Supuestos de la prueba de estabilidad JMPHola,
Actualmente estoy usando la prueba de estabilidad dentro de la plataforma de análisis de datos de degradación para estimar la vida útil de un producto farmacéutico y tenía una pregunta sobre los supuestos del análisis.
Actualmente estoy analizando datos de 10 lotes de producto con puntos de datos para algunos lotes disponibles durante 18 meses. Cuando ejecuto el análisis, el mejor modelo se identifica como intersecciones diferentes y pendientes comunes con un tiempo de cruce más temprano de 35,35 meses según el lote estimado para cruzar la especificación más baja lo antes posible.Cuando analizo estos mismos lotes en Fit Y by X y ajusto las líneas de regresión para cada lote individual, la línea de ajuste para un solo lote devuelve ap < 0.05 (sucede que es mi lote del "peor caso" de la prueba de estabilidad). El intervalo de confianza para este lote en la plataforma Fit Y by X cruza la especificación inferior alrededor de 17 meses.
¿La prueba de estabilidad asume automáticamente que todos los lotes están cambiando con el tiempo? Si los otros lotes no muestran una tendencia de cambio, ¿es apropiado utilizar la estimación de la vida útil considerando que se basa en una pendiente común entre los lotes?
Gracias de antemano por tu ayuda.
AnalíticaRe: Supuestos de la prueba de estabilidad JMPEl análisis se basa en los datos combinados de los 10 lotes. Se ajusta a un modelo de regresión lineal con cuatro términos: intersección, lote, tiempo e interacción lote*tiempo. Esta forma es la más poderosa y realista. Aislar un lote a la vez no es la mejor práctica ni se recomienda.
Este análisis utiliza un modelo jerárquico, por lo que se realizan una serie de pruebas de hipótesis sobre las estimaciones de los parámetros del modelo para determinar si se puede utilizar una intersección o pendiente común.
Re: Supuestos de la prueba de estabilidad JMPEstos modelos son modelos de regresión lineal. Tienen intersecciones y pendientes. Su pregunta de si suponer que los lotes cambian/tendencia a lo largo del tiempo es equivalente a la pregunta de si las pendientes son ceros. Ninguno de los modelos en este procedimiento obliga a que las pendientes sean cero.
Supongo que una de sus preguntas relacionadas es qué hacer si la pendiente resulta insignificante. La respuesta es nada. Y definitivamente no debería forzar que la pendiente sea cero y ajustar un nuevo modelo. Esa no es una de las opciones.
Pero, ¿cómo mirar el caso cuando las pendientes son insignificantes? El procedimiento deriva la caducidad en base a la cuantificación de incertidumbres. La estimación de la pendiente puede ser insignificante, pero no podemos ignorar las incertidumbres en las estimaciones. Entonces, si la pendiente es significativa o no, no es la principal preocupación del procedimiento.
Por último, sobre tu caso concreto. El procedimiento de estabilidad también trata de identificar las diferencias y similitudes entre lotes, desde estadístico perspectivas Lo que encuentra es que un lote es diferente del resto. Ahora la pregunta es si eso se debe a la aleatoriedad en el muestreo o si implica algo diferente. No hay una respuesta absoluta aquí, en mi opinión, si debe informar el resultado del procedimiento de Estabilidad o los resultados de Ajustar Y por X. Pero necesitas justificar tu conclusión. Si el lote sobresaliente se debe a la aleatoriedad del muestreo, supongo que se puede aceptar el resultado del procedimiento de Estabilidad. De lo contrario, creo que su caso está fuera del alcance de lo que el procedimiento de Estabilidad está diseñado para abordar.
Re: Supuestos de la prueba de estabilidad JMPSi está siguiendo ICH Q1e para estimar su fecha de vencimiento (tiempo de cruce), asegúrese de seguirlo o tener una buena justificación para no seguirlo.
Si utiliza la herramienta Estabilidad de JMP (analizar>Confiabilidad>Degradación>Estabilidad), JMP calculará el tiempo de cruce por usted. Tenga en cuenta que este tiempo de cruce para el lote en el peor de los casos utiliza una varianza no agrupada, y ICH Q1e menciona el uso de una varianza agrupada que le dará un tiempo de cruce diferente, que a menudo es más tarde que el tiempo de cruce de la varianza no agrupada.
Ajustar Y por X puede brindarle una imagen del tiempo de cruce de la varianza no agrupada, pero no una estimación real.
Intente utilizar Analizar>Ajustar modelo.
La respuesta va en el rol Y, Tiempo, Lote y el término cruzado de Tiempo y Lote (tiempo*lote) va en el rol de efectos.
Desde el menú del triángulo rojo en el cuadro de diálogo de inicio, desactive Polinomios centrados.
Después de hacer clic en ejecutar, vaya al menú del triángulo rojo en el informe, Estimaciones> predicción inversa. Ingrese su límite de especificación superior o inferior en el cuadro de diálogo y asegúrese de hacer clic en el botón para todos sus lotes (lado izquierdo), también cambie alfa a 0.1, porque necesita un IC del 95% de dos caras.
En la tabla en la parte inferior del informe, verá los tiempos de cruce y el IC para cada lote. El peor caso CI es el que estás buscando. Este IC se basa en la varianza agrupada y es probable que sea más estricto que el no agrupado.
También puede usar el modelo de ajuste para obtener la varianza no agrupada. Es el mismo procedimiento, excepto que Solo el tiempo está en la función Efectos y Lote en la función Por.
