En chimie analytique, plusieurs méthodes sont disponibles pour l’analyse d’échantillons et l’application de différentes techniques sur un même échantillon donne souvent des résultats variables. Cette divergence peut également se produire avec la même technologie, telle que la spectroscopie dans le proche infrarouge (NIR). Un exemple notable est lorsque deux échantillons sont envoyés à dix laboratoires différents ; bien que tous utilisent la spectroscopie NIR, les résultats peuvent différer de manière significative.

Résultats de l’analyse des mesures NIRS d’un même échantillon envoyé à dix laboratoires différents. Les résultats pour la teneur en protéine de l’ensilage d’herbes et de l’ensilage de maïs sont présentés. Les lignes pointillées indiquent la valeur médiane des dix résultats.

Pour tenir compte des écarts entre les différentes méthodes, il est conseillé d’ajuster les applications d’étalonnage NIR (prédictions) en fonction de votre méthode d’analyse de référence actuelle avant utilisation. Cette pratique améliore la comparabilité des différentes méthodes.

Lors de l’examen d’un grand ensemble de données d’échantillons aux compositions diverses et de leurs valeurs « vraies » correspondantes pour un paramètre d’analyse spécifique, il est courant d’observer un décalage linéaire distinct entre les différentes méthodes d’analyse. Ce phénomène indique que, bien que les résultats des deux méthodes puissent s’aligner en termes de tendances, les valeurs absolues présentent une différence moyenne constante, connue sous le nom d’écart. Cet écart reflète une divergence systématique qui peut affecter l’interprétation des résultats, soulignant la nécessité d’un étalonnage et d’un ajustement lors de la comparaison des résultats de diverses techniques d’analyse.

La correction des écarts peut être démontrée efficacement à l’aide d’un nuage de points qui affiche les valeurs prédites par rapport aux valeurs de référence. Dans cette représentation graphique, la présence d’un écart devient évidente. La valeur de l’écart elle-même est déterminée en calculant les différences entre les résultats obtenus avec le spectromètre NIR et ceux de la méthode d’analyse de référence. En visualisant ces divergences, on peut facilement identifier l’étendue et la direction de l’écart, facilitant les ajustements appropriés pour améliorer la précision et la fiabilité des résultats analytiques.

Un ensemble d’échantillons représentatif illustrant efficacement l’écart entre les valeurs prédites et les valeurs de référence. Cet écart se manifeste par un décalage entre la ligne de tendance, qui est dérivée d’une régression linéaire des données originales, et la bissectrice, qui représente la ligne de corrélation parfaite.

Après avoir appliqué la correction des écarts aux données d’origine, ce qui donne ce que l’on appelle des « données corrigées des écarts », les points de données ont tendance à se regrouper plus étroitement autour de la ligne de corrélation parfaite entre les valeurs prédites et les valeurs de référence.

Les procédures de validation et d’ajustement de votre instrument pour les applications d’aliments pour animaux sont décrites dans la norme internationale DIN EN ISO 12099:2018-01.

Selon cette norme, au moins 20 échantillons doivent être mesurés pour obtenir des résultats statistiquement significatifs. L’analyse de ces résultats permet d’évaluer les performances du modèle et de déterminer si des ajustements du modèle sont nécessaires. Lors de la sélection d’un ensemble d’échantillons de validation, il est essentiel de s’assurer qu’il est représentatif de la variété des types d’échantillons que vous mesurerez, car cela a un impact direct sur la validité et la qualité des ajustements effectués.

Les types d’échantillons utilisés dans la description du modèle doivent englober tous les types d’échantillons potentiels qui seront mesurés avec l’instrument et le modèle.

Il est essentiel que la composition de l’échantillon soit représentative et uniformément répartie sur la plage attendue pour tous les paramètres prédits. De plus, cette plage doit se situer dans les limites établies de l’application NIR.

Dans la mesure du possible, intégrez des échantillons d’origines régionales ou saisonnières différentes, ainsi que des échantillons provenant de sources multiples.

Si votre application implique de nombreux types d’échantillons différents, il peut être nécessaire d’inclure plus de 20 échantillons pour garantir une signification statistique et une fiabilité du modèle adéquates.

Une application ou une modification rétrospective des valeurs de correction des écarts pour les mesures précédentes n’est pas possible. Une fois qu’une valeur d’écart est mise en œuvre, les mesures ne peuvent pas être ramenées à leurs valeurs d’origine. Cependant, vous pouvez ajuster la valeur de correction des écarts à tout moment et la réappliquer rapidement aux mesures futures, en intégrant immédiatement la valeur mise à jour. Cette flexibilité permet une amélioration continue de la précision tout en conservant un enregistrement clair des changements dans le processus d’analyse.

Chaque ajustement de l’écart est traité comme un changement incrémentiel. Comme les écarts prennent effet immédiatement pour les mesures futures, toute modification se réfère à la configuration actuelle (et non aux valeurs d’origine sans correction des écarts). Par conséquent, nous appelons ce processus l’ajout d’un écart plutôt que la modification de la correction des écarts existante.

Lors de la configuration des corrections des écarts pour les applications d’aliments pour animaux, il est crucial de s’assurer que les résultats de mesure de référence sont rapportés sur la même base que les prédictions trinamiX. Généralement, il existe deux manières courantes d’exprimer les résultats dans l’analyse des aliments pour animaux :

Pourcentage « tel quel » (qui inclut la teneur en humidité)

Pourcentage de « matière sèche »

Il est essentiel de transformer les valeurs de référence pour qu’elles correspondent à la base des résultats de trinamiX, en particulier si elles sont exprimées différemment. Cette transformation est décrite dans les Informations sur l’application et est nécessaire pour maintenir la cohérence et la précision dans le processus de correction des écarts.

Par exemple, un utilisateur mesurant la teneur en protéine dans des échantillons de blé analyse initialement un ensemble de 25 échantillons et constate que les valeurs trinamiX sont, en moyenne, 5 % plus élevées que ses valeurs de référence. Il configure un écart de -5 %, ce qui ajuste les valeurs d’analyse originales à la baisse de 5 %, alignant ainsi les résultats plus étroitement sur ses données de référence. Il est important de noter que toutes les mesures prises avant cette configuration de l’écart restent inchangées.

Après un an, l’utilisateur change de méthode de référence et mesure de nouveaux échantillons, découvrant un écart de +7 % par rapport à ses résultats. Il ajoute alors un écart de +7 % pour s’aligner sur sa nouvelle référence. Cet ajustement se traduit par un écart effectif de +2 % si l’on tient compte de l’écart antérieur de -5 %.

Plus tard, l’utilisateur affine sa correction des écarts à l’aide d’un autre jeu d’échantillons et identifie un écart résiduel de +1 %. Il ajoute cela à sa configuration, ce qui se traduit par un écart effectif de +3 %. S’il souhaite revenir aux valeurs d’analyse originales, il peut appliquer un écart de -3 %, ce qui ramènerait l’écart effectif à 0 %, restaurant ainsi les mesures originales.