实验室内部质量控制（internal quality control，IQC）的规范，我们应该都已经了然于胸。IQC 一直以来都是实验室质量管理的最直观的指标。很多人分析有疑问的检验结果时，一般都第一印象会想到，IQC 做得如何？
不过，尽管 IQC 的地位重要而稳固，它也是有很多缺陷的：
首先，IQC 只是一个间断的指标，只能反映一定时限内的检验质量；另外，我们大部分检验员，都习惯于在一天中开始工作的时候就检测质控品，只有质控品合格之后才继续进行常规样本的检测，而不是将质控品随机放入到常规样本中检测，这样做不好的一点就是，IQC 成了一个回顾性的指标，不能反映在 IQC 之后检测系统的问题。最后，在实验室质量管理日益严格的形势下，（大家都知道的），很多检验人员为了避免 IQC 失控，往往「刻意」地去慎重对待质控品的检测，只要质控品检测过关，则万事大吉，而对常规样本的检测就松散很多，这样，即使 IQC 的检测结果在控，也未必能说常规样本检测结果也是让人放心的。
鉴于上述原因，早在 1965 年，Hoffman 和 Waid 就率先提出了「正常均值」 (average of normal，AoN) 的质控概念，作为 IQC 的补充。简言之，就是把每日检验项目的结果取均值，观察均值的变迁，如果在排除被检测人群的构成发生很大变化的条件下，检验均值仍然发生了异常变化，则同样提示检验系统出现了失控。
随着检验自动化和数据处理能力的不断飞速提升，AoN 的重要性近几年开始迅速被检验界认知，在有些实验室，已经开始应用到日常质量管理中，但对 AoN 作为质控规则的理解，全球检验界却并没有同一的认识，也没有相关的应用指南。在此背景下，来自新加坡和澳大利亚两国的学者在近期的 Clinical biochemistry 杂志中撰文，通过对 AoN 的统计学分析，确定失控，并计算失控发生的时间范围，从而帮助进一步推进我们对 AoN 作为一种新型的质量控制标志物的认识。
作者选取 2015 年 1 月-9 月进行体检的社区人群，分析了他们血尿素、肌酐、钠离子等 21 项常见的生化检验项目的结果。首先作者排除了极端值，避免这些极端值对检测均值的影响；之后，对不符合正态分布的项目的检测结果进行了数学转换，使其符合正态分布。
AoN 的失控限定义为均值±3 标准差（SD）。对固定检测批次数的检测均值进行统计，最新一批的均值不断替换掉最老一批检测均值，这一过程称为「行进的均值」（moving average）。如果检验平台一切正常的话，AoN 会围绕均线，在均线值的上下小幅摆动（见下图）。当均值超过±3SD 的界限，则提示检验系统可能出现失控。
作者也对研究期间的一些样本进行了妥善的冻存，这样，若通过 AoN 规则判断失控的话，可以通过复检这些冻存样本，来验证 AoN 失控到底是源于检验失控，还是源于检测人群构成的变动。
以胆固醇这一项目为例，AoN 提示出现失控，通过复检这些样本，确实证实了失控的存在。统计学计算也给出了失控发生的时间范围。根据这个时间范围，追查失控的原因，发现实验室在相应时间段，有过一次胆固醇检验仪器的预防性维护。可能这一事件，造成了胆固醇检测值的漂移。
AoN 提示失控时，检验人员该怎么处理？如果出现异常，需要追查实验室的 IQC 记录、仪器的报错记录及仪器的维护和维修记录，来找到失控的根源。
总而言之，AoN 作为新近使用的检验质控指标，比 IQC 更客观、更灵敏地反映潜在的检验系统性误差，是对现有检验 IQC 体系的有效补充，值得鼓励引入实验室。
从该研究来看，阻碍这个指标在检验日常工作中应用的最大障碍在于，AoN 是建立在数学模型和统计学基础之上的，相比简单的 IQC 规则，读懂和熟练应用 AoN 的规则，需要一定的数学和统计学基础。因此，未来应该研发相应的质控软件，将其简化，普通检验人员就能操作，从而使这个很好的质控标志物能尽快进入寻常检验实验室。