BACKGROUND Environmental health and exposure researchers can improve the quality and interpretation of their chemical measurement data, avoid spurious results, and improve analytical protocols for new chemicals by closely examining lab and field quality control (QC) data. Reporting QC data along with chemical measurements in biological and environmental samples allows readers to evaluate data quality and appropriate uses of the data (e.g., for comparison to other exposure studies, association with health outcomes, use in regulatory decision-making). However many studies do not adequately describe or interpret QC assessments in publications, leaving readers uncertain about the level of confidence in the reported data. One potential barrier to both QC implementation and reporting is that guidance on how to integrate and interpret QC assessments is often fragmented and difficult to find, with no centralized repository or summary. In addition, existing documents are typically written for regulatory scientists rather than environmental health researchers, who may have little or no experience in analytical chemistry. OBJECTIVES We discuss approaches for implementing quality assurance/quality control (QA/QC) in environmental exposure measurement projects and describe our process for interpreting QC results and drawing conclusions about data validity. DISCUSSION Our methods build upon existing guidance and years of practical experience collecting exposure data and analyzing it in collaboration with contract and university laboratories, as well as the Centers for Disease Control and Prevention. With real examples from our data, we demonstrate problems that would not have come to light had we not engaged with our QC data and incorporated field QC samples in our study design. Our approach focuses on descriptive analyses and data visualizations that have been compatible with diverse exposure studies with sample sizes ranging from tens to hundreds of samples. Future work could incorporate additional statistically grounded methods for larger datasets with more QC samples. CONCLUSIONS This guidance, along with example table shells, graphics, and some sample R code, provides a useful set of tools for getting the best information from valuable environmental exposure datasets and enabling valid comparison and synthesis of exposure data across studies.

中文翻译：

---

令人担忧的环境暴露数据：有关从实验室测量中获取最佳信息的指南。

背景技术环境健康和暴露研究人员可以通过仔细检查实验室和现场质量控制（QC）数据来提高其化学测量数据的质量和解释，避免虚假结果，并改善新化学物质的分析规程。报告质量控制数据以及生物和环境样品中的化学测量值，使读者可以评估数据质量和数据的适当用途（例如，与其他暴露研究进行比较，与健康结果相关联，用于监管决策中）。但是，许多研究并未充分描述或解释出版物中的质量控制评估，从而使读者不确定所报告数据的可信度。实施质量控制和报告的一个潜在障碍是，关于如何整合和解释质量控制评估的指南通常是零散的，很难找到，没有集中的存储库或摘要。此外，现有文件通常是为监管科学家而不是环境健康研究人员写的，他们可能很少或没有分析化学经验。目标我们讨论在环境暴露测量项目中实施质量保证/质量控制（QA / QC）的方法，并描述我们解释质量控制结果并得出有关数据有效性的结论的过程。讨论我们的方法建立在现有指导和多年实践经验的基础上，与合同和大学实验室合作收集暴露数据并进行分析，以及疾病预防控制中心。通过我们的数据中的真实示例，我们证明了如果我们不使用质控数据并将现场质控样本纳入研究设计中就不会发现问题。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。通过我们的数据中的真实例子，我们证明了如果我们不使用质控数据并将现场质控样本纳入研究设计中就不会发现问题。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南以及示例表壳，图形和一些示例R代码，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。通过我们的数据中的真实例子，我们证明了如果我们不使用质控数据并将现场质控样本纳入研究设计中就不会发现问题。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。我们展示了如果不使用我们的质量控制数据并将现场质量控制样本纳入我们的研究设计中就不会发现的问题。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。我们展示了如果不使用我们的质量控制数据并将现场质量控制样本纳入我们的研究设计中就不会发现的问题。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会针对具有更多QC样本的较大数据集并入其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。我们的方法侧重于描述性分析和数据可视化，这些分析与多种曝光研究兼容，样本大小从数十到数百个样本不等。未来的工作可能会结合具有更多质量控制样本的更大数据集的其他基于统计的方法。结论本指南与示例表壳，图形和一些示例R代码一起，提供了一组有用的工具，可从有价值的环境暴露数据集中获取最佳信息，并在研究之间进行有效的暴露数据比较和综合。