetelmän tulokset eivät poikkea tilastollisesti merkittävästi toisistaan.

Menetelmien ekvivalenssin osoittamisen keinot

Menetelmien ekvivalenssin osoittaminen perustuu tilastollisiin parametreihin, kuten keskiarvoon (totuudenmukaisuus, tarkkuus) ja/tai keskihajontaan (lineaarisuus, havaintorajan [LOD] ja kvantitointirajan [LOQ] määrittäminen, tarkkuus, robustius, kestävyys). Näiden parametrit lasketaan ja verrataan viitemenetelmään käyttäen muun muassa testiä, jossa tarkastellaan eroja eri aineistojen välillä. Menetelmien ekvivalenssin osoittamiseen on kolme pääasiallista lähestymistapaa riippuen aineistotyypistä ja ekvivalenssin osoittamisstrategiasta.

Erotestit

Erotestit ovat laajasti käytettyjä, kun halutaan arvioida, onko ero käsiteltävien aineistojen välillä merkityksellinen. Tällöin testataan nollahypoteesi, että ei ole eroa. Jos analyysi paljastaa tilastollisesti merkittävän eron, nollahypoteesi hylätään. Jos ero ei ole tilastollisesti merkittävä, nollahypoteesia ei voida hylätä. Erotestien yhteydessä käytetään pääasiassa Studentin t-testiä (keskiarvon vertailu) ja Snedecorin F-testiä (keskihajonnan vertailu). Kun aineistoa on enemmän kuin kaksi, käytetään usein varianssianalyysiä (ANOVA).

Esimerkki 10.1

Ongelma: Määritä tutkittavan menetelmän ekvivalenssi annetun mittaussarjan ja CRM:n määritettyjen arvojen perusteella ja viitemenetelmän tarkkuuden avulla. Oletetaan α-arvoksi 0,05.

Data:
Mittausaikojen sarja, mg/dm3:
12.56, 12.75, 13.11, 12.31, 12.98, 13.06

CRM, mg/dm3:
xCRM = 10.56, xdet = 11.6
UCRM = 0.65, Udet = 1.5

Ratkaisu:

1. Poikkeaman tarkistus Dixon-Q-testillä:
   Ei poikkeamia, sillä kaikki Q1 ja Qn arvot ovat pienempiä kuin kriittinen arvo.

2. Varmista, onko CV:t (keskihajonta/keskiarvo) tilastollisesti merkittävästi erilaisia viitemenetelmän tuloksista käyttäen χ²-testiä. Testin tulos osoittaa, ettei eroa ole.

3. Vertaa CRM:ltä saatu tulos sertifioituun arvoon ja laske todenmukaisuus (trueness) palautusarvona.

Esimerkki 10.2

Ongelma: Määritä tutkittavan menetelmän ekvivalenssi annettujen mittaustulosten perusteella, joita on saatu sekä tutkittavalla menetelmällä että viitemenetelmällä.

Data:
Mittaukset tutkittavalla menetelmällä:
12.56, 12.75, 13.11, 12.31, 12.98, 13.06
Viitemenetelmä:
13.07, 13.23, 13.10, 12.98, 13.33, 13.06

Ratkaisu:

1. Poikkeamien tarkistus Dixon-Q-testillä:
   Ei poikkeamia kummassakaan sarjassa.

2. Laske ja vertaa keskihajontaa molemmista sarjoista. Erojen tilastollinen merkitys arvioidaan χ²-testillä.