In der analytischen Chemie stehen mehrere Methoden zur Probenanalyse zur Verfügung, und die Anwendung unterschiedlicher Techniken auf dieselbe Probe führt oft zu unterschiedlichen Ergebnissen. Diese Diskrepanz kann auch bei derselben Technologie auftreten, beispielsweise bei der Nah-Infrarot (NIR)-Spektroskopie.
Ein interessantes Beispiel finden Sie unten: Wenn zwei Proben an zehn verschiedene Labore geschickt werden, können die Ergebnisse erheblich voneinander abweichen, obwohl alle NIR-Spektroskopie zur Analyse verwenden.

Bildbeschreibung: Analyseergebnisse der NIRS-Messungen derselben Probe, die an zehn verschiedene Labore geschickt wurde. Dargestellt sind die Ergebnisse für den Proteingehalt in Grassilage und Maissilage. Die gestrichelten Linien zeigen den Medianwert der zehn Ergebnisse.

Um Verzerrungen zwischen verschiedenen Methoden zu vermeiden, ist es ratsam, NIR-Kalibrierungsanwendungen (Vorhersagen) vor der Verwendung entsprechend Ihrer aktuellen Referenzanalysemethode anzupassen. Diese Vorgehensweise verbessert die Vergleichbarkeit verschiedener Methoden.

Bei der Untersuchung eines großen Datensatzes von Proben mit unterschiedlichen Zusammensetzungen und ihren entsprechenden „wahren” Werten für einen bestimmten Analyseparameter ist es üblich, einen deutlichen linearen Versatz zwischen verschiedenen Analysemethoden zu beobachten. Dieses Phänomen deutet darauf hin, dass die Ergebnisse der beiden Methoden zwar in Bezug auf die Trends übereinstimmen, die absoluten Werte jedoch eine konsistente durchschnittliche Differenz aufweisen, die als Verzerrung bezeichnet wird. Diese Verzerrung spiegelt eine systematische Diskrepanz wider, die die Interpretation der Ergebnisse beeinflussen kann, und unterstreicht die Notwendigkeit einer Kalibrierung und Anpassung beim Vergleich der Ergebnisse verschiedener Analysetechniken.

Die Bias-Korrektur lässt sich anhand eines Streudiagramms, das die vorhergesagten Werte gegenüber den Referenzwerten darstellt, effektiv veranschaulichen. In dieser grafischen Darstellung wird das Vorhandensein einer Verzerrung deutlich sichtbar. Der Bias-Wert selbst wird durch Berechnung der Differenzen zwischen den mit dem NIR-Spektrometer erzielten Ergebnissen und denen der Referenzanalysemethode ermittelt. Durch die Visualisierung dieser Abweichungen lassen sich Ausmaß und Richtung der Verzerrung leicht erkennen, was geeignete Anpassungen zur Verbesserung der Genauigkeit und Zuverlässigkeit der Analyseergebnisse erleichtert.

Ein repräsentativer Satz von Beispielen, der die Abweichung zwischen den vorhergesagten Werten und den Referenzwerten effektiv veranschaulicht. Diese Abweichung manifestiert sich als Versatz zwischen der Trendlinie, die aus einer linearen Regression der Originaldaten abgeleitet wird, und der Winkelhalbierenden, die die Linie der perfekten Korrelation darstellt.

Nach Anwendung der Bias-Korrektur auf die Originaldaten, was zu sogenannten „bias-korrigierten Daten“ führt, gruppieren sich die Datenpunkte tendenziell enger um die Linie der perfekten Korrelation zwischen den vorhergesagten und den Referenzwerten.

Die Verfahren zur Validierung und Justierung Ihres Geräts für Futtermittelanwendungen sind in der internationalen Norm DIN EN ISO 12099:2018-01 beschrieben.

Gemäß dieser Norm müssen mindestens 20 Proben gemessen werden, um statistisch signifikante Ergebnisse zu erzielen. Die Analyse dieser Ergebnisse ermöglicht die Bewertung der Modellleistung und die Feststellung, ob Anpassungen am Modell erforderlich sind. Bei der Auswahl eines Validierungsprobensatzes ist es wichtig, sicherzustellen, dass dieser repräsentativ für die Vielfalt der zu messenden Probentypen ist, da dies einen direkten Einfluss auf die Gültigkeit und Qualität der vorgenommenen Anpassungen hat.

Die in der Modellbeschreibung verwendeten Probentypen müssen alle potenziellen Probentypen umfassen, die mit dem Gerät und dem Modell gemessen werden.

Es ist wichtig, dass die Zusammensetzung der Probe repräsentativ ist und sich gleichmäßig über den erwarteten Bereich für alle vorhergesagten Parameter verteilt. Darüber hinaus sollte dieser Bereich innerhalb der festgelegten Grenzen der NIR-Anwendung liegen.

Wenn möglich, sollten Proben aus verschiedenen regionalen oder saisonalen Herkunftsorten sowie Proben aus mehreren Quellen einbezogen werden.

Wenn Ihre Anwendung viele verschiedene Probentypen umfasst, kann es erforderlich sein, mehr als 20 Proben einzubeziehen, um eine ausreichende statistische Signifikanz und Modellzuverlässigkeit zu gewährleisten.

Eine rückwirkende Anwendung oder Änderung von Bias-Korrekturwerten für frühere Messungen ist nicht möglich. Sobald ein Bias-Wert implementiert ist, können die Messungen nicht mehr auf ihre ursprünglichen Werte zurückgesetzt werden. Sie können den Bias-Korrekturwert jedoch jederzeit anpassen und ihn umgehend auf zukünftige Messungen anwenden. Diese Flexibilität ermöglicht eine kontinuierliche Verbesserung der Genauigkeit bei gleichzeitiger Aufzeichnung der Änderungen im Analyseprozess.

Jede Anpassung der Verzerrung wird als inkrementelle Änderung behandelt. Da Verzerrungen sofort für zukünftige Messungen wirksam werden, beziehen sich alle Änderungen auf die aktuelle Konfiguration (und nicht auf die ursprünglichen Werte ohne Verzerrungskorrektur). Daher bezeichnen wir diesen Vorgang als Hinzufügen einer Verzerrung und nicht als Bearbeiten der bestehenden Verzerrungskorrektur.

Bei der Konfiguration von Bias-Korrekturen für Tierfutteranwendungen ist es entscheidend, sicherzustellen, dass die Referenzmessungsergebnisse auf derselben Grundlage wie die trinamiX-Vorhersagen angegeben werden. Im Allgemeinen gibt es zwei gängige Methoden, um Ergebnisse in der Futtermittelanalyse darzustellen:

Prozentanteil „wie gefüttert“ (einschließlich Feuchtigkeitsgehalt)

Prozentualer Anteil an „Trockenmasse“

Es ist unerlässlich, die Referenzwerte so umzuwandeln, dass sie mit der Grundlage der trinamiX-Ergebnisse übereinstimmen, insbesondere wenn sie anders ausgedrückt sind. Diese Umwandlung wird in den Anwendungsinformationen beschrieben und ist notwendig, um die Konsistenz und Genauigkeit des Bias-Korrekturprozesses zu gewährleisten.

Ein Benutzer, der beispielsweise den Proteingehalt in Weizenproben misst, analysiert zunächst einen Satz von 25 Proben und stellt fest, dass die trinamiX-Werte im Durchschnitt 5 % über seinen Referenzwerten liegen. Er konfiguriert eine Abweichung von -5 %, wodurch die ursprünglichen Analysewerte um 5 % nach unten korrigiert werden, sodass die Ergebnisse besser mit seinen Referenzdaten übereinstimmen. Wichtig ist, dass alle vor dieser Abweichungskonfiguration durchgeführten Messungen unverändert bleiben.

Nach einem Jahr wechselt der Benutzer seine Referenzmethode und misst neue Proben, wobei er eine Abweichung von +7 % im Vergleich zu seinen Ergebnissen feststellt. Er fügt dann eine Abweichung von +7 % hinzu, um sich an seine neue Referenz anzupassen. Diese Anpassung führt zu einer effektiven Abweichung von +2 %, wenn man die frühere Abweichung von -5 % berücksichtigt.

Später verfeinert der Benutzer seine Bias-Korrektur anhand eines anderen Probensatzes und ermittelt einen Restbias von +1 %. Er fügt diesen Wert seiner Konfiguration hinzu, was zu einem effektiven Bias von +3 % führt. Wenn er zu den ursprünglichen Analysewerten zurückkehren möchte, kann er einen Bias von -3 % anwenden, wodurch der effektive Bias wieder auf 0 % zurückgesetzt und die ursprünglichen Messungen effektiv wiederhergestellt werden.