免疫学检测中曲线拟合.pptVIP

免疫测定中的数据处理与曲线拟合 免疫测定中的数据处理 数据处理与科学作图 免疫测定的数据处理及结果报告 临床免疫检测技术：RIA和EIA等； 数据处理的意义和目标： 只有在测定结果以一种有意义的方式报告时，测定结果才有用； 免疫测定结果的客观评价，对改善免疫测定的重复性以及免疫 测定的标准化都有重要意义。 数据处理报告的要求： 通俗易懂； 定性结果明确，定量范围明确； 处理后得到的数据要具有可重复性； 试验的评价不能建立在假定的正态分布上； 结果具有用于进一步分析处理（如流行病学）的充分性。 免疫测定以其测定结果的表达方式：定性，定量两类。 定性测定--- “有” 或“无” 判定结果：阴性，阳性。 判定依据：cut-off值，S/N or P/N比值。 判断依据确立原则：尽可能避免假阳性和假阴性结果的出现。 应用：传染性病原体的血清标志物检测。 定性测定数据处理 --cut-off值的确定 定性测定数据处理 --cut-off值的确定 使用ROC曲线设定cut-off 值： ROC曲线：横坐标为假阳性率FPR=[假阳性数/（假阳性+真阴性）] 纵坐标为真阳性率TPR=[真阳性数/（真阳性+假阴性）] ROC曲线的含义： 定量测定---测定待测物的含量 判定结果：浓度（U/L，μg/L）。 判断依据：测定未知标本的同时，以系列浓度标准品测得的剂量反应曲线（即