3. 数据完整性风险识别与评估方法

数据完整性风险不是抽象概念，它具体发生在数据生命周期的每一个操作动作里。要管住风险，先要能识别风险，再对风险分级，最后把有限的资源投向高风险环节。本节围绕食品实验室最常见的四类风险点展开，并给出可落地的评估工具与分级方法。

一、数据生命周期中的四类高风险动作

手动积分是色谱类检测中最典型的风险源。当基线漂移、峰形拖尾或相邻峰未完全分离时，分析人员会手动调整积分参数或直接拖动积分起点终点。问题在于：调整前后的图谱、调整理由、调整人、调整时间若未留痕，同一张谱图可以被积出不同结果。食品检测中农残、添加剂、真菌毒素等项目对峰面积敏感，一次不合理的手动积分足以让结果跨越限量判定线。

重复进样的风险不在于“多做几次”，而在于“只报想要的那次”。当系统适用性不合格、对照品响应异常或样品结果超出预期时，反复进样并选择性采纳结果，本质上是用数据挑选结论。合规做法是：所有进样序列、进样次数、失败原因、复测依据全部保留，复测必须有预先定义的触发条件和审批记录。

选择性报告更为隐蔽。同一批样品多次检测后只报告合格结果，剔除异常值却不记录剔除理由，或把超标结果归因为“疑似污染”而不做调查，都属于选择性报告。食品实验室在微生物检测、重金属检测中尤其要警惕：一个被悄悄删除的超标数据，可能对应一批已流入市场的产品。

审计追踪缺失是上述风险的放大器。若系统未开启审计追踪，或审计追踪可被关闭、可被编辑、账户共享使用，则手动积分、重复进样、数据删除都无法追溯。审计追踪应覆盖数据的创建、修改、删除、复核全链条，记录“谁、何时、做了什么、为什么”，且普通用户无权关闭。

二、三类评估工具的适用场景

FMEA（失效模式与影响分析）适合对已识别风险做定量排序。在食品实验室语境下，可对每个风险点评估三个维度：严重度S（对检测结论或食品安全判定的影响，1～10分）、发生度O（该风险在实际操作中出现的频率，1～10分）、可探测度D（现有控制措施发现该风险的能力，越难发现分值越高，1～10分），风险优先数RPN=S×O×D。例如“手动积分未记录理由”可评为S=8、O=6、D=7，RPN=336，属于优先处置项；而“归档标签格式不规范”可能S=3、O=4、D=2，RPN=24，可列入常规改进。RPN不是绝对标准，但能帮助实验室把整改资源集中到高分区。

数据流图适合梳理数据在系统中的实际路径。绘制时从样品登录开始，依次标出仪器采集、工作站处理、LIMS录入、报告生成、归档存储各节点，并在每条连线上标注传输方式（自动/手动）、是否有审计追踪、是否经过格式转换。数据流图的价值在于暴露“断点”：例如仪器原始数据以PDF导出后再手工录入LIMS，这一环节既丢失了原始图谱，又切断了审计追踪，是典型的高风险断点。

鱼骨图适合对某一具体问题做原因归类。以“色谱结果无法复现”为鱼头，从人（操作习惯、培训）、机（仪器状态、软件版本）、料（对照品、试剂）、法（SOP、积分规则）、环（温湿度、供电）、测（校准、期间核查）六个方向展开，把可能原因逐条挂上，再结合现场核查逐项排除。鱼骨图不直接给分值，但能防止遗漏原因维度。

三、典型场景识别与分级示例

以下分级为教学示例，实验室应结合自身项目、仪器和SOP重新评定。分级建议采用“高/中/低”三级：高风险指可能直接改变检测结论且现有控制难以发现，须立即整改并暂停相关操作；中风险指可能影响数据可追溯性，须限期整改；低风险指格式或效率问题，纳入常规改进。

风险识别与评估的落点不是一张评分表，而是可执行的整改动作。对高风险项，应明确整改责任人、完成时限和验证方式；整改后重新评估RPN，确认风险是否降到可接受水平。食品实验室还应定期复评，因为仪器软件升级、SOP修订、人员轮换都可能让原本低风险的环节变成新的断点。