Kuivaveren valkoisuus ja kliiniset verimuuttujat

Abstract

Tutkimuksen tarkoituksena oli selvittää kuivaverianalyysin yhteyksiä kliinisiin verimuuttujiin, erityisesti laskoon. Lisäksi menetelmän luotettavuutta arvioitiin vertailemalla samalta koehenkilöltä kerättyjä A- ja B-näytteitä. Kuivaverianalyysissä sormenpääverinäytteestä kerätään näytelasille useita veripisaroita, joiden annetaan kuivua. Pisaroiden kuivuessa niihin muodostuu digitoiduissa näytteissä valkoisina erottuvia alueita. Droppi Veripalvelun Oy:n vuonna 2012 kehittämät algoritmit laskevat valkoisten alueiden prosentuaalisen osuuden näytteissä. Goldbergerin (1939) tutkimuksen perusteella laskon ja kuivaveren valkoisuuden välillä on yhteys. Kirjallisuuden perusteella on oletettavissa, että fibrinogeenillä, albumiinilla ja immunoglobuliineilla on yhteys laskoon, joten myös näitä muuttujia valittiin tarkasteluun. Tutkimusjoukko koostui 50 vapaaehtoisesta (24 miestä ja 26 naista), joiden ikä vaihteli 22–99 vuoden välillä. Koehenkilöiltä kerättiin yhden tutkimuskäynnin aikana laskimoverinäyte neljään koeputkeen ja sormenpääverinäyte. Sormenpääverinäyte kerättiin näytelasille ja sen annettiin kuivaa, minkä jälkeen näyte digitoitiin ja se ladattiin Dropperkuivaveripalvelun pilvipalvelimelle anonyyminä valkoisuusprosentin määrittämistä varten. Laskimoverinäytteistä määritettiin kliiniset verimuuttujat. Tutkimuksessa kerättyjen A- ja B-näytteiden välinen tyypillinen virhe valkoisuusprosentissa oli 2,21 mittayksikköä. Näytesarjojen välinen korrelaatio oli 0,729 merkitsevyystasolla p ≤ 0,001. Kuivaveren valkoisuuden ja laskon välinen korrelaatio oli 0,470 merkitsevyystasolla p ≤ 0,001. Valkoisuuden ja laskon yhteyttä kuvaavan polynomisen mallin selitysasteeksi tuli 83,3 %. Yhteyden kuvaamiseksi sovitettiin myös kaksivaiheinen lineaarinen malli. Kuivaveren valkoisuuden havaittiin korreloivan fibrinogeenin (P-FIBR), neutrofiilien määrän (NEUT#), valkosolujen määrän, immunoglobuliini A:n (S-IgA) ja hemoglobiinin (HGB) sekä punasolujen kokojakauman (RDW_CV) ja herkän CRP:n kanssa. Tulosten pohjalta rakennettiin valkoisuuden määrää kuvaava malli: KV% = 0,285*NEUT# + 0,179*P-FIBR + 0,163*RDW_CV + 0,096*S-IgA – 0,103*HGB, jonka selitysasteeksi tuli 54,3 %. Tutkimustulokset vahvistavat Goldbergerin (1939) saamat tulokset siitä, että kuivaveren valkoisuuden määrän ja laskon välillä on yhteys. Lisäksi tutkimuksen tulokset viittaavat siihen, että kuivaveren valkoisuusprosentti on tulehdusmarkkeri. Menetelmän toistettavuus vaikuttaa riittävältä, jotta sitä voidaan käyttää valkoisuusprosentin vaihtelun mittaamiseen.

The purpose of the study was to determine if there are associations between dry blood analysis and clinical blood variables, in particular, the erythrocyte sedimentation rate. Reliability of the method was assessed by comparing A- and B-samples collected from the same subject. In the dry blood analysis multiple blood drops are collected on a glass slide and they are allowed to dry. As the dried blood samples are digitized, some areas in the samples appear white in colour. Algorithms developed by Droppi Veripalvelu Oy in 2012 calculate the percentage of white areas in the samples. According to a study made by Goldberger (1939), there is an association between the erythrocyte sedimentation rate and the white areas in the dry blood samples. Based on literature, fibrinogen, albumin and immunoglobulins may be associated with the erythrocyte sedimentation rate, thus they were also examined. The study group consisted of 50 volunteers (24 men and 26 women), aged between 22 and 99. During one laboratory visit, venous blood samples were collected into four vials for analysis of clinical blood variables. A dry blood test was taken from a finger prick collection and was allowed to dry. Once dry, the sample was digitized and downloaded on the Dropper-kuivaveripalvelu cloud server for the determination of the percentage of white areas. Typical error between the A- and B-samples collected in the study was 2.21 measurement units. The correlation between A- and B-samples was 0.729 at a significance level of p ≤ 0.001. The correlation between the percentage of white areas and the erythrocyte sedimentation rate was 0.470 at a significance level of p ≤ 0.001. The coefficient of determination for a polynomial model of the percentage of white areas and erythrocyte sedimentation rate was 83.3 %. A bi-phase model was also utilized to describe the connection between white areas and erythrocyte sedimentation rate. The percentage of white areas in the dry blood samples correlates with the amount of fibrinogen (P-FIBR), number of neutrophils (NEUT#), number of white blood cells, immunoglobulin A (S-IgA) and haemoglobin (HGB) as well as red blood cell distribution width (RDW_CV) and high sensitivity CRP. A model to describe the whiteness of dry blood samples was created: KV% = 0.285*NEUT# + 0.179*P-FIBR + 0.163*RDW_CV + 0.096*S-IgA – 0.103*HGB. The coefficient of determination for the model was 54.3 %. The results confirm Goldberger’s (1939) original discovery that there is a connection between the amount of white areas in dry blood samples and the erythrocyte sedimentation rate. The results also point out that the percentage of white areas in dry blood samples is likely to be an inflammation marker. The method used seems to be reliable enough to be used to determine changes in the whiteness of dry blood samples.