핵의학검사실 내부정도관리 데이터의 정규성 가정 평가 : 보수적 측정불확도 산출 프레임워크의 구축 = Evaluation of Normality Assumptions in Nuclear Medicine Laboratory Quality Control Data : Implementation of a Conservative Framework for Measurement Uncertainty

다국어 초록 (Multilingual Abstract)

Purpose: To evaluate the normality of internal quality control (IQC) data used for measurement uncertainty (MU) estimation in a nuclear medicine laboratory and to implement a structured framework for adaptive and conservative MU model selection. Methods: IQC datasets from 45 assays performed between May and July 2025 at Asan Medical Center were segmented according to reagent kit lot continuity, yielding 129 pooled datasets. Normality was assessed using the Shapiro–Wilk test and visualized with Q–Q plots. Segments were classified as normal (p ≥ 0.05), mildly non-normal (0.01 ≤ p < 0.05), non-normal (p < 0.01), or non-testable (n < 15). Measurement uncertainty was calculated using four models: CV-based, Algorithm A, robust (MAD/IQR), and rectangular (Type B), selected by an integrated decision algorithm incorporating sample size, normality, and Δ-based stability indices. Results: Among 129 pooled datasets, 123 (95.3%) had n ≥ 15 and underwent normality testing; 59 (48.0%) were normal, 12 (9.8%) mildly non-normal, and 52 (42.3%) non-normal. Dataset size was the only significant predictor of normality (p = 0.003). Of the 127 analyzable segments (n ≥ 2), 100 (78.7%) required non-Gaussian or conservative MU models. MU from the proposed framework strongly correlated with CV-based MU (Spearman r = 0.97, p < 0.001) without systematic bias (Wilcoxon p = 0.503). Relative differences in MU was near zero across normality groups, but model-specific differed: Algorithm A showed minimal deviation (−0.03%), robust MAD and IQR produced higher MU (+22.3% and +12.0%), and the rectangular model showed wide variability. Overall, 62% of datasets yielded higher MU under the proposed framework. Conclusion: More than half of IQC datasets with sufficient sample size deviated from Gaussian assumptions, indicating that routine CV-based MU estimation may be inappropriate for many assays. The proposed framework maintains consistency with conventional estimation under normal conditions while adaptively providing more conservative uncertainty estimates when distributional assumptions are violated. These results support its applicability as a reproducible approach consistent with current international guidelines for MU evaluation in nuclear medicine laboratories.

국문 초록 (Abstract)

목적: 핵의학검사실에서 측정불확도 산출에 활용되는 내부정도관리 데이터의 정규성 가정을 평가하고, 데이터 분포 특성에 따라 적응적으로(adaptive) 적용 가능한 보수적인 측정불확도 모델 선택 프레임워크를 구축하고자 하였다.
방법: 2025년 5월부터 7월까지 서울아산병원 핵의학검사실에서 시행된 45개 검사의 내부정도관리 데이터를 시약 키트 로트 연속성에 따라 구분하여 총 129개의 통합 데이터 세그먼트를 구성하였다. 각 세그먼트의 정규성은 Shapiro–Wilk 검정을 통해 평가하였고, Q–Q plot을 이용해 시각적으로 확인하였다. 세그먼트는 p값에 따라 정규(p ≥ 0.05), 경도 비정규(0.01 ≤ p < 0.05), 비정규(p < 0.01)로 분류하였고, 표본 크기가 15 미만인 세그먼트는 통계적 검정의 검정력이 부족하여 비검정 가능(non-testable) 세그먼트로 분리하였다. 측정불확도는 네 가지 모델(변동계수 기반, Algorithm A, 강건 추정[MAD/IQR], 직사각형[Type B])을 이용하여 산출하였으며, 표본 크기, 정규성, 그리고 측정불확도 차이에 기반한 안정성 지표를 통합한 의사결정 알고리즘에 따라 최종 모델을 선택하였다.
결과: 총 129개 세그먼트 중 6개(4.7%)는 표본 수가 15 미만이었으며, 이 중 2개(n = 1)는 측정불확도 산출에서 제외되었다. 정규성 검정이 가능한 123개(n ≥ 15) 세그먼트 중 59개(48.0%)는 정규, 12개(9.8%)는 경도 비정규, 52개(42.3%)는 비정규로 분류되었으며, 정규성에 유의하게 영향을 미친 요인은 표본 크기뿐이었다(p = 0.003). 분석 가능한 127개 세그먼트(n ≥ 2) 중 100개(78.7%)는 비정규 또는 보수적 측정불확도 모델을 필요로 하였다. 제안된 프레임워크로 산출된 측정불확도는 기존 변동계수 기반 추정치와 높은 상관관계(Spearman r = 0.97, p < 0.001)를 보였으며, 체계적인 편향은 관찰되지 않았다(Wilcoxon p = 0.503).
결론: 내부정도관리 데이터 중 정규성 검정이 가능한 세그먼트의 절반 이상이 가우시안 가정을 충족하지 않아 일률적인 변동계수 기반 불확도 산출은 다수의 검사항목에서 부적절할 수 있음을 확인하였다. 본 연구에서 제안한 프레임워크는 정규 조건에서는 기존 추정치와의 일관성을 유지하면서도, 분포 가정이 위배될 경우 더 보수적인 측정불확도 값을 산출하는 적응형 접근법을 제시한다. 이러한 결과는 본 프레임워크가 핵의학검사실에서 재현 가능하며 국제 지침과도 부합하는 신뢰도 높은 측정불확도 평가 방법으로 활용 가능함을 시사한다.

목차 (Table of Contents)

• Abstract i
• Contents ii
• List of Tables iii
• List of Figures iv
• Introduction 1
• Methods 3
• Results 8
• Discussion 11
• Conclusion 16
• Reference 17
• Tables 18
• Figures 23
• Appendix A. Supplementary Tables 27
• Appendix B. Supplementary Figures 43
• 국문요약 46