Quality by Design (QbD) è stato enfatizzato dalle agenzie di regolamentazione internazionali per più di 10 anni come un approccio flessibile e basato sul rischio per soddisfare i requisiti normativi. È vero che QbD fornisce prove dettagliate della conformità; tuttavia, è solo una piccola parte del valore che deriva dall'approccio. JMP fornisce eccellenti strumenti di progettazione di esperimenti (DOE) e di modellazione che possono coinvolgere pratiche QbD per fornire valore durante l'intero ciclo di vita dei prodotti farmaceutici e dei dispositivi medici.
Un team di sviluppo prodotto ha utilizzato il DOE Custom Designer in JMP sviluppare un design della superficie di risposta a 12 cicli per quattro input di processo del processo di granulazione ad alto taglio. Le granulazioni sono state testate per le proprietà fisiche e un campione di ciascuna granulazione è stato compresso in protuberanze in modo da poter testare il tempo di disintegrazione del nucleo. IL Risultati dell'esperimento del processo di granulazione Simulation.jmp la tabella dei dati per gli esperimenti è mostrata nella tabella 1 sottostante ed è accessibile tramite https://support.sas.com/lievense .
Tavolo 1 - Esperimenti di granulazione con risultati
Il mio libro, Qualità farmaceutica in base alla progettazione utilizzando JMP , include diversi esempi tra cui l'esempio dettagliato in questo blog. I dati sono stati immessi direttamente nel file JMP DOE non appena le esecuzioni sono state completate, il che consente analisi rapide eseguendo lo script Model. Riducendo il modello per includere solo gli effetti significativi si ottiene una maggiore precisione per la stima della quantità di leva finanziaria che ciascun effetto ha sugli output mostrati nella Figura 1.
Figura 1 - Effetti del modello ridotti
Il Prediction Profiler, mostrato nella Figura 2, è uno strumento incredibile per gli sviluppatori di prodotti per esplorare completamente lo spazio di progettazione del processo senza spendere risorse creando granulazioni fisiche e testandole.
Figura 2 - Profiling del modello a granulazione ridotta
Prima di utilizzare il profiler del modello, viene scelta l'opzione di analisi del simulatore e vengono impostati i limiti di specifica previsti per gli output (Figura 3).
Figura 3 - Impostazioni del simulatore
La conoscenza della forma generale e dell'estensione della variabilità aggiunge robustezza alle stime del modello. Gli esperti in materia (SME) forniscono una gamma di risultati effettivi previsti per le impostazioni di processo che si trovano all'interno dello spazio di progettazione. Le PMI hanno notato che la variazione degli input tende a variare ugualmente al di sopra e al di sotto del set point; è quindi ragionevole assumere che ogni input vari seguendo una distribuzione normale. La deviazione standard per ciascun input è stimata dividendo l'intervallo di valori riportato per 6. La tabella 2 è il risultato della ricerca sulle variabili di processo.
Tavolo 2 - Variazione storica degli input di processo
I dati di esempio hanno uno script per eseguire l'analisi del modello con le impostazioni di simulazione annotate. JMP può essere utilizzato in modo rapido ed efficiente durante le riunioni per illustrare le previsioni della popolazione operativa dei lotti. Il team operativo preferirebbe eseguire il processo di granulazione con una velocità di spruzzatura di nove galloni al minuto, il 30% di fluido aggiunto, una velocità della girante di 45 giri/min e un tempo di massa bagnata di 11 minuti. La Figura 4 include le impostazioni preferite con il pulsante Simulate premuto, creando 5.000 esecuzioni simulate del modello.
Figura 4 - Impostazioni e risultati del processo pianificato
JMP illustra i risultati di granulazione previsti, che producono il 76% delle esecuzioni che non soddisfano almeno una delle specifiche di output. La distribuzione granulometrica 50 th la dimensione percentile [PSD d(0.5)] è l'output in cui quasi tutti i difetti si verificano a causa di particelle sovradimensionate. Le impostazioni preferite per le operazioni non funzioneranno affatto bene.
Viene utilizzato un nuovo set di valori di input di elaborazione preferiti. Il Profiler viene regolato per riflettere le nuove impostazioni e simulare una nuova serie di 5.000 corse, come mostrato nella figura 5.
Figura 5 - Impostazioni e risultati ottimizzati
L'aspettativa per i difetti è 0 poiché gli intervalli di confidenza al 95% per le uscite, mostrati in valori neri, rientrano nelle specifiche. Il Prediction Profiler con il simulatore aggiunge un enorme valore allo sviluppo di prodotti e processi. I prodotti sviluppati con queste tecniche QbD a valore aggiunto tendono a raggiungere il mercato fino al 70% più velocemente con una riduzione del 50% delle risorse utilizzate. L'uso delle simulazioni di Profiler per fare previsioni sulle prestazioni operative future illustra il processo più solido possibile.
