Presupposti del test di stabilità JMPCiao,
Attualmente sto utilizzando il test di stabilità all'interno della piattaforma di analisi dei dati di degradazione per stimare la durata di conservazione di un prodotto farmaceutico e ho una domanda sui presupposti dell'analisi.
Attualmente sto analizzando i dati per 10 lotti di prodotto con punti dati per alcuni lotti disponibili per 18 mesi. Quando eseguo l'analisi, il modello migliore viene identificato come intercettazioni diverse e pendenze comuni con un tempo di attraversamento più precoce di 35,35 mesi in base al batch stimato per attraversare prima la specifica inferiore.Quando analizzo questi stessi batch in Adatta Y per X e adattamento alle linee di regressione per ogni singolo batch, la linea di adattamento per un solo batch restituisce ap < 0,05 (succede che è il mio batch "caso peggiore" dal test di stabilità). L'intervallo di confidenza per questo batch nella piattaforma Fit Y by X incrocia la specifica inferiore intorno ai 17 mesi.
Il test di stabilità presuppone automaticamente che tutti i lotti cambino effettivamente nel tempo? Se gli altri lotti non sono di fatto tendenti al cambiamento, è appropriato utilizzare la stima della durata di conservazione considerando che si basa su una pendenza comune tra i lotti?
Grazie in anticipo per il vostro aiuto.
AnaliticaRe: Presupposti del test di stabilità JMPL'analisi si basa sui dati combinati di tutti i 10 lotti. Si adatta a un modello di regressione lineare con quattro termini: intercetta, batch, tempo e interazione batch*tempo. In questo modo è più potente e realistico. L'isolamento di un batch alla volta non è una procedura consigliata o consigliata.
Questa analisi utilizza un modello gerarchico, quindi viene eseguita una serie di test di ipotesi sulle stime dei parametri del modello per determinare se è possibile utilizzare un'intercetta o una pendenza comune.
Re: Presupposti del test di stabilità JMPQuesti modelli sono modelli di regressione lineare. Hanno intercettazioni e pendenze. La tua domanda se presumere che i lotti cambino/tendano nel tempo equivale alla domanda se le pendenze siano zeri. Nessuno dei modelli in questa procedura forza le pendenze a zero.
Immagino che una delle tue domande correlate sia cosa fare se la pendenza risulta insignificante. La risposta è niente. E sicuramente non dovresti forzare la pendenza a essere zero e adattare un nuovo modello. Questa non è una delle opzioni.
Ma come guardare al caso quando le pendenze sono insignificanti? La procedura ricava la scadenza in base alla quantificazione delle incertezze. La stima della pendenza può essere insignificante, ma non possiamo ignorare le incertezze nelle stime. Quindi, se la pendenza è significativa o meno non è la principale preoccupazione della procedura.
Infine, sul tuo caso specifico. La procedura di stabilità cerca anche di identificare le differenze e le somiglianze tra i lotti, da statistico prospettive. Quello che trovi è che un lotto è diverso dal resto. Ora la domanda è se ciò è dovuto alla casualità nel campionamento o implica qualcos'altro? Non c'è una risposta di assoluzione qui, secondo me, se dovresti riportare il risultato della procedura di stabilità o i tuoi risultati Fit Y per X. Ma devi giustificare la tua conclusione. Se il lotto eccezionale è dovuto alla casualità del campionamento, suppongo che il risultato della procedura di stabilità possa essere accettato. In caso contrario, penso che il suo caso sia fuori dalla portata dell'obiettivo della procedura di stabilità.
Re: Presupposti del test di stabilità JMPSe stai seguendo ICH Q1e per stimare la tua data di scadenza (tempo di attraversamento), assicurati di seguirla o di avere una buona giustificazione per non seguirla.
Se utilizzi lo strumento di stabilità di JMP (analizza>Affidabilità>Degradazione>Stabilità), JMP calcolerà il tempo di attraversamento per te. Tieni presente che questo tempo di attraversamento per il lotto peggiore utilizza la varianza non raggruppata e ICH Q1e menziona l'utilizzo della varianza raggruppata che ti darà un tempo di attraversamento diverso, che spesso è successivo al tempo di attraversamento della varianza non raggruppato.
Adatta Y per X può darti un'immagine del tempo di attraversamento della varianza non pool, ma non una stima effettiva.
Prova a usare Analizza>Adatta modello.
La risposta va nel ruolo Y, Tempo, Batch e il termine incrociato di Tempo e Batch (tempo*batch) va nel ruolo degli effetti.
Dal menu del triangolo rosso nella finestra di dialogo di avvio, disattiva Polinomi centrati.
Dopo aver fatto clic su Esegui, vai al menu del triangolo rosso nel rapporto, Stime> previsione inversa. Inserisci il limite delle specifiche superiore o inferiore nella finestra di dialogo e assicurati di fare clic sul pulsante per tutti i batch (lato sinistro), modifica anche l'alfa in 0,1, perché è necessario un CI al 95% su due lati.
Nella tabella in fondo al report vedrai i tempi di attraversamento e CI per ogni batch. L'IC del caso peggiore è quello che stai cercando. Questo CI si basa sulla varianza in pool ed è probabilmente più stretto di unpool.
Puoi utilizzare il modello Fit per ottenere anche la varianza non raggruppata. È la stessa procedura, tranne per il fatto che Solo tempo è nel ruolo Effetti e Batch entra nel ruolo Per.
