Статистика в валидации — ЧаВО

Представленная ниже подборка вопросов и ответов является продуктом совместной работы двух глубокоуважаемых участников конференции IVT Network и посвящена основным вопросам, часто задаваемым в валидационном сообществе.

Сколько партий или серий необходимо использовать для валидации процесса?

Валидация процесса не требует использования какого-то определенного количества серий или партий. Большинство людей считают, что для валидации процесса они должны использовать три партии, однако этого может быть недостаточно. Вместо этого следует сосредоточится на том, чтобы учесть все те источники изменчивости, которые, как ожидается, встретятся при промышленном производстве: несколько серий сырья, несколько поставщиков, несколько операторов, смены, оборудование и т. д. Включение этих источников изменчивости позволит определить необходимое для валидации количество партий.

Можно ли объединять или комбинировать данные нескольких партий для получения необходимого объема выборки?

Как правило, в процессе валидации не рекомендуется объединять данные нескольких партий. Цель состоит в обеспечении возможности сделать заключение о надежности и уровне доверительной вероятности для каждой включенной в валидацию партии, поэтому, если вы объедините партии для получения объема выборки, необходимого для того, чтобы сделать это заключение, то тем самым вы уменьшите статистическую мощность вывода. Если же вам все-таки необходимо объединить данные нескольких партий, то это можно сделать только в случае качественных (соответствует/не соответствует) данных, но не количественных (числовых) данных.

Как можно связать риск с объемом выборки?

В валидационных исследованиях существует множество методов согласования риска с объемом выборки. Один из методов — это задание для каждой характеристики продукта или технологической операции желаемой надежности и уровня доверительной вероятности с последующим выбором плана выборочного контроля, позволяющего достичь этой надежности и уровня доверительной вероятности при условии выполнения параметров плана выборочного контроля. Например, если в ходе производственного процесса происходит сварка двух важных частей продукта, а риск отказа процесса в отношении соответствия техническим требованиям этой характеристики высок, то можно задать надежность 99,7 %, а уровень доверительной вероятности 95 %. Затем можно выбрать план выборочного контроля с допустимым процентом дефектных изделий в партии (LTPD) 0,05 = 0,3 %, поскольку «100 % – надежность = LTPD». Предполагая, что план выборочного контроля по количественным признакам и процесс соответствуют Ppk и Pp для плана выборочного контроля, эта партия будет соответствовать нормам, а вы сможете продолжить валидацию на второй партии и так далее.

Можно ли производить каждую валидационную партию равную необходимому объему выборки?

Такой подход не рекомендуется. Некоторые люди утверждают, что необходимо производить в предполагаемых типичных условиях (например, при таком же производственном темпе, с использование такого же процесса и т. д.). Однако для это должно быть предоставлено соответствующее обоснование. Разумеется, что для выводимого на рынок продукта не предполагается ограниченное производство, однако следует постараться использовать операторов, процессы и оборудование, которые будут использоваться для нормального производства, но с предельными параметрами. Настоятельно рекомендуется производить каждую валидационную партию в объеме, эквивалентном запланированному объему промышленной партии. Затем репрезентативным методом отберите объем выборки из каждой промышленной партии, произведенной для валидационного исследования.

Что такое LTPD и как он влияет на валидацию?

Допустимым процент дефектных изделий в партии (LTPD) является показателем относительного количества (%) дефектных изделий, полученных в ходе производственного процесса, на основании которого в соответствии с установленным планом выборочного контроля при рутинном производстве бракуют каждую контролируемую партию. LTPD связан с потребительским риском и обычно считается более важным, чем AQL (см. ниже). С точки зрения соотношения «риск/надежность» риск для пациента напрямую связан с LTPD и является основой для выбора плана выборочного контроля. Например, если надежность, требуемая для данного выхода процесса, составляет 99 %, а уровень доверительной вероятности составляет 95 %, то подходящими будут планы выборочного контроля с LTPD 0,05 = 1 %. Для 99 % надежности с уровнем доверительной вероятности 90 % более подходящими могли бы быть планы выборочного контроля с LTPD 0,10 = 1 %.

Что такое AQL и как он влияет на валидацию?

Приемлемый уровень качества (AQL) является показателем относительного количества (%) дефектных изделий, полученных в ходе производственного процесса, на основании которого в соответствии с установленным планом выборочного контроля при рутинном производстве принимают каждую контролируемую партию. AQL связан с риском изготовителя и не учитывается напрямую при основанном на рисках выборе плана выборочного контроля. Однако, после того, как LTPD выведет надежность и уровень доверительной вероятности на стадию возможности выбора ряда подходящих планов выборочного контроля, AQL может быть использован для отбора из этого ряда оптимального плана, обеспечивающего для хорошего процесса максимальный шанс прохождения валидации.

Необходимо ли выполнять тест на нормальность валидационных данных? И что делать, если тест на нормальность не пройден?

Если вы выбираете план выборочного контроля по количественным (числовым) признакам, тогда да, важно определить подчиняются ли исходные данные нормальному распределению или нет. В планах выборочного контроля по количественным признакам предположение о разбросе данных относительно норм спецификации основано на использовании нормального распределения в качестве алгоритма или модели. Если данные не подчиняются нормальному распределению, то возможность производственного процесса соответствовать спецификации непредсказуема. Эмпирический метод состоит в том, чтобы выполнить оценку нормальности, используя p-значение больше 0,05 для получения вывода о том является ли распределение нормальным или нет. p-значение, меньшее или равное 0,05, приведет к выводу о том, что данные не подчиняются нормальному распределению. В том, что данные не будут подчиняться нормальному распределению, нет ничего плохого, кроме того, большинство производственных процессов по своей природе таковы, что приводят к другим видам распределения (например, распределения Вейбулла являются обычным явлением для испытаний на разрыв, а логарифмически нормальные распределения типичны для испытаний на растяжение). Если ваши валидационные данные не соответствуют нормальному распределению, то определите распределение, под которое они подходят и убедитесь, что они логично и обоснованно соответствуют этому распределению, отличному от нормального. Задокументируйте свое обоснование, преобразуйте (например, с помощью степенного преобразования Бокса-Кокса) данные и нормы спецификации (или выберите непараметрический метод анализа), и оцените возможности преобразованных данных. Если данные соответствуют распределению, отличному от нормального (например, подчиняются распределению Вейбулла) и являются логическим выбором, то попробуйте рассчитать возможность, используя это распределение. Обратите внимание, что качественные данные освобождены от требования выполнения оценки нормальности.

Авторы: Джордж Омаэ (George Omae), Роберта Гуд (Roberta Goode)

Оригинал

Подписывайтесь на каналы PHARM COMMUNITY:

   
Просмотров: 797
Поделитесь с коллегами:

1 комментарий к “Статистика в валидации — ЧаВО”

  1. Интересно, раньше думал, что для валидации достаточно не более трех серий для набора минимальной статистически значимой выборки, как в аналитике, а нет. Оказывается подход на основе рисков требует и больше при необходимости.

    Ответить

Оставьте комментарий